**Introduzione** I grandi modelli di linguaggio (LLM) hanno reso possibile l'utilizzo di sistemi multi-agenti (MAS) in cui molti agenti discutono, criticano e coordinano per risolvere compiti complessi. Tuttavia, la maggior parte degli LLM-based MAS adotta grafici pieni o reti sparse, con poca guida strutturale. Questo articolo esplora come le reti di piccolo mondo possano essere utilizzate per stabilizzare i sistemi multi-agenti. **Teoria e applicazione** Le reti di piccolo mondo sono strutture network che combinano località (cluster) con integrazione a lungo raggio. In questo articolo, esploriamo come questo concetto possa essere utilizzato per migliorare i sistemi multi-agenti. Sviluppiamo un testbed di dibattito multi-agente (MAD) per valutare l'impatto delle reti di piccolo mondo sull'accuratezza e sul costo dei token. I risultati mostrano che le reti di piccolo mondo migliorano la stabilità dei traguardi della consenso, senza compromettere l'accuratezza. **Scalabilità e adattabilità** Per scalare i sistemi multi-agenti, abbiamo sviluppato un protocollo di riformatura basato sull'incertezza. Questo protocollo utilizza segnalazioni d'incertezza LLM-orientate per aggiungere connessioni di lunga distanza tra gli agenti epistemicamente divergenti. I risultati mostrano che questo protocollo può creare strutture network controllabili che si adattano alla difficoltà del compito e all'omogeneità degli agenti. **Implicazioni** In questo articolo, esploriamo le implicazioni più ampie delle reti di piccolo mondo per la progettazione dei sistemi multi-agenti. Presentiamo come queste strutture network possano stabilizzare la ragione, migliorare la robustezza e fornire coordinatore scalabili.