用 A2A 陪审团机制量化多 Agent 工作流中的信息扭曲与决策回溯

在部署多 Agent 工作流时，最让人头疼的不是结果错了，而是你根本不知道结果是在哪个环节开始跑偏的。很多开发者习惯于通过翻阅冗长的 Log 来排查问题，但当 Agent 数量增加、对话轮次变多时，这种方式效率极低。你面对的是一堆看似合理的自然语言，很难一眼看出哪个 Agent 在关键时刻被带了节奏，或者哪个 Agent 提供了看似正确实则误导的伪事实。

要解决这个问题，不能只靠增加 Prompt 的约束，而需要建立一套类似“陪审团（Jury）”的可回溯机制。其核心逻辑是通过强制性的状态量化，把 Agent 之间的影响关系从模糊的对话转变为可追踪的结构化数据。

首先，在构建角色矩阵时，不能简单地定义为“助手 A”和“助手 B”，而必须赋予它们天然的立场冲突。例如，在评估一个技术方案时，分别设定为“激进的性能优化者”、“保守的稳定性维护者”和“中立的最终裁决者”。这种设定是为了在讨论过程中人为制造冲突点，因为逻辑漏洞通常在观点碰撞时才会显现，而非在达成共识时出现。

最关键的实操环节在于建立“状态快照（State Snapshot）”。在每一次 Agent 交互的输出中，必须强制要求其在正文之外，以 JSON 格式同步输出当前的认知状态。一个标准的状态快照应当包含 agent_id、当前的认知结论 current_belief、影响该结论的来源 influence_source 以及一个 0 到 1 之间的置信度 confidence。

例如，当 Agent_01 在第二轮对话中被 Agent_02 误导时，快照会记录为：{"agent_id": "agent_01", "current_belief": "认为方案A可行", "influence_source": "agent_02 的第三条论据", "confidence": 0.85}。这意味着，即使最终结果是错误的，你也可以通过这个快照迅速锁定：Agent_01 的认知转变直接依赖于 Agent_02 的特定论据。

为了实现完整的回溯链路，我们需要给所有的对话流打上精确的时间戳和依赖 ID。这就像给信息流建立了一个版本控制系统。当最终裁决者给出了一个偏差结果时，我们不需要从头阅读所有对话，而是通过依赖 ID 向上递归。通过追踪 influence_source 字段，你可以像在 Git 中查看 commit 历史一样，直接定位到那个最初产生误导的 Prompt 碎片或错误的知识点。

这种量化影响力的方案，将 Agent 之间的交互从“黑盒对话”变成了“有向图”。你可以清楚地看到信息是如何在不同节点之间传递、被放大或被扭曲的。对于需要高可靠性的企业级部署来说，这种可审计的决策链比任何 Prompt 优化都重要，因为它提供了真正的确定性——即便 AI 会犯错，但你至少知道它在什么时候、因为谁的话而犯了错。