--- title: "Multi-Agent Debate (VI)" source: "https://systems-analysis.info/int/Multi-Agent_Debate_(VI)" wiki: "systems-analysis.info/int" article: "Multi-Agent_Debate_(VI)" language: "vi" categories: - "Category:AI Agents" - "Category:Large language models" - "Category:Machine learning" - "Category:Vietnamese" revision_id: 4648 wiki_created_at: 2026-09-06T23:37:58Z wiki_modified_at: 2026-09-06T23:37:58Z downloaded_at: 2026-09-07T23:03:47Z --- # Multi-Agent Debate (VI) **Tranh luận đa tác nhân** (tiếng Anh: multi-agent debate) – một phương pháp trong lĩnh vực **mô hình ngôn ngữ lớn** (**LLM**), trong đó nhiều **tác nhân** tương tác với nhau (các phiên bản của mô hình ngôn ngữ) cùng nhau thảo luận về cách giải quyết một nhiệm vụ nhất định, trao đổi các lập luận và các phương án trả lời. Mục tiêu của quá trình này là tập thể đưa ra câu trả lời chính xác và có căn cứ nhất cho câu hỏi được đặt ra. Phương pháp này dựa trên ý tưởng **«xã hội của các trí tuệ»**, nơi các mô hình khác nhau kiểm tra và bổ sung cho kết luận của nhau[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Các nghiên cứu đã chỉ ra rằng thảo luận đa tác nhân cho phép **nâng cao đáng kể độ chính xác và độ tin cậy** của các câu trả lời so với việc tạo ra câu trả lời bằng một phương pháp duy nhất: câu trả lời cuối cùng thu được sau khi các tác nhân tranh luận thường có độ chính xác thực tế cao hơn và xử lý tốt hơn các nhiệm vụ đòi hỏi lập luận[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Đặc biệt, có thể quan sát thấy sự giảm thiểu số lượng **ảo giác** (các «sự kiện» không tồn tại) và tăng kết quả trong các bài kiểm tra phức tạp khi sử dụng chiến lược này[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Ý tưởng thu hút nhiều AI tham gia tranh luận bắt nguồn từ các công trình nghiên cứu về an toàn trí tuệ nhân tạo. Vào năm 2018, một nhóm các nhà nghiên cứu tại OpenAI (G. Irving, P. Christiano, D. Amodei) đã đề xuất khái niệm **AI safety via debate** – huấn luyện các tác nhân thông qua các cuộc tranh luận đối kháng, trong đó hai đối thủ mô hình lần lượt đưa ra các lập luận ngắn gọn, còn một giám khảo là con người quyết định ai trong số họ đã trình bày thông tin trung thực và hữu ích hơn[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-ai-safety-2). Người ta cho rằng với chiến lược tối ưu, những cuộc tranh luận như vậy sẽ cho phép AI trả lời các câu hỏi cực kỳ phức tạp, chỉ yêu cầu giám khảo đánh giá độ tin cậy của các lập luận[\[2\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-ai-safety-2). Trong những năm tiếp theo, khi các LLM mạnh mẽ xuất hiện, nguyên tắc tranh luận giữa các mô hình bắt đầu được áp dụng trực tiếp để cải thiện chất lượng câu trả lời của chính các mô hình – không còn cần sự tham gia bắt buộc của con người nữa, mà với việc lựa chọn giải pháp tốt nhất một cách tự động. Các hệ thống LLM đa tác nhân hiện đại sử dụng hội thoại giữa các bản sao hoặc các mô hình khác nhau để sửa lỗi của nhau và cùng nhau đi đến kết quả có căn cứ hơn. ## Quy trình thảo luận đa tác nhân Trong kịch bản tranh luận đa tác nhân, một số mô hình tác nhân cùng làm việc song song trên một nhiệm vụ. Thông thường, ban đầu mỗi tác nhân được cung cấp câu hỏi hoặc nhiệm vụ ban đầu, sau đó mỗi tác nhân **tự tạo ra câu trả lời của riêng mình một cách độc lập**. Tiếp theo là một loạt các vòng giao tiếp giữa các tác nhân: trong mỗi vòng, tất cả những người tham gia trao đổi các giải pháp hiện tại của mình, và mỗi tác nhân nhận được câu trả lời của những người khác như một ngữ cảnh bổ sung, dựa vào đó tác nhân **tinh chỉnh hoặc cải thiện câu trả lời của mình** trong vòng tiếp theo[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Chu kỳ như vậy tiếp tục trong một số lần lặp (thường là một số vòng cố định hoặc cho đến khi đạt được sự đồng thuận rõ ràng), sau đó quá trình dừng lại và đưa ra **câu trả lời cuối cùng**. Các cuộc tranh luận mô phỏng cuộc thảo luận của con người, cho phép các mô hình phê bình câu trả lời của nhau và kết hợp các kỹ năng lập luận của mình để nâng cao