面向价值驱动的大语言模型智能体的 Context-Value-Action 架构
人工智能
2026-04-08 v1 人机交互
摘要
大型语言模型 (LLM) 在模拟人类行为方面显示出前景，但现有智能体往往表现出行为僵化，这一缺陷常被当前以 "LLM-as-a-judge" 评估的自指偏差掩盖。通过对比实证ground truth，我们揭示了一种反直觉现象：增加提示驱动的推理强度并不能提升忠实度，反而会加剧价值极化，导致群体多样性崩溃。为此，我们提出了基于 Stimulus-Organism-Response (S-O-R) 模型和查尔斯顿基本人类价值理论的 Context-Value-Action (CVA) 架构。与依赖自我验证的方法不同，CVA 通过一种基于真实人类数据训练的新型 Value Verifier 明确建模动态价值激活，从而将行动生成与认知推理解耦。针对由超过 110 万真实世界交互痕迹组成的 CVABench，实验表明，CVA 在基准测试中显著优于其他方法。我们的 approach 有效缓解了极化现象，同时提供了更佳的行为忠实度和可解释性。
引用
@article{arxiv.2604.05939,
title = {Context-Value-Action Architecture for Value-Driven Large Language Model Agents},
author = {TianZe Zhang and Sirui Sun and Yuhang Xie and Xin Zhang and Zhiqiang Wu and Guojie Song},
journal= {arXiv preprint arXiv:2604.05939},
year = {2026}
}
备注
Accepted to Findings of the Association for Computational Linguistics: ACL 2026