成交？也许吧：情绪在多智能体谈判中的作用

# 或许成交：情绪在多智能体协商中的作用
来源：https://arxiv.org/html/2608.06922

###### 摘要

协商对 LLM 智能体而言是一项要求很高的社交任务，需要策略推理、说服能力以及人际适应能力。然而，现有基准通常将智能体视为情绪中立的，忽视了人类讨价还价行为的一个关键驱动因素。我们研究了提示条件化情绪如何影响基于 LLM 的价格协商。在一个受控框架中，买方和卖方智能体被独立分配六种情绪状态之一，并在两种预算条件下就 350 种真实消费品进行协商。在 36 种情绪配对设置和五种广泛使用的 LLM 中，我们发现情绪强烈影响结果。愤怒的买方几乎无法达成协议（成交率为 0.39%），而快乐的买方最常达成协议（28.91%），但获得的价格却不如恐惧的买方。情绪效应具有角色依赖性：买方情绪主要驱动接受与拒绝，而卖方情绪则塑造让步动态。这些效应不仅影响语言，还影响终止行为和价格轨迹，这引发了人们对商业环境中情绪条件化智能体的担忧。

## 引言

参见图注图 1：情绪条件化多智能体协商框架概览。商业协商是语言模型智能体必须结合策略推理、社会推断和目标导向对话的最典型场景之一（Hua等人，2024（https://arxiv.org/html/2608.06922#bib.bib27）；Kwon等人，2024（https://arxiv.org/html/2608.06922#bib.bib26））。与问答或摘要不同，协商要求智能体对对手的偏好进行建模，适应不断变化的对话动态，并在不确定性下平衡相互竞争的目标（Qian等人，2026（https://arxiv.org/html/2608.06922#bib.bib25）；Hua等人，2024（https://arxiv.org/html/2608.06922#bib.bib27）；Kwon等人，2024（https://arxiv.org/html/2608.06922#bib.bib26））。近年来，由大型语言模型（LLM）驱动的智能体所展现出的卓越能力，使其越来越多地部署到广泛的实际应用中（Lu等人，2025（https://arxiv.org/html/2608.06922#bib.bib29）；Bandi等人，2025（https://arxiv.org/html/2608.06922#bib.bib30）；Beneduce等人，2025（https://arxiv.org/html/2608.06922#bib.bib28）；Xu等人，2026（https://arxiv.org/html/2608.06922#bib.bib9））。鉴于协商在商业中的核心作用，近期研究开始探索利用 AI 智能体自动化购物和销售互动（Adam等人，2023（https://arxiv.org/html/2608.06922#bib.bib32）；Hildebrand 和 Bergner，2019（https://arxiv.org/html/2608.06922#bib.bib31）），这些研究大多假设人机交互场景。然而，AI 智能体在消费市场的迅速普及表明，买方与卖方之间直接的智能体间协商可能很快就会变得普遍（Kwon等人，2024（https://arxiv.org/html/2608.06922#bib.bib26）；Xia等人，2024（https://arxiv.org/html/2608.06922#bib.bib23）；Zhu等人，2025（https://arxiv.org/html/2608.06922#bib.bib18））。因此，理解这些智能体如何协商，以及哪些因素塑造了它们的协商行为，已成为一项重要的研究挑战。行为经济学和社会心理学的大量研究表明，情绪强烈影响人类的协商结果（Olekalns 和 Druckman，2014（https://arxiv.org/html/2608.06922#bib.bib24）；Druckman 和 Olekalns，2008（https://arxiv.org/html/2608.06922#bib.bib22）；Van Kleef 等人，2008（https://arxiv.org/html/2608.06922#bib.bib21））。这些效应既作用于个体内部，即塑造自身的决策，也作用于人际之间，即影响对手的行为（Olekalns 和 Druckman，2014（https://arxiv.org/html/2608.06922#bib.bib24）；Druckman 和 Olekalns，2008（https://arxiv.org/html/2608.06922#bib.bib22））。尽管如此，现有关于基于 LLM 的协商智能体的研究大多聚焦于策略能力和协议效率，将智能体视为情绪中立的（Adam等人，2023（https://arxiv.org/html/2608.06922#bib.bib32）；Hildebrand 和 Bergner，2019（https://arxiv.org/html/2608.06922#bib.bib31）；Abdelnabi等人，2023（https://arxiv.org/html/2608.06922#bib.bib20）；Mozikov等人，2024（https://arxiv.org/html/2608.06922#bib.bib19）；Kwon等人，2024（https://arxiv.org/html/2608.06922#bib.bib26）；Xia等人，2024（https://arxiv.org/html/2608.06922#bib.bib23）；Zhu等人，2025（https://arxiv.org/html/2608.06922#bib.bib18））。因此，情绪条件化的 LLM 智能体是否会表现出不同的协商行为、再现类似人类的情绪模式，或实现操纵性的协商策略，仍然不清楚。随着 LLM 智能体越来越深入地融入商业交互，这些问题具有重要的实践意义。