chất lượng giải pháp[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Ví dụ, **Yilun Du** và các đồng nghiệp (MIT và Google Brain) trong các thí nghiệm đã sử dụng 3 phiên bản của mô hình ngôn ngữ, thảo luận về vấn đề trong 2 vòng (số vòng lớn hơn bị hạn chế do chi phí thời gian và tính toán); đã được chứng minh rằng ngay cả với cuộc đối thoại hạn chế như vậy, các câu trả lời cuối cùng trở nên tốt hơn đáng kể, và khi tăng số lượng tác nhân hoặc vòng, độ chính xác tiếp tục tăng (mặc dù với lợi nhuận giảm dần)[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Quy trình tranh luận đa tác nhân được thực hiện hoàn toàn ở giai đoạn suy luận (inference) bằng cách sử dụng các prompt đặc biệt để tổ chức hội thoại giữa các mô hình đã được huấn luyện. Điều này có nghĩa là **phương pháp này không yêu cầu fine-tuning** các LLM và có thể được áp dụng ngay cả với các «hộp đen» - chỉ cần có quyền truy cập vào việc tạo văn bản của các mô hình và điều phối giao tiếp của chúng theo một template được xác định trước[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Để xác định câu trả lời cuối cùng sau một số vòng, các phương pháp tiếp cận khác nhau được sử dụng. Một trong những cơ chế đơn giản nhất là **bỏ phiếu**: các tác nhân có thể cuối cùng đề xuất độc lập các giải pháp cuối cùng của mình, sau đó phương án được hỗ trợ bởi đa số trong số họ được chọn (hoặc, ví dụ, câu trả lời xuất hiện thường xuyên nhất)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Một phương pháp khác - yêu cầu **đồng thuận**, tức là tiếp tục thảo luận cho đến khi tất cả các mô hình đi đến cùng một câu trả lời[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Cuối cùng, một **tác nhân giám khảo** riêng biệt có thể được sử dụng: hoặc là một mạng nơ-ron riêng biệt được đào tạo để đánh giá câu trả lời, hoặc một trong các tác nhân được trao chức năng trọng tài. Giám khảo quan sát quá trình thảo luận và chọn lập luận nào thuyết phục hoặc chính xác nhất[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Việc lựa chọn cơ chế ra quyết định ảnh hưởng đến các đặc điểm của hệ thống: bỏ phiếu hoặc đồng thuận đơn giản để thực hiện, nhưng có thể cố định các lỗi nhóm, trong khi bộ đánh giá giám khảo (đặc biệt là được đào tạo để xác định câu trả lời đúng) về mặt lý thuyết có thể tách ra giải pháp đúng ngay cả khi có mâu thuẫn giữa các tác nhân. Tuy nhiên, phương pháp giám khảo cũng có những khó khăn – ví dụ, nếu mô hình tương tự đóng vai trò giám khảo như các tham gia viên, nó có thể vô tình **thiên vị** phong cách lập luận quen thuộc của một trong các tác nhân[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). ## Các biến thể cấu hình tác nhân và giao tiếp Các hệ thống đa tác nhân với LLM có thể khác nhau về thành phần và cách thức tương tác của các tác nhân. **Cấu hình đồng nhất** giả định rằng tất cả các tác nhân là bản sao của cùng một mô hình (hoặc các mô hình có cùng cấp độ), trong khi **cấu hình không đồng nhất** bao gồm các mô hình khác nhau về loại hoặc kích thước. Trong trường hợp đồng nhất, tất cả những người tham gia có khả năng tương đương, và bất đồng của họ sẽ chỉ phát sinh do việc tạo câu trả lời ngẫu nhiên hoặc các điều kiện ban đầu khác nhau (ví dụ, sự khác biệt trong prompt). Trong phương pháp không đồng nhất, có thể sử dụng đồng thời các mô hình mạnh và yếu, điều này có khả năng cho phép một số tác nhân bù đắp cho những thiếu sót của người khác. Vì vậy, các nghiên cứu chỉ ra rằng **tương tác của các LLM khác nhau dẫn đến việc các mô hình yếu hơn cải thiện giải pháp của chúng, nhận phản hồi từ các mô hình mạnh hơn**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Một ví dụ điển hình là cuộc tranh luận chung giữa các mô hình ngôn ngữ **ChatGPT (GPT-4)** và **Google Bard** khi giải một bài toán văn: mỗi mô hình trong số đó riêng lẻ đưa ra câu trả lời sai, tuy nhiên trong quá trình thảo luận **chúng đã có thể chỉ ra lỗi cho nhau và cuối cùng thống nhất về giải pháp đúng**, sử dụng những điểm mạnh của mỗi bên[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Đồng