Fact-Level Communication (REMAP): мультиагентный обмен компактными фактами вместо полных рассуждений

ШАГ 0: Каждый агент получает СВОЙ кусок данных (остальные куски у коллег)
ШАГ 1: Один запрос на агента → факт + источник + пробелы + 3 шага + вывод + ответ
        (карточка факта = факт + источник; остаётся неизменной весь процесс)
ШАГ 2: Каждому агенту отправляются карточки ВСЕХ коллег (не их рассуждения)
ШАГ 3: Агент обновляет рассуждение: чужие факты + своя память → новые шаги, вывод, ответ, пробелы
ШАГ 4: Ещё один раунд ШАГОВ 2–3. Итог — ответ большинства агентов

Каждый шаг — отдельный запрос. Шаги 1 и 3 можно оформить одним промптом-шаблоном.

Задача: Фонд хочет решить, покупать ли долю в сети кофеен «Зерно» (Казань, 14 точек). Данные разложены по трём источникам. Финансы — выгрузка из 1С. Аренда — договоры с торговыми центрами. Репутация — отзывы с Яндекс Карт и 2ГИС. Три агента (три чата или три субагента в Claude Code) видят каждый только свой кусок. Вопрос к ним общий.

Промпт (шаг 1, одинаковый для всех, меняется только блок данных):

Ты аналитик инвестфонда. Тебе доступен ТОЛЬКО твой кусок данных. 
Остальные куски у коллег.

Стоит ли покупать 30% сети кофеен «Зерно» (Казань, 14 точек) 
за 45 млн рублей? Ключевой критерий: окупаемость не дольше 4 лет.


[выгрузка из 1С: выручка и маржа по точкам за 24 месяца]



FACT: одно предложение — главный факт из ТВОИХ данных, важный для вопроса.
SOURCE: откуда факт (источник «Финансы 1С»).
GAPS: 1–3 пункта — чего тебе не хватает для окончательного вывода.
STEP_1, STEP_2, STEP_3: три шага рассуждения.
CONCLUSION: вывод одним предложением.
ANSWER: «покупать» / «не покупать» / «недостаточно данных».

Промпт (шаг 3, после получения карточек коллег):

Ты аналитик инвестфонда «Финансы 1С».

[тот же вопрос]
[те же данные]

[твои FACT, STEP_1–3, CONCLUSION с прошлого раунда]


[Карточка аналитика «Аренда»: FACT, SOURCE]
[Карточка аналитика «Репутация»: FACT, SOURCE]


Обнови рассуждение с учётом фактов коллег. Выдай тот же формат: 
STEP_1–3, CONCLUSION, ANSWER, а также обновлённые GAPS.

Результат: После первого шага каждый агент выдаёт короткую карточку, где видно, что он знает и чего ему не хватает. Агент по финансам, скорее всего, укажет пробел «не знаю условий аренды». После второго шага он учтёт чужие факты и обновит шаги, вывод и список пробелов. После двух раундов у вас три согласованных ответа. Итог — ответ большинства. Ожидайте, что вывод будет опираться на факты из всех трёх источников, а не только на «свой».

Слабость. Если раздать трём агентам разные куски данных, каждый делает вывод по своему куску. Дорабатывать собственный ответ бесполезно: новой информации не появляется. Если же агенты шлют друг другу целые рассуждения, получатель тонет в тексте, теряет нить и может «забыть» то, что знал.

Сильная сторона LLM. Модель хорошо встраивает короткие, чётко оформленные факты в собственное рассуждение. Когда она сама формулирует, чего ей не хватает, она точнее замечает, что нужное нашлось у коллеги.

Как метод использует это. Карточка — это самое ценное из рассуждения агента без лишнего. Явное поле GAPS заставляет модель сформулировать недостающее. Получатель обновляет рассуждение с опорой на свою память, а не переписывает с нуля.

Рычаги управления: - Что рассылать (все карточки / только подходящие под пробел) → меньше шума и токенов, но риск, что полезный факт не дойдёт. - Число раундов (в статье 2) → больше раундов даёт больше шансов собрать факты, но и больше токенов. - Инструкция «сохрани свои выводы» → защита от потери локального знания (в статье такие варианты — GAP-MAS с инструкциями удержания). - Состав команды → сильные и слабые агенты получают от общения разное: слабые, как правило, выигрывают больше, получая факты от сильных.

{роль_агента}. Тебе доступен ТОЛЬКО твой кусок данных. 
Остальное у коллег.

{общий_вопрос_и_критерий}


{данные_этого_агента}



{свои_прошлые_FACT_STEPS_CONCLUSION_или_«нет, это первый раунд»}



{карточки_коллег_FACT_и_SOURCE_или_«нет, это первый раунд»}



Если PeerCards пусто — построй первичное рассуждение по своим данным.
Если PeerCards есть — встрои факты коллег в своё рассуждение, 
сверь с Memory и обнови.



