通信在LLM代理中促进合作：与课程化方法的比较
机器学习
2026-03-12 v3
摘要
在多主体LLM系统中引导合作是AI对齐的关键问题。我们研究了两种方法：直接通信和课程学习。在4玩家斯塔猎人游戏中，一个单词的"廉价话术"通道将合作率从0%提升至96.7%，表明通信是一种稳健的协调机制。相比之下，我们发现课程学习对设计选择极其敏感：我们的教学课程通过逐步复杂化的游戏减少了代理人在带惩罚的迭代公共物品游戏中的收益，降低了27.4%，表明针对短期理性性进行优化可能实际上削弱了对齐目标。定性分析揭示，强调背离均衡游戏的课程会导致代理人出现"学习的悲观主义"。这些发现表明，对于协调问题，简单的通信协议可能比基于经验的训练更可靠，而且需要仔细关注课程设计中嵌入的战略性教训。
引用
@article{arxiv.2510.05748,
title = {Communication Enables Cooperation in LLM Agents: A Comparison with Curriculum-Based Approaches},
author = {Hachem Madmoun and Salem Lahlou},
journal= {arXiv preprint arXiv:2510.05748},
year = {2026}
}
备注
Published in EACL 2026 - Corrected cooperation rates for two-stage communication conditions (96.7% and 100.0%, previously reported as 48.3% and 50.0% due to a denominator bug in the evaluation code). All other results unchanged