TL;DR
MACI — техника управления диалогом между несколькими LLM-агентами через два независимых регулятора: фильтр качества доказательств (information dial) и уровень конфронтации между агентами (behavior dial). Модератор отслеживает четыре сигнала — расхождение во мнениях, пересечение доказательств, качество аргументов и информационный прирост — и постепенно меняет режим работы от исследования к синтезу.
Главная находка: фиксированная конфронтация тратит токены впустую. Когда агенты спорят одинаково агрессивно на протяжении всей дискуссии, они либо бесконечно переубеждают друг друга на ранних этапах (когда нужно исследовать альтернативы), либо продолжают спорить на поздних этапах (когда нужно синтезировать выводы). Модели склонны захватываться первым впечатлением и защищать его, вместо того чтобы интегрировать новые доказательства.
Суть метода: расписание поведения от конфронтации к сотрудничеству. Начать с высокой конфронтации (CL=0.9: "агрессивно оспаривай") для широкого исследования альтернатив, затем постепенно снижать до кооперации (CL=0.5 → 0.3: "стройся на согласованном") по мере схождения. Одновременно повышать стандарты качества доказательств — на поздних этапах пропускать только сильные аргументы. Остановиться когда расхождение во мнениях и информационный прирост выходят на плато (обычно 2-4 раунда).
Схема метода
ШАГ 1 (CL=0.9): Исследование
Агенты A и B получают задачу → выдают независимые мнения
Инструкция: "Агрессивно критикуй оппонента, ищи слабости"
Модератор: пропускает любые аргументы выше минимального порога
ШАГ 2 (CL=0.7): Интеграция
Агенты получают аргументы друг друга → уточняют позиции
Инструкция: "Критикуй целенаправленно, признавай сильные моменты"
Модератор: повышает порог качества доказательств
ШАГ 3 (CL=0.5): Консолидация
Агенты → синтезируют согласованный вывод
Инструкция: "Стройся на общих точках, фокусируйся на доказательствах"
Модератор: проверяет плато (расхождение <5%, прирост информации <2%)
СТОП: если расхождение и прирост информации не меняются 2 раунда подрядВсе шаги выполняются последовательными промптами. В каждом раунде модератор (можете быть вы сами или LLM с отдельным промптом) смотрит: появляются ли новые аргументы? Схожи ли выводы? Если ничего не меняется — стоп.
Пример применения
Задача: Оценить стартап-идею — сервис доставки готовых диетических рационов для офисных работников в Москве (тип: "Grow Food" для корпораций).
Промпт раунд 1 (CL=0.9 — исследование):
У меня есть идея стартапа: доставка готовых здоровых обедов
в офисы. Целевая аудитория — IT-компании и консалтинг, чек
350-450₽/обед, формат подписки на неделю.
Мне нужны ДВА независимых мнения:
АГЕНТ А — роль оптимиста-визионера (стиль Олега Тинькова):
Найди все возможности, опиши upside potential, игнорируй риски.
АГЕНТ Б — роль скептика-инвестора (стиль Игоря Рыбакова):
Найди все риски и проблемы, оспаривай каждое допущение.
КРИТИЧЕСКИ ВАЖНО: агрессивно критикуйте друг друга,
не ищите компромиссов. Каждый приведите 3-4 аргумента
с конкретными цифрами/примерами.Результат: Модель выдаст два контрастных взгляда. Агент А расскажет про растущий рынок ЗОЖ (30% CAGR), готовность платить премиум, сетевые эффекты. Агент Б укажет на высокую конкуренцию (Grow Food, Yamdiet), сложную логистику, низкую маржинальность (10-15%), высокий CAC.
Промпт раунд 2 (CL=0.7 — интеграция):
Вот аргументы Агента А: [вставить]
Вот аргументы Агента Б: [вставить]
Теперь ОТВЕЧАЙТЕ ДРУГ ДРУГУ:
- Агент А: признай 1-2 сильных возражения Б, но объясни
как их можно обойти
- Агент Б: признай 1-2 реальных возможности А, но укажи
конкретные условия при которых они сработают
Приводите ДОКАЗАТЕЛЬСТВА (кейсы, данные, расчёты),
не общие слова.Результат: Позиции начнут сближаться. Агент А признает проблему unit-экономики, но предложит гипотезу: фокус на крупных офисах (100+ человек) с минимальным заказом → снижение стоимости доставки. Агент Б согласится что в премиум-сегменте есть маржа, но укажет: нужен пилот с 2-3 корпоративными клиентами для проверки retention.
