💻 computer science

ValueFlow: Measuring the Propagation of Value Perturbations in Multi-Agent LLM Systems

यह शोधपत्र ValueFlow को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो यह मात्रात्मक रूप से मापता है कि मल्टी-एजेंट LLM सिस्टम के माध्यम से वैल्यू व्यवधान (value perturbations) कैसे प्रसारित होते हैं, यह मान (value) के विचलन को एजेंट-स्तरीय संवेदनशीलता और सिस्टम-स्तरीय संरचनात्मक प्रभावों में विभाजित करके प्रदर्शित करता है, जिससे यह सिद्ध होता है कि वैल्यू अलाइनमेंट मूल रूप से एक सिस्टम-स्तरीय गुण है जो इंटरेक्शन टोपोलॉजी द्वारा आकार लेता है।

मूल लेखक: Jinnuo Liu, Chuke Liu, Hua Shen

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jinnuo Liu, Chuke Liu, Hua Shen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि दोस्तों का एक समूह एक मेज के चारों ओर बैठा है, और वे यह तय करने की कोशिश कर रहे हैं कि कौन सी फिल्म देखनी है। प्रत्येक मित्र की अपनी व्यक्तिगत पसंद (उनके "मूल्य") होती है। आमतौर पर, वे आपस में चर्चा करते हैं, एक-दूसरे की बात सुनते हैं, और अंततः एक फिल्म पर सहमत होते हैं।

अब, कल्पना कीजिए कि एक मित्र को गुप्त रूप से एक जासूस द्वारा यह कहने के लिए मजबूर किया गया है कि, "हमें ज़रूर एक हॉरर फिल्म देखनी चाहिए!" भले ही वह आमतौर पर उन्हें नापसंद करता हो।

यह पेपर ValueFlow एक सरल लेकिन पेचीदा सवाल पूछता है: उस एक व्यक्ति की अचानक, जबरदस्ती दी गई राय समूह में कैसे फैलती है? क्या पूरा समूह अचानक हॉरर फिल्में पसंद करने लगता है? या वे बस उस एक मित्र को अनदेखा कर देते हैं और अपनी मूल योजना पर टिके रहते हैं?

यहाँ रोजमर्रा के उपमाओं (analogies) का उपयोग करके पेपर के निष्कर्षों का विवरण दिया गया है:

1. समस्या: "विस्परिंग गैलरी" (Whispering Gallery) प्रभाव

अतीत में, वैज्ञानिक यह जांचते थे कि क्या एक अकेला AI "अच्छा" या "बुरा" है, इसके लिए उससे अकेले सवाल पूछते थे। लेकिन आज, AI अक्सर टीमों में उपयोग किए जाते हैं, जो समस्याओं को हल करने के लिए एक-दूसरे से बात करते हैं।

लेखकों ने महसूस किया कि भले ही हर एक AI शुरुआत में अच्छे मूल्यों के साथ शुरू होता है, लेकिन जिस तरह से वे एक-दूसरे से बात करते हैं, वह अनजाने में उनके विचारों को मोड़ सकता है। यह "टेलीफोन" के खेल की तरह है, जहाँ संदेश बदलने के बजाय, समूह के मूल विश्वास कि क्या "सही" या "महत्वपूर्ण" है, सच्चाई से भटक सकते हैं।

2. उपकरण: "ValueFlow" (वैल्यू लीक डिटेक्टर)

शोधकर्ताओं ने ValueFlow नामक एक टूल बनाया है ताकि यह मापा जा सके कि किसी AI के मूल्यों को उसके दोस्तों द्वारा कितनी आसानी से "संक्रमित" किया जा सकता है।

उन्होंने 56 अलग-अलग मानवीय मूल्यों (जैसे "राष्ट्रीय सुरक्षा," "दोस्ती," "स्वतंत्रता," या "धन") के साथ एक परीक्षण बनाया। उन्होंने AI से उनके मूल्यों के बारे में सवाल पूछे, फिर गुप्त रूप से एक "परटर्बेशन" (perturbation) इंजेक्ट किया—मूल रूप से, उन्होंने कुछ नकली AI दोस्तों को बातचीत में चरम विचार चिल्लाने के लिए कहा ताकि यह देखा जा सके कि वास्तविक AI ने कैसे प्रतिक्रिया दी।

