Multi-Agent Debate: budowanie konsensusu poprzez dyskusję

Multi-Agent Debate to wzorzec architektury, w którym kilku agentów LLM niezależnie proponuje rozwiązania, krytykuje propozycje pozostałych i w ciągu kilku rund dochodzi do wspólnej odpowiedzi o wyższej jakości. Agent moderator lub krytyk kieruje dyskusją i podejmuje ostateczną decyzję. Wzorzec poprawia jakość rozumowania i zgodność z faktami za cenę znacznie wyższych kosztów i większego opóźnienia. Jest to więc narzędzie do zadań o wysokiej wartości i wrażliwych na błędy, a nie do rutynowych wolumenów.

• Co daje: kilku agentów produktywnie się ze sobą spiera, wykrywa błędy i ślepe punkty oraz poprawia swoje odpowiedzi, zamiast utrwalać pierwszą wersję roboczą.
• Ile kosztuje: według zgrubnych szacunków 3-6x więcej tokenów niż pojedynczy agent, przy większych konfiguracjach więcej, do tego wysokie opóźnienie, bo rundy przebiegają sekwencyjnie.
• Kiedy się opłaca: przy wymagającym rozumowaniu i wysokich wymaganiach co do zgodności z faktami (prawo, nauka, regulacje, weryfikacja twierdzeń); nie przy rutynowych zadaniach o dużym wolumenie.

Klasyfikacja: Debate jako wzorzec Evaluator-Optimizer

W taksonomii Anthropic z Building Effective Agents (grudzień 2024, Schluntz & Zhang) Multi-Agent Debate się nie pojawia. Można go jednak przypisać do wzorca workflow Evaluator-Optimizer, często nazywanego też Critic-Generator. Podstawowa forma jest prosta: agent generator proponuje rozwiązanie, a agent krytyk lub sędzia je ocenia i żąda poprawek. W rozszerzonej formie, której Anthropic nie opisuje, kilku równorzędnych agentów debatuje w trybie adwersaryjnym, a na końcu decyzję podejmuje moderator.

Kluczowym mechanizmem jest jawna, iteracyjna krytyka. W przeciwieństwie do pojedynczego agenta, który dostarcza swoją pierwszą sensownie brzmiącą odpowiedź, tutaj każda odpowiedź trafia do rozmówcy, który aktywnie szuka w niej słabości. Podejście to wspierają badania MIT i Google Brain nad Multi-Agent Debate (Du et al., 2023, ICML 2024), na których się opiera: ustrukturyzowana konfrontacja może ograniczyć błędy rozumowania i halucynacje, ponieważ to, co przeoczy jeden agent, wychwyci inny.

Ważne dla kontekstu B2B w Europie: Evaluator-Optimizer to jeden z siedmiu wzorców tej taksonomii, a Multi-Agent Debate można traktować jako jego rozszerzoną formę. Większość produkcyjnych „agentów” w 2026 roku to nadal albo pojedynczy LLM z narzędziami (Augmented LLM), albo pojedynczy agent w pętli narzędziowej (Autonomous Agent). Debate to świadoma eskalacja, a nie rozwiązanie domyślne.

Jak przebiega debata

Typowy przebieg Multi-Agent Debate wygląda następująco:

1. Runda propozycji: dwóch lub więcej agentów niezależnie odpowiada na to samo pytanie, najlepiej z różnymi promptami lub modelami, aby uzyskać różnorodność.
2. Runda krytyki: każdy agent otrzymuje propozycje pozostałych i konkretnie wskazuje słabości, błędy merytoryczne lub luki logiczne.
3. Runda poprawek: każdy agent poprawia swoją odpowiedź w świetle krytyki. Może to trwać przez kilka iteracji.
4. Konsensus/decyzja: agenci dochodzą do wspólnej odpowiedzi albo agent moderator/sędzia wybiera lub syntetyzuje ostateczne rozwiązanie.