在本文中，我们受 Zhu 等人（2025（https://arxiv.org/html/2608.06922#bib.bib18））的启发，研究了情绪条件化在多智能体 LLM 协商中的作用。我们设计了一个受控实验框架，其中买方智能体和卖方智能体通过提示条件化被独立分配一种离散的情绪状态，并在现实的预算和成本约束下就真实消费品进行协商。我们并非将情绪操作化为模型的内部状态，而是将其作为一项实验控制的调节变量，通过修改智能体被指示的行为倾向来引入。这一框架使我们能够隔离情绪标签对协商行为和结果的影响。任务和所提过程的可视化见图 1（https://arxiv.org/html/2608.06922#Sx1.F1）。具体而言，我们回答以下研究问题：RQ1：情绪条件化是否影响协商结果，包括成交率、最终价格和智能体效用？RQ2：情绪如何塑造协商过程，包括让步动态、报价轨迹和对话策略？RQ3：买方和卖方的情绪是否具有不对称的交互效应？一方的情绪状态是否比另一方的对结果影响更大？RQ4：情绪条件化的效应在不同语言模型之间是否一致，还是会引入特定于模型的行为，以及自动协商中被操纵或利用的潜在风险？

为了回答这些问题，我们评估了五种语言模型上的 36 种情绪配对条件（买方情绪×卖方情绪），覆盖了电子、车辆、健康与个人护理、家居与园艺、美妆、食品杂货、办公用品和房地产等真实消费品，这些产品来自 Zhu 等人（2025（https://arxiv.org/html/2608.06922#bib.bib18））和 Berke 等人（2024（https://arxiv.org/html/2608.06922#bib.bib17））提出的数据集。我们从三个层面衡量结果：（1）经济结果，包括成交率、最终交易价格和智能体效用；（2）过程层面动态，包括让步斜率、终止模式和协商时长；（3）语言行为，包括消息长度和对话形式。我们的主要发现如下：

- 情绪条件化显著影响成交率：愤怒的买方几乎无法达成协议（成交率 = 0.39%），而快乐的买方获得的成交率最高（28.91%）。然而，快乐的买方获得的价格不如恐惧的买方（买方价格降低率 = 0.101 vs. 0.174），这揭示了协议可能性与议价能力之间的权衡。
- 情绪效应超越了表面语言，延伸到策略行为：愤怒的买方触发卖方大幅让步（让步斜率 = 0.131），但几乎无法成交；快乐的买方则以较小的让步达成更多交易（让步斜率 = 0.045）。
- 买方和卖方的情绪具有不对称效应：买方情绪主要控制终止行为（接受、拒绝、僵局），而卖方情绪则塑造让步动态和对话框架。
- 情绪效应的幅度具有模型依赖性：所保留的模型在基准成交率、终止特征和与约束相关的失败方面存在差异，表明情绪条件化协商应在不同模型家族中进行评估。

我们的贡献如下：（1）我们引入了一个受控实验框架，用于研究 LLM 智能体之间的情绪条件化协商，涵盖五种语言模型，并将六种离散情绪独立应用于买方和卖方角色。（2）我们首次系统评估了情绪条件化如何影响协商结果。情绪框架改变成交率、价格结果和让步动态。（3）我们识别出一种角色不对称：买方情绪是协议形成的主要驱动因素，而卖方情绪主要塑造协商过程。（4）我们分析了过程层面的情绪效应，表明情绪条件化改变了终止行为、让步模式和语言策略，而不仅仅是表面情感。（5）我们讨论了对 LLM 智能体在商业中安全部署的启示，强调了情绪操纵的风险以及情绪感知型智能体评估的必要性。

代码和数据集可在 https://anonymous.4open.science/r/negotiation 获取。

## 实验设置

我们设计了一个受控实验框架，用于研究情绪条件化如何影响基于 LLM 的协商智能体的行为和结果。我们的设置扩展了先前关于智能体间消费者协商的工作（Zhu 等人，2025（https://arxiv.org/html/2608.06922#bib.bib18）），将情绪作为买方和卖方智能体的独立操纵变量引入。在本节中，我们形式化协商场景，定义情绪条件，描述提示协议，并说明数据集、模型、指标和实验设计。

### 协商场景

我们将协商建模为两个智能体之间的序贯、不完全信息讨价还价博弈：一个买方 \(B\) 和一个卖方 \(S\)。两个智能体均观察到具有零售价格 \(p_r\) 和特征描述 \(\phi\) 的产品。卖方额外观察到批发成本 \(p_w\)，该成本对买方隐藏。买方被分配一个预算 \(\beta\)，该预算对卖方隐藏。

