Improving Role Consistency in Multi-Agent Collaboration via Quantitative Role Clarity

📄 arXiv: 2604.02770 📥 PDF

作者: Guoling Zhou, Wenpei Han, Fengqin Yang, Li Wang, Yingcong Zhou, Zhiguo Fu

分类: cs.AI

发布日期: 2026-04-06

💡 一句话要点

提出量化角色清晰度以解决多智能体协作中的角色一致性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 角色一致性 量化角色清晰度 轻量级微调 任务性能提升

📋 核心要点

  1. 现有方法在多智能体协作中常出现角色不遵守现象，导致智能体行为不一致，影响系统性能。
  2. 本文提出量化角色清晰度，通过构建角色分配矩阵和角色清晰度矩阵，来提高智能体的角色一致性。
  3. 实验结果显示，使用该方法后，角色越界率显著降低，任务成功率也有所提升，验证了方法的有效性。

📝 摘要（中文）

在大型语言模型驱动的多智能体系统中，角色不遵守（未能遵循分配角色的责任和约束）是主要的失败模式。为了解决这一问题，本文提出了一种量化角色清晰度的方法，以提高角色一致性。首先，构建角色分配矩阵，通过计算智能体行为轨迹与角色描述之间的语义相似度。然后，定义角色清晰度矩阵，并利用其作为轻量级微调过程中的正则化项，从而提高角色一致性和任务性能。实验结果表明，该方法显著降低了角色越界率，并提高了任务成功率。

🔬 方法详解

问题定义：本文旨在解决多智能体系统中角色不遵守的问题，现有方法未能有效确保智能体遵循其角色描述，导致行为不一致。

核心思路：通过构建角色分配矩阵和角色清晰度矩阵，量化智能体行为与角色描述之间的相似度，从而提高角色一致性。

技术框架：整体流程包括构建角色分配矩阵、计算角色清晰度矩阵，并在轻量级微调中使用该矩阵作为正则化项。主要模块包括角色分配、清晰度计算和微调过程。

关键创新：提出的量化角色清晰度方法是本研究的核心创新，与现有方法相比，能够更准确地量化角色一致性并进行有效的微调。

关键设计：在角色清晰度矩阵的构建中，使用了softmax函数和Frobenius范数来量化角色描述与行为轨迹的对齐程度，确保了模型的有效性和稳定性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，使用Qwen和Llama模型时，角色越界率分别从46.4%降至8.4%和43.4%降至0.2%，角色清晰度评分从0.5328提升至0.9097和0.5007提升至0.8530，任务成功率也有显著提升，验证了方法的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在多智能体协作的场景中，如智能客服、自动驾驶和机器人团队协作等领域。通过提高角色一致性，可以显著提升系统的整体性能和用户体验，未来可能推动智能体系统的更广泛应用。

📄 摘要（原文）

In large language model (LLM)-driven multi-agent systems, disobey role specification (failure to adhere to the defined responsibilities and constraints of an assigned role, potentially leading to an agent behaving like another) is a major failure mode \cite{DBLP:journals/corr/abs-2503-13657}. To address this issue, in the present paper, we propose a quantitative role clarity to improve role consistency. Firstly, we construct a role assignment matrix $S(\phi)=[s_{ij}(\phi)]$, where $s_{ij}(\phi)$ is the semantic similarity between the $i$-th agent's behavior trajectory and the $j$-th agent's role description. Then we define role clarity matrix $M(\phi)$ as $\text{softmax}(S(\phi))-I$, where $\text{softmax}(S(\phi))$ is a row-wise softmax of $S(\phi)$ and $I$ is the identity matrix. The Frobenius norm of $M(\phi)$ quantifies the alignment between agents' role descriptions and their behaviors trajectory. Moreover, we employ the role clarity matrix as a regularizer during lightweight fine-tuning to improve role consistency, thereby improving end-to-end task performance. Experiments on the ChatDev multi-agent system show that our method substantially improves role consistency and task performance: with Qwen and Llama, the role overstepping rate decreases from $46.4\%$ to $8.4\%$ and from $43.4\%$ to $0.2\%$, respectively, and the role clarity score increases from $0.5328$ to $0.9097$ and from $0.5007$ to $0.8530$, respectively, the task success rate increases from $0.6769$ to $0.6909$ and from $0.6174$ to $0.6763$, respectively.