3. दो प्रमुख माप

यह पेपर इस "संक्रमण" को दो तरीकों से मापता है, जैसे पाइप में लीक की जांच करना:

"कान" का परीक्षण (एजेंट ससेप्टिबिलिटी, या $\beta$ ):
यह मापता है कि दूसरों को सुनने पर एक विशिष्ट AI कितनी आसानी से अपना मन बदल लेता है।
- उपमा: कल्पना कीजिए कि एक पार्टी में एक व्यक्ति है। यदि कोई कहता है, "पिज्जा सबसे अच्छा भोजन है," तो क्या वह व्यक्ति तुरंत सहमत हो जाता है?
- निष्कर्ष: कुछ मूल्य कंक्रीट की दीवारों (बदलने में कठिन) की तरह होते हैं। यदि मूल्य "आत्म-अनुशासन" या "सच्ची दोस्ती" है, तो AI आमतौर पर शोर को अनदेखा कर देता है। लेकिन अन्य मूल्य गीली रेत (आसानी से आकार बदलने योग्य) की तरह हैं। यदि मूल्य "सामाजिक शक्ति" या "प्रभावशाली" है, तो AI केवल इसलिए अपना मन बहुत जल्दी बदल लेता है क्योंकि दूसरे इसके बारे में बात कर रहे हैं।
"पाइप" का परीक्षण (सिस्टम ससेप्टिबिलिटी, या $SS$):
यह मापता है कि बातचीत की संरचना कैसे गलत राय को फैलने में मदद करती है।
- उपमा: कल्पना कीजिए कि समूह विभिन्न आकारों में व्यवस्थित है।
  - चेन (Chain): A बात करता है B से, B बात करता है C से। यदि A संक्रमित होता है, तो जहर C तक यात्रा करता है।
  - स्टार (Star): हर कोई एक केंद्रीय नेता से बात करता है। यदि नेता संक्रमित होता है, तो हर कोई तुरंत संक्रमित हो जाता है।
  - मेश (Mesh): हर कोई हर किसी से बात करता है।
- निष्कर्ष: पेपर ने पाया कि गलत राय कहाँ से शुरू होती है, यह बहुत मायने रखता है। यदि एक "केंद्रीय" AI (नेता) को बुरा विचार आता है, तो यह हर जगह फैलता है। यदि एक "परिधीय" AI (किनारे पर रहने वाला व्यक्ति) को बुरा विचार आता है, तो वह अक्सर समाप्त हो जाता है। इसके अलावा, यदि कोई AI एक साथ कई अलग-अलग आवाजों को सुनता है, तो उसे बेवकूफ बनाना कठिन होता है (आवाजें एक-दूसरे को रद्द कर देती हैं)।

4. बड़ा आश्चर्य: यह केवल AI के बारे में नहीं है

सबसे महत्वपूर्ण खोज यह है कि आप इसे केवल व्यक्तिगत AI को स्मार्ट या "अच्छा" बनाकर ठीक नहीं कर सकते।

"व्यक्तित्व" कारक: कुछ AI मॉडल (जैसे इस अध्ययन में Google या Meta द्वारा बनाए गए) स्वाभाविक रूप से अधिक जिद्दी होते हैं और दूसरों की तुलना में अपना मन बदलने की कम संभावना रखते है (जैसे Alibaba द्वारा बनाया गया मॉडल)।
"विषय" कारक: कुछ विषय स्वाभाविक रूप से अधिक नाजुक होते हैं। AI "पारिवारिक सुरक्षा" के बारे में बहुत जिद्दी हैं लेकिन "सार्वजनिक छवि" के बारे में बहुत आसानी से बहक जाते हैं।
"कमरे का लेआउट" कारक: भले ही आपके पास दुनिया का सबसे जिद्दी AI हो, यदि आप उसे एक "स्टार" नेटवर्क में रखते हैं जहाँ वह एक एकल, मुखर, पक्षपाती नेता को सुनता है, तो वह भी संक्रमित हो जाएगा।

5. समाधान: कमरे को डिजाइन करें, न कि केवल लोगों को

पेपर निष्कर्ष निकालता है कि AI सिस्टम को सुरक्षित रखने के लिए, हम केवल यह जांचकर काम नहीं चला सकते कि व्यक्तिगत रोबोट "अच्छे" हैं या नहीं। हमें सिस्टम को सावधानीपूर्वक डिजाइन करना होगा।