thời, tính không đồng nhất cũng mang lại rủi ro: sự mất cân bằng đáng kể về khả năng có thể dẫn đến sự thống trị của một mô hình, và nếu đa số các tác nhân có một quan niệm sai lầm chung hoặc bias sai, các cuộc tranh luận có thể **nhanh chóng hội tụ về một câu trả lời duy nhất nhưng sai** — hiện tượng này được gọi là hiệu ứng **«buồng vọng»**[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Phân tích lý thuyết (Estornell & Liu, NeurIPS 2024) cho thấy rằng với các mô hình rất giống nhau, cuộc tranh luận có thể tắt dần trong một động lực tĩnh, khi tất cả những người tham gia lặp lại ý kiến của đa số, ngay cả khi nó dựa trên một lỗi chung trong dữ liệu của họ[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Do đó, trong các hệ thống không đồng nhất, việc lựa chọn cẩn thận các tác nhân là quan trọng — ví dụ, các mô hình có cùng mức độ kiến thức được chọn, để không có mô hình nào thống trị và không dẫn những người khác đến sai lầm[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Một khía cạnh khác là **cấu trúc giao tiếp** giữa các tác nhân. Trong các triển khai cơ bản, **topo kết nối đầy đủ** được sử dụng: trong mỗi vòng, mỗi tác nhân nhận được câu trả lời của tất cả những người khác. Việc trao đổi «mỗi người với tất cả» như vậy tối đa hóa thông tin có sẵn, nhưng tạo ra chi phí đáng kể — khối lượng ngữ cảnh tăng tỷ lệ thuận với số lượng tác nhân, điều này làm nặng nề các tính toán. Một giải pháp thay thế là **topo thưa thớt**, giới hạn tác nhân nào trao đổi dữ liệu trực tiếp với nhau. Ví dụ, các tác nhân có thể được sắp xếp dưới dạng đồ thị mạng (vòng, cây, v.v.), nơi mỗi tác nhân chỉ nhận được câu trả lời từ các tác nhân hàng xóm của mình. Nghiên cứu của Google (Li et al., 2024) phát hiện ra rằng **giới hạn kết nối của mạng tác nhân có thể giảm đáng kể chi phí tạo ra mà không làm giảm, đôi khi còn cải thiện chất lượng** giải pháp so với cuộc thảo luận kết nối đầy đủ[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Trong các thí nghiệm với các mô hình GPT-3.5 và Mistral, sơ đồ thưa thớt về các cuộc thảo luận «láng giềng» đã cho độ chính xác tương đương hoặc cao hơn trên các nhiệm vụ (bao gồm cả toán học), đồng thời giảm số lượng token ngữ cảnh trung bình trên mỗi bước xuống một bậc[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Kết quả này chỉ ra rằng **trao đổi tin nhắn dư thừa không phải lúc nào cũng cần thiết** – chỉ cần tổ chức đúng cách các tương tác chính giữa các tác nhân là đủ để chúng đi đến giải pháp đúng với chi phí thấp hơn. Ngoài topo, có thể có các **định dạng tranh luận** khác nhau. Ví dụ, một số tác nhân có thể được giao các **vai trò** khác nhau: một số đóng vai «người tạo ra ý tưởng», những người khác – «nhà phê bình» hoặc «người kiểm tra» giải pháp[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Phương pháp theo vai như vậy cố gắng mô phỏng sự phân công lao động, nơi mỗi tác nhân chuyên về một nhiệm vụ nhất định (ví dụ, một người đề xuất giả thuyết, người thứ hai kiểm tra sự kiện, người thứ ba đánh giá tính nhất quán logic). Một biến thể khác là **thảo luận lần lượt** (round-robin): các tác nhân không phát biểu đồng thời mà lần lượt theo thứ tự, thay đổi nhau trong vai trò người phát biểu và người phản hồi theo thứ tự cố định[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Điều này tương tự như các cuộc tranh luận chính thức, nơi lời nói được dành cho những người tham gia theo quy trình, điều này có thể đảm bảo sự tham gia bình đẳng của tất cả các tác nhân. Một phương pháp khác – **điều chỉnh động về bất đồng**: hệ thống có thể đặc biệt tăng cường hoặc giảm mức độ không đồng ý giữa các câu trả lời của tác nhân trong mỗi vòng[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Ví dụ, có thể khuyến khích để ở các giai đoạn đầu các câu trả lời phân kỳ tối đa (để bao phủ các giả thuyết khác nhau), và khi tiến gần đến phần cuối chúng hội tụ lại. Cơ chế như vậy được đề xuất trong công trình của Chang (2024) để ngăn chặn sự đồng thuận sớm: nó duy trì **mức độ mâu thuẫn vừa phải** giữa các tác