金年会：佐治亚理工与麻省理工研发MASCOT框架 优化AI多代理群聊协作

多代理AI群聊常出现角色趋同问题，用户分享压力时系统反复给出相似回应，难以提供多样视角。金年会佐治亚理工学院与麻省理工学院的研究人员开发出MASCOT框架，针对这一局限设计专门训练流程。

该框架首先训练各代理保持独立分工，随后引入主持人代理协调发言顺序与策略。

角色分工训练：行为对齐

第一阶段聚焦个体代理的行为一致性。系统为每个角色生成候选回复，并借助强模型反馈构建偏好对，训练奖励模型以评估回复是否符合角色定位与当前语境。

通过GRPO优化，代理更倾向于输出符合自身特点的回应，从而避免通用安慰模式。

群体协调机制：主持人优化

第二阶段固定发言模型，专门训练Director Agent。它根据对话历史选择下一发言者并制定策略，再由对应代理生成内容。

训练通过模拟后续对话评估协调效果，奖励能带来新视角与连贯性的安排。

情感支持场景实验结果

在Empathetic Dialogues数据集上，MASCOT的角色一致性得分达80.0，显著高于基线。群体互动的原创性与参与度也获得提升，跨数据集泛化能力得到验证。

人工盲评显示，用户偏好MASCOT的比例接近七成。

工作协作与消融验证

在QMSum会议数据集中，MASCOT同样在多个子集领先基线。消融实验表明，移除角色对齐主要降低个体表现，移除协作优化则影响群体连贯性。

这证实两阶段设计各自贡献不可或缺。

用户个性影响与未来方向

基于大五人格的模拟用户测试显示，不同特质会改变系统评分，开放性与外向性用户获得更高社会贡献。

金年会未来需探索长期互动与跨文化适应，以维持多样视角的持续有效性。