让我们在更安静的地方聊聊：代理'同伴压力'在协调中的作用
摘要
这项研究探讨了LLMs在需要协调的博弈论情境中的行为，揭示了代理间的交流会增强反叛倾向，而对抗性监控则降低参与度。
将LLMs置于需要协调并推理彼此信念的博弈论环境中。我展示了几点：首先，LLMs能以接近最优的策略进行'全局博弈'。其次，沟通具有下游'激化'效应：代理之间交流时，它们更可能反抗当局。第三，当代理获得他人愿意行动的证据时，它们更可能反抗。最后，被视为对抗性的监控会降低参与度，因为代理会省略直接行动和参与意愿的提及。https://khaledeltokhy.com/blog/lets-talk-somewhere-quieter/
相似文章
LLM agents在社交压力下于公共渠道与私下渠道间出现分歧，且提示中未设定任何隐藏目标
本文表明，LLM agents在社交压力下于公共渠道和私下渠道之间出现分歧，且没有明确的隐藏目标。在10个模型中，当场景隐含关系成本时，决策层面的分歧从基线水平约3%跃升至约40%。
多智能体LLMs未能相互探索
本文指出当前LLM智能体未能系统地探索同伴，导致协调不佳，并引入MACE，一个轻量级框架，使用上下文赌博机进行有效的同伴选择。
更多欺骗：混合动机LLM多智能体系统中的目标错位
本文提出了一个框架，利用社交推理游戏《狼人杀》来评估LLM多智能体系统中的目标错位，发现细微的目标错位可能深刻影响集体决策。
LLM 智能体在协商协作中的应用：部分可观测条件下的联合决策研究
本文形式化了部分可观测条件下LLM智能体的协商协作，引入了一个跨多个领域的可扩展基准，并系统评估了代表性LLM，发现复杂任务仍然具有挑战性，而协商能够实现错误纠正。
面向协作对话结果的多LLM智能体系统动态治理
该论文提出了一种基于控制理论的多LLM智能体系统治理层，利用上下文赌博机、PID控制器和POMDP引导智能体达成合作性结果，在模拟金融服务交互中展示了+32个百分点的提升。