본 논문은 다중 에이전트 시스템(MAS)에서 합의 형성의 중요성을 다루며, 집단적 일관성과 개별적 다양성 간의 균형을 강조합니다. 기존의 LLM 기반 MAS는 프롬프트나 투표와 같은 명시적 조정에 주로 의존하여 조기 동질화의 위험이 있습니다. 본 논문은 에이전트가 정보를 교환하지만 컨텍스트 학습을 통해 독립적으로 의사결정을 하는 암묵적 합의가 장기적인 적응성이 필요한 역동적인 환경에서 더 효과적이라고 주장합니다. 부분적인 다양성을 유지함으로써 시스템은 새로운 전략을 더 잘 탐색하고 외부 충격에 더 잘 대처할 수 있습니다. 논문에서는 합의-다양성 트레이드오프를 공식화하여 암묵적 방법이 명시적 방법보다 우수한 조건을 보여줍니다. 역동적 재난 대응, 정보 확산 및 조작, 역동적 공공재 제공 등 세 가지 시나리오에 대한 실험을 통해 그룹 규범으로부터의 부분적 편차가 탐색, 견고성 및 성능을 향상시킨다는 것을 확인했습니다. 본 논문은 컨텍스트 학습을 통한 부상적 조정을 강조하며, 탄력적인 의사결정을 위해 다양성을 유지하는 가치를 강조합니다.
