多代理LLM系统的表现不仅取决于底层模型的能力，还受信息共享策略的影响——即每个代理观察到何种信息以及信息的细节程度。为检验更细致的信息是否必然提升整体效能，还是会导致透明度悖论，我们提出了经验信息设计框架，在保持交互规则和模型不变的前提下系统比较不同披露策略在经济市场中的效果。实验在多资源交易、双边议价和双向拍卖三类市场中，使用十种前沿LLM（包括GPT‑6 Sol、Claude Sonnet 5、Claude Opus 5.5、Grok 4.7、Gemini 3.1 Pro等），并以真实效用作为基准，将潜在机会与实际结果解耦。结果显示，信息披露的细粒度对不同模型的影响差异显著。交易场景中，提供精确估值而非序列偏好会使GPT‑6 Sol的实现收益从最大值的98%下降至91%，但Claude Sonnet 5则从72%提升至86%。议价实验表明，精确信息导致Grok 4.7的协议不够平衡，而Claude Opus 5.5能够实现收益对称分配。双向拍卖中，完全披露导致价格需求膨胀，引发市场崩溃，福利分别下降：Gemini 3.1 Pro从97%降至78%，Claude Opus 5.5从94%降至64%，Grok 4.7从97%降至62%。总体来看，模型选择与信息设计必须同步优化，因为LLM对信息的战略响应在系统目标上表现出强模型依赖性。
点评：本研究提醒我们，在构建多代理LLM经济时，不能盲目追求信息透明度，而应结合具体模型特性进行信息策略的细致设计，以实现整体效能的最大化。