METHOD

Kairanban式链式推理（KCS）：模拟日本社区公告板的顺序传阅机制，智能体依次对前序推理结果进行修正和补充，形成渐进式共识。
Idobata对话（IBC）：引入类似邻里闲聊的非正式对话环节，鼓励少数观点和隐含语义的表达，打破形式化推理的局限性。

KCS

设代理由 i=0,…,N 索引，其中N是代理的总数。文档$D_0={R_0,S_0,P_0}$包含结果 R₀ 和一个假设 S₀。在这里，S₀ 是一个保持提示结构作为“初始假设”的地方，并且故意固定以便不影响实际的推理过程。同样，P₀ 中的所有概率都设置为零作为占位符。

从步骤 i≥1 开始，每个代理人 A _i收到前一个代理人输出的文档 D_i-1，并通过获取其自身的分析结果 R_i、逻辑推理 S_i和概率分布 P_i来更新它，按照以下表达式：
$$
(R _i,S _i,P _i)=Agent _i(R _{i-1},S _{i-1},P _{i-1})
$$
通过这一过程，每个代理不仅能够生成一个单一最优解，还能维持多个可能的最优解。

最终代理也生成一个概率分布PN，使得可以明确量化对最终候选项的信心程度。例如，当一个候选项的概率高于其他候选项，但其他观点也保留了一定的可能性时，这种不确定性可以促使进一步讨论或额外验证。

“作者在此处的每个agent中引入了CoT，即要求llm必须生成为什么生成这个情绪的原因。”

IBC

Motivation

提取通常难以通过正式的基于CoT的推理捕捉到的少数意见和微妙细微差别

在执行KCS模块期间，当代理索引i=m时，一个IBC会话开始。从那时起，代理人 j=0,1,…,N 依次生成评论 C_j。每个代理人 j 的评论基于以下输入生成：
$$
C^j =
\begin{cases}
\operatorname{Agent} _j\left(x, R^j\right), & j = 0 \\
\operatorname{Agent} _j\left(x, R^j, R^{j-1}, \bigcup _{k \leq j} C _k\right), & 0 < j < m \\
\operatorname{Agent} _j\left(x, R^{j-1}, \bigcup _{k \leq j} C _k\right), & j = m \\
\operatorname{Agent} _j\left(x, \bigcup _{k \leq j} C _k\right), & j > m
\end{cases}
$$
会议结束后，所有非正式意见$\bigcup _{k \leq N}C _k$将被添加到文件中。