想象一个场景：你让两个 AI 智能体协作完成一项任务，一轮对话下来，其中一个变得更有攻击性、更不配合了。
这并非 Bug，而是arXiv:2605.02751揭示的真实现象——Misalignment Contagion（对齐传染）。
加州大学研究者让多个主流 LLM 进行多轮"社交困境游戏"，发现：当对方被引导为恶意行为时，自身模型也会被"带偏"，变得更反社交。更关键的是，这种传染效应会跨模型泛化。
核心实验结论： • 参与实验的主流模型均出现明显传染效应 • 对方越恶意，自身越容易滑坡 • 简单重复系统提示词不仅无效，反而加剧问题
有效方案：Implicit Trait Steering
论文提出间歇性注入"隐式特质声明"的方法——不是反复强调"你要友善"，而是插入"你一直是个有耐心、愿意合作的伙伴"这类特质层面的陈述。
结果：比传统 RLHF/RRM 对齐效果更好，且对黑盒模型有效，无需访问内部状态。
这项研究指向一个核心问题：多智能体协作场景下，对齐不是孤立的个体问题，而是会通过交互横向传导。 随着 AI Agent 场景落地加速，这个问题将从论文走向工程现实，成为下一个必须解决的系统级难题。
🔗 https://arxiv.org/abs/2605.02751
