随着 AI 代理通过网络日益紧密地协作，许多任务需要谈判与联合决策。为此我们提出一种评估框架，将共识形成视为公开声明位置向共享区域收敛的过程，并以累计的通信历史作为上下文。框架记录每个代理的立场轨迹、群体离散度以及公开信息的内容。\ \ 在两个案例中检验该框架：第一类任务是基于分布式事实做人员配置决策，第二类任务要求代理在面对重复信息和已取消合同的情形下进行调和。实验共完成 1,872 次运行，结果显示，提供解释的共享行为能够提升整体决策的准确性；而在第二类任务中，即使整体答案正确，代理之间仍出现持续分歧。我们还进行了成员变动实验，以验证框架在动态网络中的适用性。通过将代理间的收敛程度与任务的完整信息答案分离，框架能够将决策准确性和有限分歧关联到交流期间可获得的信息量。\ \ 点评