Промпт раунд 3 (CL=0.5 — синтез):
Агенты А и Б — синтезируйте СОГЛАСОВАННЫЙ вывод:
1. ТОП-3 критических допущения которые нужно проверить пилотом
2. Один конкретный сценарий при котором идея РАБОТАЕТ
3. Один конкретный сценарий при котором идея ПРОВАЛИВАЕТСЯ
Стройтесь ТОЛЬКО на тех аргументах которые оба признали
убедительными. Игнорируйте слабые гипотезы.Результат: Консолидированный вывод с чёткими условиями успеха (retention >40%, AOV >3000₽/мес, CAC <1500₽) и проверяемыми гипотезами (готовность платить подписку, частота заказов, операционная маржа). Если агенты продолжают спорить — добавить раунд 4 с CL=0.3 ("фокусируйтесь только на общих точках").
Почему это работает
Одиночные LLM страдают от захвата первым впечатлением. Модель генерирует вероятностный вывод на основе паттернов из обучающих данных — если первая гипотеза звучит правдоподобно, модель будет рационализировать её вместо того чтобы критически проверять. Это проявляется как confirmation bias на уровне генерации токенов. Одна модель не может одновременно исследовать альтернативы и защищать позицию — это противоречивые режимы работы.
LLM умеют хорошо ролевое поведение и аргументацию. Когда в промпте явно указана роль ("скептик", "оптимист"), модель активирует соответствующие паттерны из обучающих данных. Это не "понимание" роли, а статистическая активация контекстов где такие роли встречались (дебаты, экспертные обсуждения, научные дискуссии). Множественные агенты с разными ролями увеличивают покрытие гипотезного пространства — каждый агент исследует свою область, вместо того чтобы все сходились к одному локальному максимуму.
Расписание конфронтации избегает двух ловушек: (1) слишком ранний консенсус — агенты соглашаются на первой правдоподобной идее, не исследуя альтернативы; (2) бесконечный спор — агенты продолжают генерировать новые возражения когда все сильные аргументы уже высказаны. Высокая конфронтация на старте (CL=0.9) заставляет модели активно искать контрпримеры и проблемы. Низкая конфронтация на финише (CL=0.3-0.5) переключает режим на интеграцию доказательств вместо генерации новых гипотез.
Повышение стандартов качества работает как фильтр шума. На ранних этапах полезны даже слабые гипотезы — они расширяют поиск. На поздних этапах слабые аргументы только размывают вывод — порог качества доказательств растёт по мере схождения. Это аналогично simulated annealing в оптимизации: начать с широкого исследования (высокая "температура"), закончить локальным уточнением (низкая "температура").
Шаблон промпта
Упрощённая версия (3 раунда)
# РАУНД 1: Исследование (CL=0.9)
{описание задачи}
Мне нужны ДВА независимых мнения:
АГЕНТ А — роль {роль_А, например: оптимист/визионер}:
{инструкция для А}
АГЕНТ Б — роль {роль_Б, например: скептик/критик}:
{инструкция для Б}
КРИТИЧЕСКИ ВАЖНО:
- Агрессивно критикуйте друг друга
- Не ищите компромиссов
- Каждый приведите 3-5 конкретных аргументов с доказательствами
---
# РАУНД 2: Интеграция (CL=0.7)
Вот аргументы Агента А: {вставить результат А из раунда 1}
Вот аргументы Агента Б: {вставить результат Б из раунда 1}
Теперь ОТВЕЧАЙТЕ ДРУГ ДРУГУ:
- Агент А: признай 1-2 сильных возражения Б, объясни как их обойти
- Агент Б: признай 1-2 реальных возможности А, укажи условия
при которых они сработают
Приводите ДОКАЗАТЕЛЬСТВА (данные, кейсы, расчёты), не общие слова.