nhân, kích thích sự xuất hiện của các lập luận mới và thảo luận sâu hơn[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). ## Ưu điểm và hiệu quả của phương pháp Các cuộc tranh luận đa tác nhân đã thu hút sự chú ý nhờ khả năng **nâng cao hiệu suất** của các mô hình ngôn ngữ trên các nhiệm vụ phức tạp. Nhiều nghiên cứu độc lập trong giai đoạn 2023-2024 đã xác nhận rằng **một nhóm LLM tương tác có thể vượt trội về chất lượng câu trả lời so với một mô hình đơn lẻ** làm việc trên cùng một nhiệm vụ. Đặc biệt, đã thấy được những cải tiến trong các lĩnh vực đòi hỏi lập luận phức tạp: từ tính toán toán học đến lập trình và tóm tắt văn bản. Vì vậy, Yin và cộng sự (2023), Chan và cộng sự (2023), Chen và cộng sự (2024) và những người khác lưu ý rằng các hệ thống đa tác nhân tự tin vượt trội so với các LLM đơn lẻ trong các bài toán số học, tạo mã và thậm chí trong việc tạo ra các bản tóm tắt ngắn gọn của tài liệu[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Lý do – **đa dạng quan điểm**: mỗi tác nhân có thể nhận ra các chi tiết hoặc lỗi mà những người khác bỏ lỡ, và cung cấp phản hồi cho đồng nghiệp. Sự phê bình lẫn nhau và trao đổi các giả thuyết khác nhau dẫn đến việc xem xét nhiệm vụ toàn diện hơn[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4), nhờ đó câu trả lời cuối cùng trở nên chính xác và đáng tin cậy hơn. Ví dụ, các nhà nghiên cứu từ MIT và Google Brain do Yilun Du dẫn đầu đã trình bày tại ICML 2024 bài báo «Improving factuality and reasoning in language models through multiagent debate», trong đó họ chứng minh **sự cải thiện đáng kể về chất lượng giải pháp** khi thêm các cuộc tranh luận giữa ba phiên bản của mô hình[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Theo kết quả của họ, quy trình thảo luận đa tác nhân cho phép đạt được các chỉ số cao hơn trong một số nhiệm vụ so với việc sử dụng đơn lẻ thông thường của cùng một mô hình: **độ chính xác trong việc giải quyết các bài toán toán học và chiến lược đã tăng lên**, còn **số lỗi thực tế đã giảm**[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Đặc biệt, phương pháp đa tác nhân đã cải thiện kết quả của mô hình trong các bài kiểm tra về lập luận toán học, kiểm tra sự kiện và thậm chí trong các nhiệm vụ đòi hỏi lập kế hoạch chiến lược[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Các tác giả lưu ý rằng «câu trả lời cuối cùng được tạo ra sau cuộc thảo luận nhiều vòng như vậy, trở nên vừa chính xác hơn về mặt thực tế, vừa thành công hơn trong việc giải quyết các nhiệm vụ lập luận»[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Dưới đây là minh họa so sánh độ chính xác thực hiện các nhiệm vụ khác nhau của mô hình khi làm việc một mình và khi sử dụng các cuộc tranh luận đa tác nhân. So sánh độ chính xác trên một số nhiệm vụ cho việc tạo ra bởi một người dùng (màu xanh lam) và cho chế độ tranh luận đa tác nhân (màu đỏ). Phương pháp đa tác nhân (multi-agent debate) cho thấy độ chính xác cao hơn trong các lĩnh vực khác nhau, bao gồm các câu hỏi thực tế (tiểu sử), bài kiểm tra kiến thức MMLU, kiểm tra tính đúng đắn của nước đi cờ vua, giải các biểu thức số học, các bài toán văn toán học cấp trường học (GSM8K) và tìm nước đi cờ vua tối ưu[\[1\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-composable-llm-debate-1). Theo dữ liệu đồ thị, các cuộc tranh luận đặc biệt tăng cường khả năng của mô hình trong các nhiệm vụ chiến lược phức tạp (ví dụ, tìm kiếm nước đi tối ưu trong cờ vua) và đáng kể giảm tỷ lệ lỗi trong các tính toán toán học và các câu hỏi về kiến thức thực tế. Một ưu điểm khác của phương pháp đa tác nhân là **khắc phục những hạn chế của tự kiểm tra** đơn lẻ của mô hình. Các LLM đơn lẻ thường sử dụng kỹ thuật self-reflection (tự phản ánh), khi mô hình tự đánh giá và sửa chữa câu trả lời ban đầu của mình. Tuy nhiên, người ta phát hiện ra rằng phương pháp như vậy có xu hướng gặp phải vấn đề «degeneration-of-thought» — sự suy thoái của tư duy: nếu mô hình đã tin vào câu trả lời ban đầu, khi tự kiểm tra nó sẽ không tạo ra các ý tưởng về cơ bản mới, ngay