Wartość powstaje w rundzie drugiej i trzeciej. Debata, w której nikt naprawdę się nie sprzeciwia, to tylko drogie Self-Consistency.

Relacja do Self-Consistency, ensemblingu i Mixture-of-Agents

Multi-Agent Debate jest często mylony z pokrewnymi metodami. Różnice mają znaczenie dla architektury i kosztów.

Self-Consistency generuje kilka niezależnych ścieżek odpowiedzi tego samego modelu i większością głosów wybiera najczęstszą odpowiedź. Przebiegi nic o sobie nie wiedzą: nie ma dyskusji, jest tylko agregacja przez głosowanie.

Mixture-of-Agents (MoA) to równoległy ensemble kilku modeli LLM z agregatorem, który syntetyzuje odpowiedzi. Praca referencyjna Together AI (Wang et al., arXiv:2406.04692, ICLR 2025 Spotlight) pokazuje, że warstwowa konfiguracja MoA złożona z modeli open source przewyższyła GPT-4 Omni w AlpacaEval 2.0 (65,1% wobec 57,5%). MoA jednak tylko agreguje: modele nie krytykują się nawzajem iteracyjnie.

Multi-Agent Debate wykracza poza oba podejścia: agenci widzą propozycje pozostałych, wprost je krytykują i poprawiają swoje odpowiedzi w ciągu kilku rund. Jest to metoda dyskursywna i iteracyjna, a nie tylko oparta na głosowaniu czy agregacji.

Mnożniki kosztów dla MoA (4-8×) i Debate (3-6×) to zgrubne szacunki dla małych konfiguracji (stan na 2026 rok), które rosną wraz z liczbą modeli, agentów i rund; mnożnik ~N× dla Self-Consistency wynika bezpośrednio z liczby próbkowanych ścieżek. Dla decyzji oznacza to: Self-Consistency to najtańszy sposób na poprawę jakości, MoA wnosi różnorodność modeli, a Debate jest jedyną metodą z prawdziwą wzajemną korektą, ale też tą o największym opóźnieniu, ponieważ każda runda musi bazować na poprzedniej.

Kiedy Debate naprawdę poprawia jakość

Multi-Agent Debate to wzorzec quality-bound, a nie latency-bound. Odpowiednie obszary zastosowań to przede wszystkim:

• Bardzo wrażliwe zadania wymagające rozumowania, w których jakość jest ważniejsza niż koszty
• Przygotowywanie memorandów prawnych
• Pisanie tekstów naukowych i dokumentów regulacyjnych
• Weryfikacja twierdzeń marketingowych pod kątem poprawności i zgodności z przepisami

Wspólny mianownik: błędna odpowiedź jest kosztowna, a zadanie zyskuje na tym, że drugi punkt widzenia podważa pierwszy. Zgodność z faktami się poprawia, ponieważ agent krytyk może oznaczyć niepoparte dowodami twierdzenia, zanim trafią do odpowiedzi końcowej.

Kiedy lepiej zrezygnować: przy rutynowych przepływach pracy o dużym wolumenie. Jeśli na jedno zapytanie przypada trzy do sześciu razy więcej tokenów, a czas odpowiedzi wielokrotnie się wydłuża, jest to nie do obrony w standardowej obsłudze zgłoszeń, prostej klasyfikacji czy masowym generowaniu.

Tryby awarii i środki zaradcze

W praktyce kluczowe są trzy ryzyka:

• Mode Collapse: krytyk odruchowo się zgadza, zamiast wskazywać rzeczywiste słabości. Debata degeneruje się do drogiego echa.
• Komora echa: agenci wzajemnie wzmacniają fałszywą przesłankę, pochodzącą np. z wadliwego promptu agenta wiodącego. Środek zaradczy: zróżnicować subagentów za pomocą różnych modeli lub promptów (w stylu MoA) i wprowadzić jawną rolę krytyka.
• Reward hacking / eksplozja kosztów: jeśli krytyk jest jednocześnie źródłem danych treningowych, może nagradzać sam siebie; a bez limitu rund koszty tokenów gwałtownie rosną.

