只會發表意見的上司

一個只改動一條線的實驗，讓多代理 AI 系統的階層預設值失效了

Agachan B, van Duijn M, Zohrehvand A．arXiv:2609.14767．萊頓大學 LIACS．2026 年 9 月

現在幾乎所有正式上線的多代理 LLM 框架，預設長成同一個樣子：一個管理者代理坐在工人代理上面，審查產出，不滿意就打回重做。這個設計從來沒有人認真質疑過——因為它太像我們熟悉的組織，看起來理所當然。

萊頓大學的三位研究者做了一件很乾淨的事：把五個代理的角色、提示詞、工具、模型池、資料，全部固定住，只改動一條線——管理者能不能拒絕產出並強制重寫。然後跑 43 對配對實驗，86 次執行，用五個模型組成的評審團加上一套確定性的規格檢查來評分。

結果是：扁平結構贏了。而且輸的地方，恰好在管理者實際動用權限的那些次。

一、只改一條線

差異被壓縮到提示詞裡的一句話。扁平式管理者被告知：「你沒有權限拒絕工作或強迫任何工人重做。」階層式管理者被告知：「如果目前產出有問題，你有絕對權限強制打回。」

任務是根據 Amazon 上 43 款搭載 RTX 4060 的遊戲筆電，用產品規格與顧客評論寫商業智慧報告。這個任務有一半可以驗證（報告寫的硬體規格能對照原始頁面），另一半不能（策略分析沒有標準答案）。

二、結果：古典預測失敗

組織理論的古典預測是：權威能加速收斂、提高決策的解析度，所以階層式應該寫得更清楚。另一派來自 LLM 研究的預測相反：RLHF 訓練出的模型面對權威式批評會阿諛順從（sycophancy），在反覆批評下會失去發散思考（Degeneration-of-Thought），所以階層式會更糟。

兩個預測不相容。實驗讓資料來裁決。

扁平式在 43 款產品中的 28 款拿下較高總分（階層式 14 款、1 款平手）。整場實驗的 API 費用是 47.71 美元，跑了大約 5.9 小時。

再往下拆一層，差距的位置很集中。清晰度的差異完全由「精簡度」帶動（4.18 對 3.98），結構與連貫性兩項沒有差別；實用性的差異則由「策略深度」帶動（4.70 對 4.56），而且是六項細分指標中唯一通過多重比較校正的。

三、差距不是來自階層，是來自迴圈

這是整篇論文設計最漂亮的地方。管理者雖然握有權限，但它其實只在 43 次執行裡動用了 32 次——11 次完全沒打回，12 次打回一次，17 次打回兩次，另有 3 次想打第三次被上限擋住。

研究者因此可以把「有沒有這條權威鏈」和「權威鏈有沒有被實際行使」分開來看。三個角度都指向同一個答案。

第一，劑量反應。清晰度隨打回次數單調下降，控制變項後每多一次打回約掉 0.14 分。

第二，零打回的那 11 對。管理者從沒介入的那些配對裡，階層式報告在三項指標上數值反而略高（雖然 n=11 不顯著）。一條從未被行使的權威鏈，沒有造成任何可測量的傷害。

第三，也是最乾淨的一個。研究者把階層式執行紀錄裡的每一份撰寫者草稿都抽出來（共 77 份）。結果：在管理者介入之前，階層式的第一稿和扁平式的成品在每一項文字指標上都無法區分——對沖密度、詞彙多樣性、長度，全部一樣。

四、被打回的時候，代理做了什麼

這一節的證據完全不依賴評審模型，是用確定性的文字指標算出來的。

對沖用語就是「可能」「或許」「建議」「似乎」這類詞。階層式報告的對沖密度比同一款產品的扁平式報告高 53%，而且是分散在整組詞彙上，不是某一個詞被濫用。

但最終報告的長度是一樣的（平均 1036 對 1046 字，p=0.76）——階層式多消耗的那 51.5% token 全部花在管線內部的來回，不是花在報告上。把長度當成共變數再跑一次，所有效應原封不動。

作者對機制的判定很克制：這符合阿諛順從，但不符合 Degeneration-of-Thought 的強版本。沒有漸進漂移，沒有詞彙崩壞，沒有內容退化。原文那句話值得抄下來：