cả khi giải pháp ban đầu sai[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Nói cách khác, **mô hình có xu hướng bị mắc kẹt ở giải pháp đầu tiên mà nó nghĩ ra, bác bỏ các giải pháp thay thế**[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Các cuộc tranh luận đa tác nhân giúp loại bỏ hiệu ứng này: một số tác nhân bình đẳng ban đầu có thể đề xuất các giả thuyết khác nhau và sau đó nhất quán phản bác lập luận của nhau, điều này kích thích việc tìm kiếm những hướng tư duy phi truyền thống. Tian Liang và các đồng nghiệp (EMNLP 2024) đã đặt tên cho sơ đồ đa tác nhân của mình là **MAD (Multi-Agent Debate)** và cho thấy rằng nó thực sự **khuyến khích tư duy phân kỳ (đa dạng)** của các mô hình và cải thiện kết quả trong các nhiệm vụ đòi hỏi giải quyết vấn đề sâu sắc[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Trong triển khai của họ, một số tác nhân tranh luận theo nguyên tắc «ăn miếng trả miếng» (mỗi người lần lượt phản biện lập luận của người khác), còn trên quá trình có một giám khảo hỗ trợ, quản lý cuộc thảo luận và chọn giải pháp cuối cùng[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Các thí nghiệm của Liang và cộng sự đã chứng minh hiệu quả của phương pháp này trên các bộ kiểm tra phức tạp — trong các nhiệm vụ dịch thường thức (dịch câu có tính đến thường thức ẩn) và số học phản trực giác (các câu đố toán học với các điều kiện có vẻ phi logic lúc đầu) cuộc thảo luận đa tác nhân đã cho câu trả lời chính xác hơn so với các phương pháp tiêu chuẩn[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Phân tích cũng cho thấy rằng để đạt được kết quả tốt nhất, các cuộc tranh luận nên được **ngắt quãng thích ứng**, không kéo dài quá mức, và chỉ duy trì **mức độ xung đột vừa phải** giữa các tác nhân — hành vi quá hung hăng hoặc ngược lại quá đồng thuận sẽ làm xấu đi kết quả[\[5\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-aclanthology-divergent-5). Phương pháp đa tác nhân hóa ra hữu ích không chỉ cho các nhiệm vụ hỏi-đáp điển hình. Nó được áp dụng trong các lĩnh vực khác, ví dụ, để đảm bảo **hành vi an toàn và nhất quán hơn** của các mô hình. Một số nghiên cứu sử dụng các cuộc tranh luận của tác nhân trong các nhiệm vụ **kiểm duyệt và phát triển các quy tắc**: nhiều LLM có thể thảo luận xem câu trả lời nhất định có phù hợp với các chuẩn mực đạo đức không, từ đó cung cấp feedback cho nhau trong quá trình học tăng cường. Người ta lưu ý rằng các cuộc tranh luận có thể tạo ra các tín hiệu đánh giá tinh tế và có căn cứ hơn, giúp điều chỉnh các mô hình về tính an toàn và hữu ích[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Cũng đã có những nỗ lực mở rộng sang **các nhiệm vụ đa phương thức** – ví dụ, khi một số tác nhân mô tả hình ảnh, trong khi những tác nhân khác kiểm tra sự tương ứng của mô tả với bức tranh. Trong bài báo của Google (2024) đã chứng minh thành công của phần mở rộng như vậy: phương pháp đa phương thức đã cải thiện kết quả cả trong các nhiệm vụ văn bản thuần túy và trong việc hiểu hình ảnh đa phương thức, chứng minh tính phổ quát của «xã hội của các trí tuệ»[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Thú vị là, sự tương tác trong khuôn khổ các cuộc tranh luận có thể nâng cao mức độ của các mô hình yếu hơn, như đã đề cập trước đó. Ví dụ, khi các LLM có sức mạnh khác nhau tham gia vào cuộc thảo luận chung, **«các mô hình yếu hơn dần dần trở nên mạnh hơn, tiếp thu các chiến lược thành công từ những mô hình mạnh hơn»**[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Do đó, hệ thống đa tác nhân không chỉ giải quyết nhiệm vụ đặt ra mà còn đóng vai trò như một cơ chế học tập tập thể của các mô hình từ nhau. ## Hạn chế và các vấn đề còn mở Mặc dù có những ưu điểm đáng kể, các cuộc tranh luận đa tác nhân phải đối mặt với một số **khó khăn và hạn chế**. Một trong những hạn chế chính là **yêu cầu tài nguyên cao** của phương pháp này. Để tổ chức cuộc thảo luận, cần phải gọi tạo văn bản nhiều lần từ các mô hình lớn: nếu có n tác nhân trong T vòng, thì tổng số lần truy cập vào LLM tăng lên n