双层协同反思：多智能体LLM系统的博弈论方法

多智能体LLM系统通常使用一个编排器将任务分解给一组工作智能体，然后通过文本反思进行改进。尽管实证结果强劲，但这些系统缺乏对协调、记忆改进以及外部验证作用的统一解释。我们将编排器与工作智能体之间的交互建模为双层协调博弈：在有界耦合下，工作智能体的局部更新博弈是一个近似势博弈，其均衡松弛度由分解质量控制。随后，我们将反思分析为语义记忆状态上的随机运动。对于自由形式反思，我们推导出有限时间上界，证明最坏情况下的紧致性，并在可证伪的持续危害条件下给出正下界。我们进一步证明了一个信息论不可能性结果：任何仅观察生成转录本的闸门都无法在文本不可区分环境中实现一致改进，而基于环境接地（environment-grounded）的闸门则可以。受此分离启发，我们引入随机反思记忆上升（SRMA），该方法仅在接地评估风险严格下降后才接受候选记忆。在校准和非退化修正质量条件下，SRMA精确收敛，呈几何或多项式速率；匹配构造表明两种速率区间均为阶紧致。我们还为随机评估提供置信闸门，并为分段平稳环境提供重新锚定保证。实验用环境接地指标实例化这些对象，并检验预测的协调与漂移规律。在500个SWE-bench实例上，完整的基于Kimi的系统解决了72.2%的问题，而公开的mini-SWE-agent参考为70.8%。代码：https://github.com/YihangChen9/Bilevel-Coordinated-Reflection