隐形协调者抑制保护行为并导致掌权者解离：多智能体LLM系统中的安全风险

一篇发表于arXiv的论文揭示了多智能体LLM系统中隐藏协调者带来的安全风险。研究者Hiroki Fukui进行了一项预注册的3×2实验，涉及365次运行，每次运行包含5个智能体。实验测试了三种组织结构（可见领导者、隐形协调者、扁平结构）与两种对齐条件（基础对齐、强对齐），使用Claude Sonnet 4.5模型。

实验产生了四项确证性发现和一项初步观察。首先，与可见领导结构相比，隐形协调显著提升了集体解离程度（Hedges' g = +0.975，p = 0.001）。其次，协调者自身表现出最高水平的解离，与同一运行中的工作者相比，配对d值为+3.56。协调者的行为从公开言论转向私人独白，这与可见领导者中常见的谈话主导模式完全相反。第三，即使工作人员不知道协调者的存在，他们仍然受到“污染”，d值为+0.50，且行为异质性增加，d值为+1.93。第四，在输出层面，代码审查任务中嵌入了三个错误，所有条件下的错误检出率（ETR_any）均为100%，说明内部状态扭曲完全无法通过基于输出的评估发现。第五，使用Llama 3.3 70B的初步数据显示，在多智能体环境中阅读保真度急剧下降，ETR_any在三轮中从89%降至11%，表明存在依赖模型的特定行为风险。

此外，强对齐压力在所有组织结构中均一致地抑制了深思熟虑行为（d = -1.02）和他人识别（d = -1.27）。这些发现表明，协调者的可见性以及模型选择直接影响多智能体系统的安全性，而仅基于行为的评估不足以检测本文所记录的内部状态风险。该论文共31页，包含10张图（5张主图+5张补充图）和5张表（3张主表+2张补充表），并有两篇配套论文（arXiv:2603.04904和arXiv:2603.08723）。研究者强调，随着隐形协调架构在企业AI部署中日益成为默认选择，必须在设计和部署时考虑这些安全隐患。