多智能体辩论（MAD）通过迭代的同行交互提升大语言模型（LLM）的推理准确性，通信拓扑在其中起核心作用。研究者因此提出了学习、适应或动态重构交互的复杂机制，以期提升准确率或推理可靠性。\ \ 然而已有工作表明，极其简洁的稀疏通信已经能够在显著降低成本的前提下取得竞争性能。\ \ 本文聚焦稀疏MAD，提出一种极简的随机无放回路由策略：在每一轮中，每个代理随机挑选两个不同且此前未交互过的同行进行辩论。该策略无需学习或额外调度，仅凭随机抽样即可形成多样化的交互图。\ \ 实验结果显示，该Distinct‑Peer随机路由在准确率‑成本权衡上持续优于传统稀疏拓扑，成为一个意外强大的基线。\ \ 在此基础上，我们进一步探讨了辩论停止机制。轻量化的停止准则能够在保持竞争准确率的同时，大幅削减推理成本。\ \ 综上，除非能够显著超越上述简单基线，否则引入学习型或自适应的复杂拓扑控制并不具备成本效益。\ \ 点评