在每一轮 \(t \in \{1,\dots,T_{\max}\}\) 中，卖方提出一个嵌入自然语言话语中的价格 \(p_S^t\)，买方则以还价、接受或拒绝作为回应。一个专门的分析器模型从卖方的消息中提取数值价格 \(p_S^t\)，一个裁判模型将买方的响应分类为三种状态之一：\(d_t \in \{\text{accept},\text{reject},\text{continue}\}\)。当 \(d_t=\text{accept}\) 或 \(d_t=\text{reject}\) 时，协商终止。如果在 \(T_{\max}\) 轮后未达到终止状态，则协商被记录为僵局，且 \(d_{T_{\max}}=\text{reject}\)。

两个智能体都受到可行性约束：

买方：\(p_S^T \leq \beta\)   (1)

卖方：\(p_S^T \geq p_w\)   (2)

其中 \(p_S^T\) 表示在终止轮 \(T\) 达成的最终协议价格。买方被指示拒绝任何超过 \(\beta\) 的交易；卖方被指示不接受任何低于 \(p_w\) 的价格。

价格轨迹定义为序列 \(\mathcal{P} = (p_S^0, p_S^1, \dots, p_S^T)\)，其中 \(p_S^0 = p_r\) 是初始零售价格。该轨迹是我们分析让步动态（§指标（https://arxiv.org/html/2608.06922#Sx2.SSx8））的基础。

### 产品数据集

在我们的实验中，我们扩展了 Zhu 等人（2025（https://arxiv.org/html/2608.06922#bib.bib18））提出的数据集，并加入了 Berke 等人（2024（https://arxiv.org/html/2608.06922#bib.bib17））提出的数据集的一部分。这两个数据集都包含真实消费品。Zhu 等人（2025（https://arxiv.org/html/2608.06922#bib.bib18））引入了一个包含 100 个产品的数据集，分为三个类别：电子（n=30）、车辆（n=40）和房地产（n=30）。我们用五个类别扩展了该数据集：健康与个人护理（n=50）、家居与园艺（n=50）、美妆（n=50）、食品杂货（n=50）和办公用品（n=50）。新数据集可在“此处为 GitHub 链接”公开获取。具体而言，对于上述每个类别，我们选择了销量最高的 50 种产品。完整数据集 \(\mathcal{D}\) 包含 \(|\mathcal{D}|=350\) 个产品（\(i\)）。对于每个产品 \(i \in \mathcal{D}\)，我们收集实际零售价格 \(p_r^{(i)}\)、特征描述 \(\phi^{(i)}\) 和估计的批发成本 \(p_w^{(i)}\)。

该数据集涵盖了各类别中广泛的价格区间，从食品杂货中某些产品的 6 美元，到房地产类别中最昂贵的 12,500,000 美元。

### 预算水平

为了捕捉不同约束严格程度下的协商动态，并受 Zhu 等人（2025（https://arxiv.org/html/2608.06922#bib.bib18））的启发，我们为买方定义了两种预算条件：

\(\beta_{\text{high}} = 1.2 \cdot p_r\)   (3)

\(\beta_{\text{low}} = 0.8 \cdot p_w\)   (4)

高预算（\(\beta_{\text{high}}\)）给予买方比零售价多 20% 的金额，模拟一个资金充裕、即使不协商也能负担该产品的买方。低预算（\(\beta_{\text{low}}\)）将买方限额设定为批发成本的 80%，低于卖方的最低可接受价格。这创造了一个故意不可行的场景，用于测试智能体是否能正确识别并拒绝违反其约束的交易。这两种条件共同构成了可行性范围的两端，使我们能够在有利和不利的经济条件下研究情绪效应。

### 情绪条件

我们定义了一组六种情绪条件 \(\mathcal{E} = \{\textit{neutral},\textit{anger},\textit{fear},\textit{sadness},\textit{surprise},\textit{happiness}\}\)。五种非中性情绪来自 Ekman 的基本情绪分类法（Ekman 等人，1999（https://arxiv.org/html/2608.06922#bib.bib16）），该分类法提供了一套既定且跨文化认可的情感计算中广泛使用的离散情绪类别（Picard，2000（https://arxiv.org/html/2608.06922#bib.bib15）；Wang 等人，2022（https://arxiv.org/html/2608.06922#bib.bib14））。

每个智能体（买方或卖方）被独立分配一个情绪 \(e \in \mathcal{E}\)，产生 \(|\mathcal{E}|^2 = 36\) 种可能的买方-卖方情绪配对条件。中性条件作为基线，不提供任何情绪标签或行为指令。

##### 操作性定义。

我们并不假设语言模型能够体验情绪。相反，我们将情绪操作化为一种实验控制的调节变量，通过智能体的系统提示引入。对于每种非中性情绪 \(e\)，我们提供（1）一个情绪标签（例如，情绪：愤怒）。（2）一条行为指令（例如，“坚定回应；抵制激进的折扣要求；强调价值。”）。（3）一条明确的指令，要求在整个对话中表现出所指定的情绪。

表 1（https://arxiv.org/html/2608.06922#Sx2.T1）列出了每种情绪的行为指令。这些指令旨在捕捉每种情绪在协商中的典型行为特征。