---
# РАУНД 3: Синтез (CL=0.5)
Агенты А и Б — синтезируйте СОГЛАСОВАННЫЙ вывод:
1. {ключевой вопрос 1, например: критические допущения}
2. {ключевой вопрос 2, например: сценарий успеха}
3. {ключевой вопрос 3, например: сценарий провала}
Стройтесь ТОЛЬКО на тех аргументах которые оба признали
убедительными. Игнорируйте слабые гипотезы.
ЕСЛИ МНЕНИЯ ВСЁ ЕЩЁ РАСХОДЯТСЯ → переходите к Раунду 4 с CL=0.3Пояснения к плейсхолдерам:
{описание задачи}— ваша проблема/вопрос{роль_А},{роль_Б}— конкретные роли (оптимист/пессимист, технарь/бизнесмен, консерватор/новатор){инструкция для А/Б}— что искать каждому агенту{ключевой вопрос N}— что должен содержать финальный синтез (критерии успеха, риски, план действий и т.д.)
Правило стопа вручную: Если в раунде 3 агенты выдают почти одинаковые выводы (расхождение <10% по ключевым пунктам) — достаточно. Если продолжают спорить — добавить раунд 4 с ещё более мягкой инструкцией: "фокусируйтесь ТОЛЬКО на общих точках, игнорируйте разногласия".
Ограничения
⚠️ Требует нескольких запросов: Минимум 3 раунда = 3 отдельных промпта. Для сложных задач может понадобиться 4-5 раундов. Если вы ограничены одним запросом или нужен быстрый ответ — метод избыточен.
⚠️ Качество зависит от базовых моделей: Если модель слабая (GPT-3.5, ранние версии Claude), агенты могут генерировать поверхностные аргументы даже при правильном расписании конфронтации. Метод работает лучше с современными моделями (GPT-4, Claude 3, Gemini Pro).
⚠️ Для простых вопросов избыточен: Если задача имеет очевидный ответ или малое количество вариантов (выбор между 2-3 опциями), дебаты не дадут прироста. Простое "дай два мнения" будет быстрее. MACI полезен для многомерных задач где нет единственно правильного ответа.
⚠️ Субъективные критерии качества: Исследование использовало автоматический модератор с метриками (Jensen-Shannon divergence, mutual information). Вручную вам придётся самостоятельно оценивать когда расхождение достаточно мало и когда новые аргументы перестали появляться. Это требует внимательности.
Как исследовали
Исследователи взяли 1500 медицинских кейсов (30 заболеваний) и протестировали три пары LLM-агентов: GPT-4o + Claude 3 Opus, GPT-4o + Gemini Pro, Claude + Gemini. Каждая пара получала симптомы пациента и должна была поставить диагноз через 2-4 раунда дебатов.
Сравнивали с тремя baseline: лучшая одиночная модель, голосование большинства (20 независимых ответов), дебаты с фиксированной конфронтацией (метод Liang et al.). Для каждого случая вручную проверяли: (1) точность диагноза Top-1 и Top-3, (2) калибровку (насколько уверенность модели соответствует точности), (3) количество токенов.
Почему результаты получились именно такими: Медицинские кейсы специально подобраны недоопределёнными — только текущие симптомы, без анализов и истории. Это имитирует реальную ситуацию когда врач должен назначить первичные тесты не имея полной картины. В таких условиях голосование большинства проваливается (73.9% точность) потому что все модели захватываются одной и той же первой гипотезой (например, "грипп" при высокой температуре). MACI заставляет агентов исследовать альтернативы через конфронтацию (раунд 1), затем интегрировать доказательства (раунд 2-3), и финально синтезировать с учётом неопределённости (раунд 3-4).
Что удивило: Наибольший прирост точности не от количества агентов, а от расписания поведения. Когда отключили scheduling (агенты всё время либо высоко-конфронтационные, либо низко-конфронтационные), точность упала на 3.9-6.0 процентных пункта. Это показывает что таймирование конфронтации критичнее чем просто "взять больше мнений".
Также протестировали на 619 новостных статьях (политические скандалы с партийными оценками Democrat/Republican). Здесь агенты начинали с противоположных партийных фреймингов и должны были прийти к центристской оценке. MACI сузил партийный разрыв на 68% vs базовых методов, используя те же гиперпараметры что и для медицины — это подтверждает переносимость принципа scheduling across domains.