x T lần so với một câu trả lời. Hơn nữa, trong mỗi vòng, mô hình phải xử lý như là ngữ cảnh không chỉ câu hỏi ban đầu, mà còn tất cả các phát ngôn từ các vòng trước (câu trả lời của tất cả các tác nhân). Do đó, với sự tăng trưởng của số lượng tác nhân và vòng, **khối lượng đầu vào ngữ cảnh tăng theo cấp số nhân**, dẫn đến hiệu ứng **context explosion** — tràn cửa sổ ngữ cảnh và tăng chi phí xử lý[\[3\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-arxiv-communication-3). Trong các thí nghiệm, người ta ghi nhận rằng việc thêm ngay cả 2-3 vòng thảo luận làm tăng đáng kể tổng số token ngữ cảnh mà mô hình phải đọc, và do đó thời gian phản hồi. Về mặt lý thuyết, chất lượng giải pháp cải thiện khi tăng số lần lặp, nhưng trong thực tế nhiều bài báo ghi nhận **lợi nhuận giảm dần sau một số vòng**: thường xuyên hiệu ứng tối đa đạt được ở vòng thứ hai-thứ ba, sau đó các cuộc thảo luận tiếp theo có thể dẫn đến việc lặp lại các lập luận giống nhau hoặc thậm chí giảm độ chính xác do bão hòa ngữ cảnh[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Ví dụ, He và cộng sự (2023) cho thấy sự tăng trưởng độ chính xác chỉ đến vòng thứ 2 của cuộc tranh luận, sau đó là sự sụt giảm, tương tự Liu và Li cùng các đồng nghiệp (2024) báo cáo đỉnh chất lượng ở ~4 vòng, sau đó các chu kỳ bổ sung chỉ cản trở[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Do đó, **xác định thời lượng tối ưu của các cuộc tranh luận** là một nhiệm vụ không đơn giản: cuộc thảo luận quá ngắn có thể không phát huy hết tiềm năng của trí tuệ tập thể, còn quá dài — có thể gây ra tiếng ồn thông tin và quá tải ngữ cảnh. Một vấn đề khác là **rủi ro của sự đồng thuận nhóm về câu trả lời sai**. Nếu tất cả các tác nhân có kinh nghiệm tương tự và nhầm lẫn tin tưởng vào một thực tế nào đó, họ có thể củng cố sự hiểu lầm của nhau. Hiệu ứng **buồng vọng** xảy ra: trong quá trình tranh luận, các mô hình đạt đến sự đồng thuận, nhưng không phải vì họ đã tìm ra sự thật, mà do xác nhận bias chung ban đầu. Các kết quả lý thuyết (Estornell & Liu, 2024) chỉ ra rằng với các mô hình giống nhau, các cuộc tranh luận có thể **trượt vào trạng thái đình trệ**, lặp lại ý kiến của đa số mà không có ý tưởng mới nào xuất hiện[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Đặc biệt nguy hiểm khi đa số này chia sẻ một lỗi chung được nhúng vào, ví dụ, trong dữ liệu huấn luyện - thì kết quả của toàn bộ cuộc thảo luận sẽ sai[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-proceedings-neurips-6)[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Để khắc phục vấn đề này, các **phương pháp can thiệp** đặc biệt được đề xuất (diversity-pruning): trong mỗi vòng, các câu trả lời quá giống nhau bị cắt bỏ theo thuật toán, kích thích các tác nhân tạo ra các phương án khác nhau với entropy thông tin tối đa[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-proceedings-neurips-6). Điều này làm giảm khả năng tất cả các câu trả lời là các biến thể của cùng một lỗi. Một kỹ thuật khác là **phát hiện và bác bỏ quan niệm sai lầm** (misconception refutation): hệ thống cố gắng tự động xác định các giả định chung của các tác nhân và có chủ đích thách thức những giả định có thể sai[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-proceedings-neurips-6). Trong bài báo của Estornell & Liu, một bộ gồm ba can thiệp như vậy được đề xuất — ngoài những can thiệp đã đề cập, còn có quality-pruning (chọn lọc các lập luận liên quan và chất lượng cao nhất ở mỗi bước) – và được chứng minh rằng sự kết hợp của chúng đáng kể nâng cao hiệu quả của các cuộc tranh luận và ngăn ngừa xu hướng hướng đến buồng vọng[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-proceedings-neurips-6)[\[6\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-proceedings-neurips-6). Cuối cùng, cần lưu ý rằng **sự ổn định và khả năng dự đoán** của các cuộc thảo luận đa tác nhân vẫn còn xa lý tưởng. Trong một số thí nghiệm, các cuộc tranh luận dẫn đến kết quả không ổn định — các lần chạy khác nhau của cùng một cuộc thảo luận có thể hội tụ đến các câu