探索共识的拓扑与记忆：LLM 智能体在形成惯例时如何达成一致、分裂或稳定

本文研究了 LLM 智能体的记忆容量及多智能体系统的连接拓扑如何共同影响共识达成。通过在八种固定拓扑上进行 432 次命名博弈模拟，发现记忆深度与网络结构存在显著交互作用：长记忆在去中心化网络中延缓稳态达成，而在中心化网络中加速该过程，但后者往往导致快速锁定于碎片化状态而非全局共识。研究揭示了记忆介导的速度 - 统一性权衡，并指出高介数中心性节点面临经纪惩罚。结果表明，智能体行为符合虚拟博弈模型，强调记忆深度与通信拓扑需协同设计。