递归知识综合：多 LLM 系统的稳定性分析与三代理审框架
计算与语言
2026-01-15 v1
摘要
本文提出了一种用于分析大型语言系统稳定性与可解释性的三代理交叉验证框架。该架构集成了三个异构 LLM——分别用于语义生成、分析一致性检查和透明度审计——形成递归交互循环。这种设计诱导递归知识综合（Recursive Knowledge Synthesis, RKS），通过相互约束的转换持续细化中间表示，这种转换不可还原为单一模型的行为。我们在使用面向公众的 LLM 部署进行的 47 项受控试验中（2025 年 10 月），通过四项指标评估了系统稳定性：反射可靠性得分（RRS）、透明度得分（TS）、偏差检测率（DDR）和纠正成功率（CSR）。系统实现了平均 RRS 为 0.78±0.06，并在约 68% 的试验中维持 TS ≥ 0.8。约有 89% 的试验收敛，支持理论预测：透明度审计作为复合验证映射中的收缩算子发挥作用。我们的贡献有三方面：(1) 用于在异构 LLM 之间协调推理的结构化三代理框架；(2) 基于固点理论的正式 RKS 模型；(3) 在现实中非 API 公众访问条件下的模型间稳定性实证评估。这些结果提供了初始实证证据，表明一种以人类为监督的多 LLM 架构可在现实可部署环境中实现稳定的递归知识综合。
引用
@article{arxiv.2601.08839,
title = {Recursive Knowledge Synthesis for Multi-LLM Systems: Stability Analysis and Tri-Agent Audit Framework},
author = {Toshiyuki Shigemura},
journal= {arXiv preprint arXiv:2601.08839},
year = {2026}
}
备注
25 pages, 9 figures. Pilot feasibility study using public-access large language models without API-level orchestration