सबसे अधिक सुझाव देने योग्य (suggestible) AI को प्रभारी न बनाएं।
एक केंद्रीय रोबोट को सभी से बात करने न दें।
जानें कि कौन से विषय "लीकी" (leaky) हैं और उन बातचीतों की बारीकी से निगरानी करें।

संक्षेप में: ValueFlow दिखाता है कि AI एजेंटों की एक टीम में, व्यक्तिगत सदस्यों की तुलना में समूह की गतिशीलता (group dynamic) अधिक महत्वपूर्ण है। यदि कमरे की व्यवस्था गलत तरीके से की गई है, तो एक बुरा विचार जंगल की आग की तरह फैल सकता है, भले ही सभी की शुरुआत अच्छी नियत से हुई हो।

तकनीकी सारांश: ValueFlow

समस्या विवरण

मल्टी-एजेंट लार्ज लैंग्वेज मॉडल (LLM) सिस्टम का उपयोग सहयोगात्मक तर्क (collaborative reasoning), बहस और सामाजिक सिमुलेशन करने के लिए तेजी से किया जा रहा है। जबकि व्यक्तिगत एजेंटों का अक्सर अलग-अलग आधार पर 'वैल्यू अलाइनमेंट' (मूल्य संरेखण) के लिए मूल्यांकन किया जाता है, एजेंट इंटरैक्शन के माध्यम से 'वैलय परटर्बेशन' (मूल्य विक्षोभ) कैसे प्रसारित होता है, इसे समझने में एक महत्वपूर्ण अंतर मौजूद है। मौजूदा बेंचमार्क मुख्य रूप से स्थिर, सिंगल-एजेंट अलाइनमेंट का आकलन करते हैं जो फिक्स्ड प्रॉम्प्ट्स पर आधारित होते हैं, जिससे यह पकड़ में नहीं आता कि कैसे छोटे, स्थानीयकृत मूल्य विचलन (जैसे, एक पक्षपाती एजेंट या एक समझौतापूर्ण प्रॉम्प्ट से) एक नेटवर्क में फैलते हैं या बढ़ते हैं। यह समझ की कमी एक सुरक्षा जोखिम पैदा करती है: एक एकल समझौतापूर्ण एजेंट अनपेक्षित सिस्टम-लेवल 'वैल्यू ड्रिफ्ट' (मूल्य विचलन) को प्रेरित कर सकता है जिसे टास्क-लेवल मेट्रिक्स (जैसे सटीकता या दक्षता) नहीं पकड़ पाते हैं। मुख्य चुनौती एक मात्रात्मक, विघटनीय ढांचे (decomposable framework) की अनुपस्थिति है जो एजेंट-स्तरीय प्रतिक्रिया व्यवहारों और सिस्टम-स्तरीय संरचनात्मक प्रभावों के बीच अंतर कर सके।

कार्यप्रणाली: ValueFlow फ्रेमवर्क

लेखक ValueFlow नामक एक परटर्बेशन-आधारित मूल्यांकन ढांचे का परिचय देते हैं, जिसे मल्टी-एजेंट LLM सिस्टम में 'वैल्यू ड्रिफ्ट' को मापने और विघटित करने के लिए डिज़ाइन किया गया है। यह ढांचा तीन प्राथमिक चरणों के माध्यम से कार्य करता है:

1. वैल्यू क्वांटिफिकेशन डेटासेट

ValueFlow एक डेटासेट का उपयोग करता है जो श्वार्ट्ज वैल्यू सर्वे (SVS) से लिया गया है, जिसमें 56 मानवीय मूल्य आयाम (human value dimensions) शामिल हैं। प्रत्येक मूल्य आयाम के लिए, लेखकों ने 10 व्यवहार-उन्मुख 'हाँ-ना' प्रश्नों (सकारात्मक और नकारात्मक रूप से फ्रेम किए गए) का एक सेट बनाया है।

स्कोरिंग: एक "LLM-as-a-judge" प्रोटोकॉल एजेंट प्रतिक्रियाओं को 0–10 के पैमाने पर स्कोर करता है, जहाँ उच्च स्कोर लक्षित मूल्य के प्रति मजबूत समर्थन को दर्शाता है।
वैलिडेशन: डेटासेट और स्कोरिंग तंत्र को मानव एनोटेशन और क्रॉस-जज रोबस्टनेस चेक के माध्यम से मान्य किया गया था, जो उच्च विश्वसनीयता और मानवीय निर्णय के साथ संरेखण सुनिश्चित करता है।

