从辩论到协商：基于类型认知行为的结构化集体推理

多智能体 LLM 系统越来越多地处理复杂推理，但其交互模式仍局限于投票、非结构化辩论或管道编排。没有模型化协商：一种分阶段过程，其中不同参与者交换类型化的推理动作，保留分歧，并在可解释的结果上收敛。我们引入 Deliberative Collective Intelligence (DCI)， specifying 四种推理原型、14 种类型认知行为、共享工作区以及 DCI-CF，这是一种保证以结构化决策数据包收敛的算法，数据包包含所选选项、残余异议、少数派报告以及重新开启条件。我们在七个领域的 45 个任务上进行评估，使用 Gemini 2.5 Flash。在非例常任务 (n=40) 上，DCI 相对于非结构化辩论提升显著 (+0.95, 95% CI [+0.41, +1.54])。DCI 在需要视角集成的隐藏配置任务上表现突出 (9.56)，而在例常决策任务上则表现较差 (5.39)，确认任务依赖性。DCI 产生 100% 的结构化决策数据包和 98% 的少数派报告，而所有基线方法中均不存在这些 artifact。然而，DCI 消耗约 62 倍单智能体 token，单智能体生成在整体质量上优于 DCI。DCI 的贡献不在于更多智能体更好，而是在在程序可解释性正当化成本时，具有决策结构的协商式决策获益。