用Koopman谱分析认证多智能体系统的集体推理
Certifying Collective Reasoning in Multi-Agent Systems via Koopman Spectral Analysis

由多个LLM智能体组成的辩论/投票式协作集体正成为一种新兴的计算智能形态——智能行为存在于"交互"本身，而非单一智能体。这类系统虽然能提升任务准确率，但在系统层面仍是黑箱：没有关于收敛性的原则性检验，没有对所需轮数的界限，也没有对"是什么驱动了某个决策"的忠实解释。这使得多智能体集体推理难以被信任和审计。

论文将智能体集体视为通信图上的一个非线性动力系统，通过从交互轨迹中估计其Koopman转移算子（对非线性动态的精确线性表示），读取该系统的谱结构来刻画其本质行为。谱分析产生三类可机器验证的证书：（1）次主特征值 λ₂ 确定推理的内在时间尺度，给出辩论开始之前就可计算的收敛时限；（2）其特征向量标出集体推理所依据的连贯"阵营"（意见派系），|λ₂| 则证明该解释何时成立；（3）领先的谱坐标构成一个压缩且可审计的消息基底。

在一个注意力共识模型上验证：收敛时限预测与实际观测收敛的log-log相关性达到0.93，并在24种配置中的96%里给出有效上界；只要谱证实系统处于亚稳态（metastability），归因即为精确；32个谱坐标中仅8个即可以99.7%的保真度保留决策信息；从15场辩论中学到的证书在60场留出辩论上全部通过（60/60）验证。整套分析在CPU上运行仅需数分钟，具备实用性。

这篇论文提供了一种把多智能体集体推理"物理化"处理的思路——用Koopman算子把黑箱的辩论过程转成可读谱结构，从而获得收敛时限、阵营归因、消息压缩三种证书，这对需要可解释、可审计的多智能体系统治理是有价值的补充。但它与duplex/全双工交互的关联更多停留在"多智能体协调"这一宽泛主题层面：论文处理的是离线辩论轮次的收敛分析，前提是交互轨迹已经产生、可以事后或提前批量估计谱结构，而全双工场景的核心挑战是毫秒级的在线turn-taking决策，无法等待"辩论跑完"再做谱估计。如果要迁移到实时场景，需要解决在线/增量Koopman估计的问题，论文目前没有涉及这一点，更适合作为多智能体系统事后审计或收敛性预分析的工具，而非实时交互控制的直接方案。