迴圈並沒有讓代理想得更差。它是讓代理更不願意把話說死。

五、唯一可以驗證的地方，根本沒東西可以修

這篇還有一個容易被跳過、但其實很鋒利的發現。

規格準確度是整個任務裡唯一有客觀答案的部分——報告寫的 GPU、記憶體、CPU、儲存容量，可以直接跟原始商品頁比對。兩種結構在這一項上完全沒有差異。

研究者後來發現原本的計分程式其實在測雜訊（把顯卡記憶體誤判成系統記憶體之類），於是重建了一套嚴格的指標。修好之後的結果是：兩組都在天花板。扁平式的精確率與召回率都是 1.000，階層式是 0.997；86 份報告裡只有一個錯誤，是某份階層式報告寫了一個商品頁上沒有的 CPU 型號。

所以那個「沒有差異」不是沒測出來，而是那個部分本來就沒有東西需要管理者去修。而在沒有客觀答案的那一半，管理者的介入只帶來傷害。

六、換到醫院裡，是同一件事

做品質管理的人對這個結構應該很熟悉：一份文件被退回，然後回來的版本變長了、語氣變軟了、該說死的地方變成「建議考慮」。

差別在回饋能不能被驗證。「這條醫囑缺少劑量單位」是可驗證的，退回去會真的被補上；「這份紀錄寫得不夠完整」不可驗證，退回去往往換來更多防禦性書寫——更多的保留語、更多的「必要時」、更多看起來謹慎其實沒有承諾的句子。寫的人不是不用心，是在一個無法驗證的批評面前，把話說軟是唯一安全的回應。

這篇論文的貢獻，是在一個沒有情緒、沒有升遷、沒有任何制裁的系統裡，把這個現象乾淨地複製了出來。代理不怕主管，它只是被訓練成會順從權威語氣——而結果和人類職場裡的忖度長得一模一樣。

七、這篇論文的誠實之處

值得單獨寫一節，因為它處理自身弱點的方式比結論本身更值得學。

五個評審模型之間的絕對一致性很低——Krippendorff’s α 在清晰度只有 0.08 到 0.17，實用性 0.22 到 0.30，主要是 GPT-5.4 給分特別嚴苛。配對設計需要的是方向一致而非刻度一致，而方向一致確實存在。但作者接著做了逐一剔除評審的重估：

• 實用性是穩健的：五個評審全部單獨偏向扁平式，剔除任何一個，p 值都還在 0.016 以下。
• 清晰度是脆弱的：由三個評審撐著，GPT-5.4 反而偏向階層式；換成無母數檢定是 p=0.051，卡在邊界。

所以作者明講：以實用性與策略深度作為主結果，清晰度的效應「方向是真的，顯著性是脆弱的」。而第四節那些機制證據完全不經過評審模型，這也是為什麼它才是全篇最硬的部分。

其他限制同樣寫得清楚：單一短上下文任務、單一產品領域、單一管理者提示詞、43 對樣本、評審模型本身共享 RLHF 偏好，可能一起懲罰一種人類未必討厭的風格。作者沒有把設計規則外推到長上下文、程式碼生成，或有強驗證器的任務。

八、所以該怎麼設計

論文給的規則只有一句，但很好記：

能驗證的上司值回票價；只能發表意見的上司是負債。

具體的三條建議：短上下文的合成任務，扁平式循序管線應該當成預設；如果需要管理者負責拆解與路由，就別給它打回權限；重做應該由驗證器旗標觸發，而不是由管理者對品質的主觀判斷觸發。

古典組織理論假設下屬面對權威會修正信念。人類作者確實會因為評價他的讀者而調整，而語言模型調整的方式是——把話說軟。在一個可以被驗證的世界裡，權威能把事情推向正確；在一個無法被驗證的世界裡，權威只能把話推向安全。這對 AI 團隊成立，我很懷疑它對人類團隊不成立。

資料來源：Agachan B, van Duijn M, Zohrehvand A. Loop-Back Authority in LLM Agent Teams: A Paired Experiment on Flat and Hierarchical Coordination. arXiv:2609.14767 [cs.MA]，2026 年 9 月 13 日。本文所引數字均取自該預印本正文，包含作者自述的判者信度與研究限制。插圖為內嵌 SVG，屬示意性質，非原始論文圖表。