Resumen: los sistemas de múltiples agentes (MAS) alimentados por modelos de idiomas grandes (LLM) tienen una promesa significativa para resolver tareas complejas de toma de decisiones. Sin embargo, el proceso central de toma de decisiones colaborativas (CDM) dentro de estos sistemas permanece subexplorado. Los enfoques existentes a menudo se basan en estrategias “ dictatoriales ”que son vulnerables a los sesgos cognitivos de un solo agente o métodos` `basados en votación” que no aprovechan completamente la inteligencia colectiva. Para abordar estas limitaciones, proponemos TextBF {AgentCDM}, un marco estructurado para mejorar la toma de decisiones colaborativas en los sistemas de múltiples agentes basados en LLM. Inspirándose en el análisis de las hipótesis competidoras (ACH) en la ciencia cognitiva, AgentCDM introduce un paradigma de razonamiento estructurado que mitiga sistemáticamente los sesgos cognitivos y cambia la toma de decisiones de la selección de respuestas pasivas a la evaluación y la construcción de la hipótesis activa. Para internalizar este proceso de razonamiento, desarrollamos un paradigma de capacitación en dos etapas: la primera etapa utiliza andamios explícitos inspirados en ACH para guiar el modelo a través del razonamiento estructurado, mientras que la segunda etapa elimina progresivamente este andamio para fomentar la generalización autónoma. Los experimentos en múltiples conjuntos de datos de referencia demuestran que AgentCDM logra un rendimiento de última generación y exhibe una fuerte generalización, validando su efectividad para mejorar la calidad y la solidez de las decisiones colaborativas en MAS.
Publicado Originalme en export.arxiv.org El 18 de agosto de 2025.
Ver Fuente Original
