LLM谈判中信任评估与协议率存在差距

该论文通过构建重复性多方多议题谈判框架，验证了大语言模型智能体在识别恶意对手后，其显式信任估计并不必然带来更好的谈判成果，揭示了“信任—协议差距”现象。研究发现，虽然具备信任意识的智能体能快速识别出试图阻止协议的对手，但准确的信任评分只有在被明确引导用于决策时，才能将协议率提升最高达 23 个百分点。 实验细节显示，现有工作常将信任视为涌现现象，而本研究引入了显式的成对信任估计机制，让参与者在多轮博弈中维持并传递信任状态。对比结果显示，仅拥有信任感知能力不足以优化结果，关键在于如何将信任量化指标整合进智能体的推理链条中。若缺乏明确的决策逻辑将信任值转化为行动策略，即便识别出敌对行为，智能体仍可能无法有效规避或调整策略以达成有利协议。 这一事实表明，单纯增强 Agent 的社交认知或信任建模能力并非解决多智能体协作问题的充分条件。推断认为，未来 Agent 系统的设计需从“能否识别信任”转向“如何执行基于信任的决策”，这要求推理架构必须包含更精细的策略映射机制。猜测部分在于，这种差距在不同任务复杂度或不同模型架构下是否普遍存在，以及是否存在特定的提示工程模式能弥合这一缺口，目前材料未提供跨场景数据支持。