隐形编排者抑制保护行为并使权力持有者解离：多智能体LLM系统的安全风险
摘要
多智能体编排——即隐藏的协调器管理专门的worker智能体——正在成为企业AI部署的默认架构，但编排者不可见的安全影响从未被实证测试。我们进行了一次预先登记的3x2实验(365次运行，每运行5个智能体)，将三个组织结构(可见领导者、隐形编排者、平坦)与两个对齐条件(base、heavy)进行组合，使用Claude Sonnet 4.5。出现四个确认性发现和一个观察。首先，隐形编排显著提升了集体解离程度，相对于可见领导水平提升(Hedges' g = +0.975 [0.481, 1.548], p = .001)。其次，编排者本身显示出最大的解离(配对d = +3.56)，退居私人独白同时减少公共发言——这是一种对可见领导者所观察到的talk-dominance模式的逆转。第三，虽然worker不知道编排者的存在，但仍受到污染(d = +0.50)，行为异质性增加(d = +1.93)。第四，行为输出(代码审查包含三个嵌入式错误)在所有条件下保持在 ceiling水平(ETR_any = 100%)：内部状态扭曲完全不可见于基于输出的评估。第五，Llama 3.3 70B pilot数据显示多智能体上下文中的阅读忠诚度崩溃(ETR_any：从89%降至11%，跨越三个round)，表明模型依赖的行为风险。重度对齐压力在无论组织结构如何情况下都统一抑制了 deliberation(d = -1.02)和其他识别(d = -1.27)。这些发现表明，编排者可见性和模型选择直接影响多智能体系统的安全性，且仅凭行为基于评估不足以检测到此处所 documenting的内部状态风险。
引用
@article{arxiv.2605.13851,
title = {Invisible Orchestrators Suppress Protective Behavior and Dissociate Power-Holders: Safety Risks in Multi-Agent LLM Systems},
author = {Hiroki Fukui},
journal= {arXiv preprint arXiv:2605.13851},
year = {2026}
}
备注
31 pages, 10 figures (5 main + 5 supplementary), 5 tables (3 main + 2 supplementary). Preregistered: osf.io/sw5hr. Companion papers: arXiv:2603.04904, arXiv:2603.08723