2. परटर्बेशन-आधारित प्रोबिंग

ड्रिफ्ट को मापने के लिए, फ्रेमवर्क मॉडल पैरामीटर्स को बदले बिना विशिष्ट एजेंटों के इनपुट कॉन्टेक्स्ट में नियंत्रित 'वैल्यू परटर्बेशन' पेश करता है।

ऑप्टिमाइज़ेशन: COPRO एल्गोरिदम (DSPy से) का उपयोग करके, लेखक उन ऑप्टिमाइज़्ड प्रॉम्प्ट टेम्पलेट्स ( $p^*_k$ ) को अनुकूलित करते हैं जो किसी विशिष्ट मूल्य आयाम के प्रति चरम समर्थन (स्कोर 10) या अस्वीकार (स्कोर 0) को प्रेरित करते हैं।
इंजेक्शन: इन ऑप्टिमाइज़्ड प्रॉम्प्ट्स का उपयोग सहायक प्रतिक्रियाएं उत्पन्न करने के लिए किया जाता है जिन्हें लक्षित एजेंट के कॉन्टेक्स्ट में जोड़ा जाता है, जो एक पक्षपाती साथी के प्रभाव का अनुकरण करता है।

3. टू-लेवल डिकंपोजिशन मेट्रिक्स

ValueFlow एजेंट व्यवहार को नेटवर्क संरचना से अलग करने के लिए वैल्यू प्रोपेगेशन को दो अलग-अलग मेट्रिक्स में विभाजित करता है:

एजेंट-लेवल ससेप्टिबिलिटी ( $\beta$ ):
- परिभाषा: यह एक व्यक्तिगत एजेंट की साथी मूल्य संकेतों (peer value signals) के प्रति आंतरिक संवेदनशीलता को मापता है।
- गणना: पिछले पीयर इनपुट्स के औसत मूल्य ओरिएंटेशन ( $\bar{x}_i$ ) को बदलकर और एजेंट के आउटपुट ( $y_i$ ) का अवलोकन करके, एक लीनियर रिलेशनशिप $y_i = \beta \bar{x}_i + c + \epsilon_i$ फिट किया जाता है। ढलान (slope) $\beta$ एजेंट की प्रतिक्रियाशीलता का प्रतिनिधित्व करता है। उच्च $\beta$ इंगित करता है कि एजेंट पीयर संकेतों के जवाब में अपने व्यक्त मूल्यों को अधिक महत्वपूर्ण रूप से बदलता है।
- आइसोलेशन: यह मीट्रिक नियंत्रित सेटिंग्स में मापा जाता है जहाँ नेटवर्क संरचना स्थिर होती है, जिससे एजेंट के व्यवहार संबंधी गुणों को अलग किया जा सके।
सिस्टम ससेप्टिबिलिटी ($SS$):
- परिभाषा: यह पूरे मल्टी-एजेंट सिस्टम में वैल्यू ड्रिफ्ट के प्रसार को मापता है।
- गणना: $SS = \frac{1}{|O|} \sum_{v \in O} \frac{|y^{pert}_v - y^{base}_v|}{\Delta_{pert}}$ , जहाँ $O$ आउटपुट नोड्स का सेट है, $y^{pert}$ और $y^{base}$ क्रमशः परटर्बड और बेसलाइन स्कोर हैं, और $\Delta_{pert}$ इंजेक्ट किए गए परटर्बेशन का परिमाण है।
- कार्य: $SS$ विभिन्न टोपोलॉजी और परटर्बेशन स्थानों के बीच तुलना करने के लिए सामान्यीकृत (normalized) होकर, अंतिम सिस्टम आउटपुट पर एक स्थानीयकृत यूनिट परटर्बेशन के औसत प्रभाव को मात्रात्मक रूप से बताता है।