FACT: {одно_предложение_главный_факт_из_моих_данных}
SOURCE: {откуда_факт}
GAPS: {1–3_пункта_чего_не_хватает}
STEP_1:
STEP_2:
STEP_3:
CONCLUSION:
ANSWER: {формат_ответа}

Что подставлять: - {роль_агента} — роль по источнику данных («аналитик по аренде»). - {данные_этого_агента} — только его кусок. Не давайте лишнего: смысл метода в распределённой информации. - {карточки_коллег} — копируйте только строки FACT и SOURCE от остальных агентов, без шагов и вывода. - {формат_ответа} — «да/нет/недостаточно данных», число, короткий вывод.

🚀 Быстрый старт — вставь в чат:

Вот шаблон мультиагентного обмена карточками фактов. Адаптируй под мою задачу: [твоя задача]. 
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит, какие у тебя источники данных и кто какую часть видит, какой общий вопрос и критерий решения, какой формат ответа нужен. Это нужно, чтобы правильно разрезать данные между ролями и сформулировать поле ANSWER. Она возьмёт паттерн из шаблона и соберёт промпты под твою задачу.

💡 Адаптация для субагентов в Claude Code: передавайте работу между субагентами не «простынёй» логов, а структурным блоком.

В CLAUDE.md или в описании субагента: «Результат возвращай строго в формате: FACT (одно предложение), SOURCE (файл или документ), GAPS (чего не хватает для решения). Не пересказывай ход рассуждений.»

🔧 Техника: добавить защиту локальных выводов → меньше «размывания»

В статье показано, что общение может ослаблять уже верные выводы агента. Добавьте в блок :

«Не отказывайся от своих выводов, пока факты коллег им прямо не противоречат. Если противоречие есть — назови его явно.»

🔧 Техника: сначала пробелы, потом рассылка → экономия токенов

Если агентов много и карточек много, попросите оркестратора (или себя) пересылать получателю только те факты, которые закрывают его GAPS. Так работает GAP-Transfer из статьи, только там отбор сделан моделью поиска. Учтите: такая избирательность даёт экономию, но может потерять нужный факт.

⚠️ Условие применимости: схема нужна, когда информация реально распределена между агентами. Если у всех одни и те же данные, общение почти ничего не даст.

⚠️ Тип задач: проверяли на вопросах «многошаговых» (ответ собирается из 3 связанных фактов). Для творческих, субъективных и открытых задач выводы не проверены.

⚠️ Искусственная постановка: доказательства делили по агентам специально. На одном из тестов результаты упёрлись в потолок (ответ либо 0%, либо 100%), поэтому величину эффекта в реальных задачах оценивать нельзя.

⚠️ Потеря своих выводов: общение может ослабить то, что агент уже знал. Мера защиты — отдельная инструкция, но её эффект тоже надо проверять на своих данных.

⚠️ Избирательная рассылка — компромисс: чем строже отбор, тем больше экономия, но тем выше риск не донести нужное. Лучшие настройки зависят от задачи.

⚠️ Смешанные команды: польза от смешения сильных и слабых моделей зависит от конкретной комбинации, универсального рецепта нет.

⚠️ Метрика недоступна читателю: REMAP требует NLI-модели и эталонных рассуждений. В чате это не воспроизвести. Практическая ценность — в схеме обмена, а не в метрике.

⚠️ Полные промпты в приложении: в доступном тексте нет дословных промптов, шаблон выше — реконструкция по описанию полей и логики.

Идея простая: дать трём агентам по одному кусочку доказательств и посмотреть, что даст общение. Каждому агенту выдали часть фактов для вопроса с тремя шагами вывода (бенчмарки MuSiQue и скорректированный 2Wiki). Сравнили два режима с одинаковыми данными и числом обновлений. В первом агент два раза дорабатывал свой ответ сам (self-refinement). Во втором получал ответы коллег (MAS). Разница между ними показывает вклад именно общения. Эталонные цепочки рассуждений строили по аннотациям датасетов, а совпадение с ними считала NLI-модель.

Проверяли семь семейств моделей (три закрытые, четыре с открытыми весами), три seed, доверительные интервалы получали бутстрепом. Прирост от общения оказался положительным почти везде, особенно на «чужих» фактах. Метрику проверяли независимо: считали, сколько нужных промежуточных фактов агент реально упомянул. Корреляция с этим оказалась сильнее (около 0,5–0,66 на двух моделях), чем с итоговой точностью ответа. Отсюда вывод: метрика действительно ловит передачу информации, а не только правильность ответа.

Удивило два результата. Во-первых, слабые агенты выигрывали от фактов сильных заметнее, чем наоборот. Во-вторых, общение иногда заметно портило «своё» рассуждение. Именно это подтолкнуло к компактным карточкам и к сравнению трёх способов рассылки: всем и всё, по пробелам через поиск, по решению маленькой модели с запасным вариантом. Для практики главный вывод такой: передавайте факты, а не рассуждения.

• Collective Emergent Alignment: Measuring and Amplifying Interaction-Induced Reasoning Alignment in Multi-Agent LLMs (препринт).
• Авторы: Boxuan Wang, Zhuoyun Li, Xiaowei Huang, Yi Dong (University of Liverpool); Sarvapali D. Ramchurn (University of Southampton).
• Бенчмарки: MuSiQue, 2WikiMultiHopQA. Близкие работы: Structured Alignment Score, ROSCOE, MultiAgentBench, MAST, Who&When.