混沌中的演化性性格：基于LLM增强的囚犯困境情境人格发现框架
神经与进化计算
2026-01-07 v1 计算机科学与博弈论
摘要
迭代囚犯困境（IPD）的标准仿真 operate in a deterministic, noise-free 环境，产生的策略虽在理论上可能最优，但在面对现实不确定性时却脆弱。本文解决了演化博弈论研究中的两个关键空白：（1）策略演化过程中缺乏真实环境压力源，（2）进化基因型策略的可解释性缺口——这些策略是缺乏语义意义的晦涩二进制序列。我们提出一种新框架，将随机环境扰动（God Mode）与大型语言模型（LLM）基于行为的概述相结合，将进化的基因型转化为可解释的人物原型。我们的实验表明，在混沌条件下演化的策略表现出优异的韧性并呈现出distinct的行为表型，从Ruthless Capitalists到Diplomatic Enforcers等。这些表型可以被LLM轻松分类，但通过手动基因检查几乎无法解释。该工作将演化计算与可解释AI相结合，为多智能体系统中的自动化agent characterization提供了模板。
引用
@article{arxiv.2601.02407,
title = {Evolving Personalities in Chaos: An LLM-Augmented Framework for Character Discovery in the Iterated Prisoners Dilemma under Environmental Stress},
author = {Oguzhan Yildirim},
journal= {arXiv preprint arXiv:2601.02407},
year = {2026}
}
备注
10 pages, 5 figures. Project assignment; exploratory study on LLM-based adaptive agents