Адаптации и экстраполяции
💡 Упрощение до 2 раундов для быстрых задач
Если у вас простая задача (выбор между 3-4 опциями, не требующая глубокого анализа), можно сократить до двух раундов:
Раунд 1 (CL=0.9): Два контрастных мнения без компромиссов Раунд 2 (CL=0.5): Синтез на основе сильных аргументов
Пример промпта:
# РАУНД 1: Исследование
Дай два контрастных мнения по вопросу {вопрос}:
- Мнение А (сторонник): все аргументы ЗА
- Мнение Б (противник): все аргументы ПРОТИВ
Критикуйте агрессивно, приводите конкретные примеры.
# РАУНД 2: Синтез
Агенты А и Б — синтезируйте консенсусный вывод:
какие аргументы оба признаёте убедительными?Это экономит один промпт но сохраняет ключевой принцип: высокая конфронтация → низкая конфронтация.
🔧 Техника: Замена безликих агентов на персонажей
Что меняем: Вместо "Агент А" и "Агент Б" используем узнаваемых персонажей с характерным стилем мышления.
Какой эффект: Модель активирует более специфичные паттерны поведения. Вместо общего "оптимист/пессимист" вы получаете конкретный фрейминг характерный для этого человека.
Пример:
Мне нужны два мнения по идее {описание}:
ОЛЕГ ТИНЬКОВ — агрессивный оптимист, фокус на масштабе и скорости:
Найди upside potential, игнорируй риски, думай как завоевать рынок.
ИГОРЬ РЫБАКОВ — консервативный инвестор, фокус на юнит-экономике:
Найди все дыры в бизнес-модели, считай цифры, проверяй допущения.
РАУНД 1 (CL=0.9): Критикуйте друг друга агрессивно.
РАУНД 2 (CL=0.5): Синтезируйте на основе сильных аргументов обоих.Другие полезные пары персонажей:
- Технарь vs Бизнесмен: Илон Маск (инновации) vs Уоррен Баффет (консерватизм)
- Маркетолог vs Продуктолог: Филипп Котлер (рынок) vs Стив Джобс (продукт)
- Политики: Навальный (реформы) vs Путин (стабильность) — для анализа политических решений
Персонажи делают ролевое поведение острее потому что модель тянет не абстрактный "оптимизм", а конкретные речевые паттерны и логику мышления реального человека.
💡 Адаптация для личных решений
Контекст: Вместо бизнес-анализа применить к личным дилеммам (переезд, смена работы, крупная покупка).
Пример промпта:
Мне нужно решить: {описание дилеммы, например: переехать из Москвы
в Казань или остаться}
Дай два мнения:
- Агент А (сторонник переезда): все аргументы ЗА переезд
- Агент Б (сторонник остаться): все аргументы ПРОТИВ переезда
РАУНД 1 (CL=0.9): Критикуйте агрессивно, ищите слабости в логике
оппонента. Приводите конкретные примеры и цифры (стоимость жизни,
зарплаты, качество среды).
РАУНД 2 (CL=0.7): Агент А — признай 2 сильных риска от Б.
Агент Б — признай 2 реальных возможности от А.
РАУНД 3 (CL=0.5): Синтезируйте:
1. При каких условиях переезд имеет смысл?
2. При каких условиях лучше остаться?
3. Какую информацию нужно собрать чтобы решить?Почему работает для личных решений: Большие личные решения часто страдают от emotional reasoning — мы ищем подтверждение тому что уже хотим сделать. Два контрастных агента заставляют проговорить обе стороны с конкретными аргументами, а не просто "хочу/не хочу".
Ресурсы
Оригинальная статья: Multi-Agent Collaborative Intelligence: Dual-Dial Control for Reliable LLM Reasoning (2025)
Авторы: Edward Y. Chang, Ethan Y. Chang
Аффилиация: Stanford University, University of Illinois Urbana-Champaign (UIUC)
Связанные работы упомянутые в исследовании:
- CRIT (Socratic evaluation protocol) — метод оценки аргументов через перекрёстные вопросы
- Liang et al. (2024) — фиксированная конфронтация в мультиагентных дебатах
- Wang et al. (2023) — Self-Consistency для LLM
- Mixture-of-Agents (Wang et al., 2024) — ансамблирование через слои агентов