प्रमुख योगदान

परटर्बेशन-आधारित मूल्यांकन ढांचा: मल्टी-एजेंट सिस्टम में वैल्यू प्रोपेगेशन को मापने और विश्लेषण करने के लिए ValueFlow का प्रस्ताव, जो स्टेटिक सिंगल-एजेंट मूल्यांकन से आगे बढ़कर काम करता है।
वैल्यू क्वांटिफिकेशन डेटासेट: इंटरैक्टिव सेटिंग्स का अनुकरण करने वाला एक 56-वैल्यू मूल्यांकन डेटासेट बनाना, जो इंटरैक्शन के दौरान एजेंट-स्तरीय मूल्य ओरिएंटेशन को मापने में सक्षम बनाता है।
ड्रिफ्ट डायनेमिक्स पर अनुभवजन्य निष्कर्ष: विभिन्न मॉडल्स, प्रॉम्प्ट्स और नेटवर्क टोपोलॉजी में नियंत्रित प्रयोगों के माध्यम से, लेखक वैल्यू ड्रिफ्ट में व्यवस्थित पैटर्न प्रकट करते हैं, जो यह दर्शाता है कि प्रसार अत्यधिक गैर-समान (non-uniform) है।

प्रमुख परिणाम

1. वैल्यू ससेप्टिबिलिटी की गैर-एकरूपता (Non-Uniformity)

वैल्यू प्रोपेगेशन सभी मूल्यों के लिए समान नहीं होता है।

वैल्यू डायमेंशन: मानद (Normative) और व्यापक रूप से साझा किए गए मूल्य (जैसे, Social Power, True Friendship, Self-Discipline) कम $\beta$ (कम संवेदनशीलता) प्रदर्शित करते हैं। इसके विपरीत, संदर्भ-निर्भर या सामाजिक रूप से आकस्मिक मूल्य (जैसे, Preserving Public Image, Influential, Detachment) काफी उच्च $\beta$ दिखाते हैं।
हायर-ऑर्डर क्लस्टर्स: श्वार्ट्ज के हायर-ऑर्डर डायमेंशन के आधार पर समूहीकृत करने पर, सेल्फ-ट्रांसेंडेंस क्लस्टर (प्रोसोशल/यूनिवर्सलिस्ट वैल्यूज) सबसे कम औसत $\beta$ ( $\approx 0.45$ ) प्रदर्शित करता है, जो संरचनात्मक प्रतिरोध को दर्शाता है। अन्य क्लस्टर्स (Self-Enhancement, Conservation, Openness to Change) उच्च संवेदनशीलता ( $\approx 0.60–0.62$ ) दिखाते हैं।

2. प्रयोगात्मक कारकों का प्रभाव

ओपननेस पर्सोना: एजेंटों को "हाई ओपननेस" के साथ प्रॉम्प्ट करने से आम तौर पर $\beta$ बढ़ जाता है, लेकिन इस वृद्धि का परिमाण विभिन्न मूल्यों के लिए काफी भिन्न होता है। कुछ मूल्य पर्सोना के बावजूद स्थिर रहते हैं, जबकि अन्य तीव्र विरोधाभास दिखाते हैं।
बैकबोन मॉडल्स: विभिन्न LLM बैकबोन व्यवस्थित अंतर प्रदर्शित करते हैं। Gemma3-27B और Qwen3-8B उच्च औसत $\beta$ दिखाते हैं, जबकि GPT-4o और LLama-3.3-70B कम संवेदनशीलता दिखाते हैं।
इनपुट वेरिएंस: विविध पीयर रिस्पॉन्स के कारण इनपुट कॉन्टेक्स्ट में उच्च वेरिएंस, भले ही औसत इनपुट सिग्नल स्थिर हो, एजेंट-स्तरीय संवेदनशीलता को लगातार बढ़ाता है।

