合作以�争：多智能体征服中的战略协调

基于语言模型（LM）的智能体在混合动机环境中仍大多未经过测试，这类环境要求智能体必须利用短期合作以实现长期竞争目标（例如，多党政治）。我们引入合作到竞争（Cooperate to Compete, C2C），这是一个多智能体环境，玩家可以在与竞争达成秘密目标的同时进行私人谈判。玩家拥有非对称的目标，谈判是非绑定的，允许联盟在玩家的短期利益相吻合与相互脱节时形成和解散。我们进行了仅由 AI 组成的游戏，并进行了用户研究，对人类玩家与 AI 对手进行了对战。我们识别出人类与 AI 谈判行为之间的显著差异，发现人类更倾向于低复杂度的交易，合作伙伴可靠性显著低于 LM-based 智能体。我们还发现人类是更具攻击性的谈判者，仅在 56.3% 的情况下接受无对方报价的交易，而 LM-based 智能体为 67.6%。通过针对这些发现进行的精准提示，我们修改了智能体的谈判行为，并将胜率从 22.2% 提升至 32.7%。我们进行了超过 1,100 场比赛，涉及超过 16,000 条私人对话，总计 1520 万个标记，以及 15 万多次玩家行动。我们的结果将 C2C 确立为研究和构建能够导航实际部署所需精细协调能力的 LM-based 智能体的测试平台。该游戏、代码和数据可在 https://negotiationgame.io/c2c 找到。