trả lời khác nhau, hoặc câu trả lời tổng hợp hóa ra tệ hơn so với một mô hình đơn lẻ không có tranh luận[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Wang và cộng sự (2024) và Smit và cộng sự (2023) độc lập lưu ý các trường hợp khi việc thêm tác nhân **làm giảm hiệu suất**, điều này chỉ ra ranh giới mỏng giữa phê bình hữu ích và các cuộc tranh luận phá hoại[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Việc xác định các điều kiện mà theo đó phương pháp đa tác nhân chắc chắn hữu ích vẫn là chủ đề nghiên cứu. Các câu hỏi còn mở là: **làm thế nào để tự động quyết định khi nào dừng cuộc tranh luận và ghi nhận câu trả lời**, để không bỏ lỡ lợi thế và không đi vào cuộc tranh luận vô tận, và **bằng cách nào để đưa ra quyết định tập thể** – thông qua bỏ phiếu, đồng thuận hay với sự giúp đỡ của giám khảo bên ngoài – đáng tin cậy nhất cho các loại nhiệm vụ khác nhau[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Vấn đề **an toàn và khả năng kiểm soát** của các hệ thống đa tác nhân cũng đang được đặt ra cấp bách: cần đảm bảo rằng các tác nhân sẽ không cùng nhau tạo ra nội dung không mong muốn hoặc độc hại và không củng cố các xu hướng có hại của nhau. Những câu hỏi này, đặc biệt liên quan đến **an toàn và khả năng mở rộng**, được công nhận là cấp thiết và phức tạp[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Các đánh giá hiện đại lưu ý rằng cần nghiên cứu thêm dành cho việc phát triển **các quy tắc dừng đáng tin cậy** của các cuộc thảo luận, đánh giá **khả năng mở rộng** của phương pháp khi tăng số lượng tác nhân và vòng, cũng như triển khai các phương pháp đảm bảo **độ tin cậy và tính đúng đắn** của câu trả lời thu được tập thể[\[4\]](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_note-litreview-problem-solving-4). Giải quyết những nhiệm vụ này sẽ cho phép biến các cuộc tranh luận đa tác nhân thành một công cụ mạnh mẽ và phổ quát hơn để tạo ra các hệ thống trí tuệ nhân tạo **thông minh hơn và an toàn hơn**. ## Liên kết - Improving Factuality and Reasoning in Language Models with Multiagent Debate — trang dự án - AI safety via debate — bài báo gốc của OpenAI - Improving Multi-Agent Debate with Sparse Communication Topology — bài báo về tối ưu hóa giao tiếp - Literature Review Of Multi-Agent Debate For Problem-Solving — tổng quan tài liệu - Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate — bài báo về MAD - Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions — bài báo NeurIPS 2024 ## Tài liệu tham khảo - Irving, G. et al. (2018). *AI Safety via Debate*. arXiv:1805.00899. - Du, Y. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multiagent Debate*. arXiv:2305.14325. - Liang, T. et al. (2023). *Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate*. arXiv:2305.19118. - Li, Y. et al. (2024). *Improving Multi-Agent Debate with Sparse Communication Topology*. arXiv:2406.11776. - Guo, T. et al. (2024). *Large Language Model based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680. - Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120. - Estornell, A.; Liu, Y. (2024). *Multi-LLM Debate: Framework, Principals, and Interventions*. NeurIPS 2024. - Eo, S. et al. (2025). *Debate Only When Necessary: Adaptive Multiagent Collaboration for Efficient LLM Reasoning*. arXiv:2504.05047. - Tillmann, A. (2025). *Literature Review Of Multi-Agent Debate For Problem-Solving*. arXiv:2506.00066. - Cui, Y. et al. (2025). *Efficient Leave-One-Out Approximation in LLM Multi-Agent Debate Based on Introspection*. arXiv:2505.22192. - La Malfa, E. et al. (2025). *Large Language Models Miss the Multi-Agent Mark*. arXiv:2505.21298. ## Chú thích 1. ↑ [1.00](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-0) [1.01](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-1) [1.02](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-2) [1.03](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-3) [1.04](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-4) [1.05](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-5) [1.06](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-6) [1.07](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-7) [1.08](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-8) [1.09](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-9) [1.10](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-composable-llm-debate_1-10) «Improving