Do tego dochodzi ogólny tryb awarii systemów wieloagentowych, czyli kaskadowe błędy: jeśli jeden z agentów zmyśli fakt, moderator może przenieść go do ostatecznej odpowiedzi. Skutecznym środkiem zaradczym jest dedykowany agent weryfikator/sędzia z wyszukiwaniem ugruntowanym w źródłach i obowiązkowymi cytowaniami.

Przykładowa konfiguracja: weryfikacja twierdzeń z trzema agentami

Konkretna, realistyczna konfiguracja dla agencji, która chce sprawdzić, czy twierdzenie marketingowe znajduje oparcie w faktach:

```
Pytanie: "Czy twierdzenie 'wiodące rozwiązanie w regionie DACH' da się udowodnić?"

Runda 1: propozycja:
Agent A (model 1, prompt "optymistyczny"): wstępna ocena A
Agent B (model 2, prompt "sceptyczny"): wstępna ocena B

Runda 2: krytyka:
Agent A krytykuje B (brak źródeł?)
Agent B krytykuje A (niepoparte superlatywy?)

Runda 3: poprawki:
Agent A i agent B poprawiają odpowiedzi na podstawie krytyki

Zakończenie: weryfikator/moderator (model 3):

• sprawdza każde twierdzenie z użyciem wyszukiwania (obowiązkowe cytowanie)
• syntetyzuje ostateczną ocenę popartą źródłami
  ```

Przykładowe obliczenie rzędu wielkości: jeśli pojedynczy agent zużywa na to zadanie około 4000 tokenów, to już forma minimalna (jeden generator, jeden krytyk, jedna poprawka) kosztuje zgrubnie 3-6 razy więcej. Pokazana konfiguracja wymaga co najmniej siedmiu wywołań LLM, a od rundy 2 każdy agent dodatkowo przetwarza teksty drugiej strony. Daje to raczej od 7 do 10 razy więcej, czyli zgrubnie od 28 000 do 40 000 tokenów (szacunek własny, stan na 2026 rok). Przy pojedynczym, wartościowym twierdzeniu jest to do przyjęcia, przy 10 000 twierdzeń dziennie już nie. Właśnie ten próg, „czy dodatkowy nakład na jedną operację się opłaca?”, jest właściwą decyzją architektoniczną.

Wzorzec można wdrożyć bez budowania własnego rozwiązania: LangGraph odwzorowuje pętle Evaluator-Optimizer jako graf ze stanem, AutoGen obsługuje Group Chat z naprzemiennym zabieraniem głosu, a oba są dostępne na licencji MIT. AutoGen jest jednak w trybie utrzymania i nie otrzymuje już nowych funkcji. Jako następcę Microsoft wskazuje Microsoft Agent Framework.

Dla agencji i firm B2B

Dla agencji marketingowych i decydentów B2B w Europie przesłanie jest pragmatyczne: Multi-Agent Debate to precyzyjne narzędzie do wartościowych, wrażliwych na błędy rezultatów, a nie standardowa dźwignia dla każdego przepływu pracy. Typowe przypadki to weryfikacja twierdzeń i zgodności z przepisami, rzetelne teksty specjalistyczne oraz projekty dokumentów regulacyjnych. Kto z niego korzysta, powinien świadomie zestawić zużycie tokenów (w zależności od konfiguracji od 3 do 10 razy więcej niż w przypadku pojedynczego agenta) i większe opóźnienie z ryzykiem błędu, a także zawsze pracować ze zróżnicowanymi modelami i weryfikatorem, aby uniknąć komory echa i Mode Collapse. Blck Alpaca projektuje topologie agentów w taki sposób, aby głębia dyskusji pojawiała się tylko tam, gdzie się opłaca, z jasnymi limitami kosztów na operację i weryfikowalnymi źródłami dla każdego stwierdzenia. Jak wdrażamy takie systemy, opisujemy na stronie Integracja agentów AI.