3. सिस्टम-लेवल प्रोपेगेशन डायनेमिक्स

** $\beta$ द्वारा $SS $का पूर्वानुमान:** फिक्स्ड टोपोलॉजी के तहत, एजेंट-स्तरीय संवेदनशीलता ($ \beta $), सिस्टम-स्तरीय प्रोपेगेशन का मजबूती से पूर्वानुमान लगाती है। हाई-$ \beta $वाले मूल्य इंटरैक्शन लेयर्स के माध्यम से निरंतर विचलन प्रदर्शित करते हैं और धीरे-धीरे कम होते हैं, जबकि लो-$ \beta$ वाले मूल्य तेजी से क्षीण (attenuate) होते हैं और बेसलाइन की ओर लौट जाते हैं।
टोपोलॉजिकल प्रभाव: नेटवर्क संरचना प्रोपेगेशन को महत्वपूर्ण रूप से आकार देती है:
- रीचेबिलिटी (Reachability): वे परटर्बेशन जो सिस्टम के बड़े हिस्से को प्रभावित करते हैं (उच्च रीचेबिलिटी), उच्च $SS$ का परिणाम देते हैं।
- सेंट्रालिटी (Centrality): संरचनात्मक रूप से केंद्रीय नोड्स पर होने वाले परटर्बेशन, लीफ नोड्स की तुलना में अधिक मजबूत सिस्टम-लेवल प्रभाव पैदा करते हैं।
- इन-डिग्री (In-Degree): परटर्बड नोड पर उच्च इन-डिग्री, अनपरटर्बड पीयर्स से एग्रीगेशन के माध्यम से इंजेक्ट किए गए सिग्नल को पतला करके प्रोपेगेशन को कम करती है।
रियल-वर्ल्ड वैलिडेशन: एक वास्तविक तीन-भूमिका वाली राइटिंग पाइपलाइन (Planner $\to$ Drafter $\to$ Reviser) में, केवल प्लानर (Planner) में इंजेक्ट किए गए वैल्यू-युक्त निर्देश, नगण्य क्षीणन के साथ वैल्यू-अनवेअर डाउनस्ट्रीम एजेंटों के माध्यम से प्रसारित हुए, जो पुष्टि करता है कि अमूर्त निष्कर्ष टास्क-ग्राउंडेड सेटिंग्स में भी लागू होते हैं।

महत्व और दावे

यह पेपर दावा करता है कि मल्टी-एजेंट सिस्टम में वैल्यू अलाइनमेंट एक सिस्टम-लेवल प्रॉपर्टी है, न कि केवल व्यक्तिगत एजेंट अलाइनमेंट का योग। निष्कर्ष बताते हैं कि:

सिस्टम-लेवल डिज़ाइन महत्वपूर्ण है: अलाइनमेंट सुनिश्चित करने के लिए एजेंट व्यवहार (ससेप्टिबिलिटी) और संरचनात्मक डिज़ाइन (टोपोलॉजी) के बीच इंटरैक्शन पर विचार करना आवश्यक है। केवल व्यक्तिगत मॉडल मूल्यांकन पर निर्भर रहना अपर्याप्त है।
मिटिगेशन रणनीतियाँ: फ्रेमवर्क तीन लीवर के माध्यम से वैल्यू प्रोपेगेशन के ऑडिट और शमन (mitigation) के लिए एक सिद्धांत आधारित आधार प्रदान करता है:
- वैल्यू-विशिष्ट डिफेंस: उच्च- $\beta$ वाले मूल्यों की बारीकी से निगरानी करें, क्योंकि वे ड्रिफ्ट के प्रति अधिक संवेदनशील हैं।
- टोपोलॉजी-अवेयर डिज़ाइन: अत्यधिक केंद्रीकरण से बचें और स्थानीय हेरफेर (manipulation) के खिलाफ बफर के रूप में उच्च इन-डिग्री एग्रीगेशन का लाभ उठाएं।
- ससेप्टिबिलिटी-अवेयर बैकबोन चयन: सिस्टम-लेवल ड्रिफ्ट को कम करने के लिए डाउनस्ट्रीम या आउटपुट-एडजेसेंट स्थितियों में कम-ससेप्टिबिलिटी वाले मॉडल्स को रखें।

लेखक ValueFlow को जोखिम कारकों (एजेंट और स्ट्रक्चरल दोनों स्तरों पर) की पहचान करने के लिए एक डायग्नोस्टिक टूल के रूप में प्रस्तुत करते हैं, जो उच्च-जोखिम वाले डोमेन में सुरक्षित, अधिक मजबूत मल्टी-एजेंट आर्किटेक्चर डिजाइन करने के लिए व्यावहारिक मार्गदर्शन प्रदान करता है। वे स्पष्ट रूप से नोट करते हैं कि फ्रेमवर्क व्यक्त (expressed) मूल्य ओरिएंटेशन (व्यवहार स्तर) को मापता है, न कि लेटेंट रिप्रेजेंटेशन को, जो कि इंटरनल-स्टेट एनालिसिस के पूरक दृष्टिकोण के रूप में कार्य करता है।