Shapley-Coop：面向自感 LLM 代理的合作信用分配
多智能体系统
2025-06-10 v1 人工智能
摘要
大型语言模型（LLM）在具有预定义角色和工作流程的多代理系统中表现出强大的协作能力。然而，在缺乏协调规则的开放式环境中，代理倾向于以自身利益为导向行事。实现协调的核心挑战在于信用分配——公平评估每个代理的贡献并设计定价机制以匹配其异构目标。这一问题日益重要，因为 LLM 越来越多地参与复杂的人类-人工智能协作，其中公平补偿和问责制依赖于有效的定价机制。灵感来自人类社会如何解决类似协调挑战（例如通过临时协作如雇佣或分包），我们提出了一种合作工作流程 Shapley-Coop。Shapley-Coop 将 Shapley Chain-of-Thought——利用边际贡献作为定价原依据——与结构化谈判协议相结合，用于有效的价格匹配，使 LLM 代理能够通过合理的任务时定价和任务后奖励 redistribution 进行协调。该方法匹配代理激励，促进合作，同时保持自主性。我们在两个多代理游戏和一个软件工程模拟器上评估了 Shapley-Coop，证明其始终增强了 LLM 代理的协作并促进了公平的信用分配。这些结果凸显了 Shapley-Coop 定价机制在任务执行期间准确反映 individual 贡献的有效性。
引用
@article{arxiv.2506.07388,
title = {Shapley-Coop: Credit Assignment for Emergent Cooperation in Self-Interested LLM Agents},
author = {Yun Hua and Haosheng Chen and Shiqin Wang and Wenhao Li and Xiangfeng Wang and Jun Luo},
journal= {arXiv preprint arXiv:2506.07388},
year = {2025}
}