arXiv cs.AI· Chun-Yu Hsu, Lun-Wei Ku, Chung-Chi Chen·· 3 天前AI 评分38
LLM 智能体链中的上游影响与下游再锚定
Upstream Influence, Downstream Re-Anchoring in LLM Agent Chains
AI 导读
研究发现，LLM 智能体工作流的信息架构——信源访问、交接格式、由哪个模型读取不可信内容——决定协同操纵能传递到终端用户的程度。
正文 · AI 翻译
摘要：人们依据 LLM 智能体产生的评价性判断采取行动，而在多智能体系统中，这些判断在到达人之前会经过多个智能体。我们表明，工作流的信息架构——来源访问、交接格式，以及由哪个模型读取不可信内容——决定了协同操纵有多少能到达终端。在 32 个台湾 2025 年罢免案例上，向一个智能体展示十条真实的 Threads 评论，会使其立场朝注入立场移动 $+0.171$，而一组镜像评论则使其朝相反方向移动。将该判断沿链条向下传递，到第三个智能体时超过一半的偏移被消除；让评论始终呈现在每个智能体面前则能保留更多偏移。这种减少并非传递过程中的损耗：每个接收者会根据其自身对证据的解读与继承立场之间的距离，按比例对该立场打折扣，回归到证据对该案例所暗示的结论，而非回归中立——这与部分重新锚定一致。交接格式是第二个杠杆：一个未附带其推理的立场被传递时会被大幅打折扣。暴露席位上的易感性在不同模型间相差四倍，而链条的排列方式则完全无关紧要。这些在记录中都不可见——注入的主张几乎从未被复述，因此推理轨迹审计会漏掉该攻击。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17723 [cs.AI] |
| （或使用 arXiv:2610.17723v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.17723 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chun-Yu Hsu [查看邮箱]
[v1]
2026 年 10 月 13 日星期二 04:57:25 UTC（232 KB）
来源：arXiv cs.AI · arxiv.org