Factuality and Reasoning in Language Models with Multiagent Debate». *composable-models.github.io*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-ai-safety_2-0) [2.1](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-ai-safety_2-1) Irving, Geoffrey et al. «AI safety via debate». *arXiv*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-0) [3.1](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-1) [3.2](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-2) [3.3](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-3) [3.4](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-4) [3.5](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-5) [3.6](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-6) [3.7](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-7) [3.8](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-arxiv-communication_3-8) Liu, Xiang Lisa et al. «Improving Multi-Agent Debate with Sparse Communication Topology». *arXiv*. [3] 4. ↑ [4.00](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-0) [4.01](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-1) [4.02](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-2) [4.03](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-3) [4.04](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-4) [4.05](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-5) [4.06](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-6) [4.07](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-7) [4.08](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-8) [4.09](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-9) [4.10](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-10) [4.11](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-11) [4.12](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-12) [4.13](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-13) [4.14](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-14) [4.15](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-15) [4.16](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-16) [4.17](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-17) [4.18](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-18) [4.19](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-19) [4.20](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-20) [4.21](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-21) [4.22](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-litreview-problem-solving_4-22) «Literature Review Of Multi-Agent Debate For Problem-Solving». *arXiv*. [4] 5. ↑ [5.0](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-0) [5.1](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-1) [5.2](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-2) [5.3](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-3) [5.4](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-4) [5.5](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-aclanthology-divergent_5-5) Liang, Tian et al. «Encouraging Divergent Thinking in Large Language Models through Multi-Agent Debate». *ACL Anthology*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-proceedings-neurips_6-0) [6.1](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-proceedings-neurips_6-1) [6.2](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-proceedings-neurips_6-2) [6.3](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-proceedings-neurips_6-3) [6.4](https://systems-analysis.info/int/Multi-Agent_Debate_(VI)#cite_ref-proceedings-neurips_6-4) «Improving Multi-Agent Debate with Contrastive Deliberation and Diversity-Promoting Interventions». *NeurIPS 2024*. [6]