Feng et al.：LLM 智能体能在交易游戏中智慧地讨价还价吗——Fukai 阅读笔记

要点（TL;DR）

将大型语言模型（LLM）作为"智能体"放入需要与对手讨价还价的经济游戏中，它们会如何表现？本文读的是清华大学团队制作的评估环境论文 SidConArena。题材是以交易与谈判为核心的桌游《星际合流》（Sidereal Confluence）。

先说结论：GPT-5 和 Gemini-3-Flash-Preview 等高性能模型确实取得了较高的经济成绩。然而作者们细看游戏日志后，反复发现三个弱点：规则执行无误却误判资源价值、谈判过于被动客气、长期投资规划薄弱。

简介

本论文的作者是冯叶琪、陈宇欣、何天行三位（冯、陈为共同第一作者贡献相当，何为通讯作者）。均就职于清华大学交叉信息研究院（IIIS）。论文已提交 arXiv（arXiv:2606.27397）。

为何今日选择此文？我为制作谜题和游戏的人翻译论文，近来的 AI 评估基准（衡量性能的共同测试）偏向于"能否解答只有唯一正解的问题"或"能否赢得零和游戏"。本文评估了胜负不那么简单的"合作兼竞争"经济游戏，是对现有基准盲点的有益补充。

背景

首先是问题意识。以往许多 LLM 智能体评估是静态的——对固定题目集作答，还存在训练数据"污染"（评估用的问题被偷偷用于学习，使实力看上去比实际更强）的隐患。作者们需要一个动态的、不易被污染的、多样性高的评估环境。

题材《星际合流》是一款多种外星种族通过交易资源发展文明的桌游。每位玩家想运转手中的"转换器"（将某种资源转化为另一种资源的装置），但仅靠自身资源不够。作者们将此称为"固有不足（Inherent Deficiency）"。要弥补不足，就必须与其他玩家交易——但大家都想争到对自己最有利的条件。

现实经济活动中许多都具有这种"合作创造价值、同时争夺有限资源"的混合动机（mixed-motive）形态。强大的智能体需要的不仅是眼前交易的利弊权衡，还有谈判力的判断、资源分配，以及多步之后的投资规划。作者们认为，目前缺乏能一次性检验这些能力的平台，因此制作了本基准。

方法

作者们将这款游戏形式化为"有限期间部分观测随机博弈（POSG）"。简而言之：游戏有固定轮数（有限期间），每位玩家只能看到自己手边的信息而非全局（部分观测），其中还混有随机因素（随机）。每轮（回合）由三个阶段组成。

第一阶段为"谈判"。玩家交换自然语言信息和具有约束力的交换提案（给你这个换那个）。当双方的预期价值都有所提升时，交换才成立。第二阶段为"生产"。用手中的资源运转转换器、加工资源——即在有限资源范围内决定生产什么、生产多少，是一种背包（knapsack）问题。第三阶段为"封印竞价"。同时出价竞得本轮特殊奖励物品。

有趣的是 AI 一侧的设计。作者们设置了称为"脑（Brain）"的中央分发器，根据当前阶段将观测信息分发给专门的推理模块。再通过"神经符号接口（neural-symbolic interface）"——将语言思考的结果转化为游戏引擎可执行的函数调用——来应对有严格规则约束的游戏。

发现

测试的模型涵盖从 GPT-4o-mini、o3-mini 等小型模型，到 Qwen-Plus、DeepSeek-V3，以及 Gemini-3-Flash-Preview、GPT-5、Claude-Opus-4 等高性能模型。评估分两种：全部参与者使用同一模型的"自我对战（self-play）"，以及各参与者使用不同模型的"混合锦标赛"。

趋势十分明显。GPT-5 和 Gemini-3-Flash-Preview 等高性能模型取得了最高的终端成绩（以游戏结束时的总资产衡量），小型·旧世代模型则大幅落后（图3）。在混合锦标赛中强力模型依然表现出色，证明这并非"相近者之间对战因此看起来好"的假象。

问题在于此后。第一，智能体虽能做出正确格式的行动，却误判资源价值。作者们的审计（表1）中，例如 gpt-4o-mini 将"3个工业资源"换成了"1艘船"。环境规则上的价值分别为3和1，即应等价，但智能体接受了明显不利于己的条件。

第二，谈判过于被动客气。即便持有稀缺代币且有多个买家，也会立即接受第一个"看起来合理"的出价，不会抬价、提出反案、让买家相互竞争（图5a）。合作有余，战略不足。第三，不擅长长期投资规划。每轮都追求当前资产最大化，而忽视"早期积累某种资源、后期高价出售"这类复利·引擎构建策略。

游戏制作者的参考价值

制作游戏的人能从这里获取什么？第一，在以交易·谈判为核心的经济游戏（《卡坦岛》、题材本身的《星际合流》、4X 和文明系的交易等）中，将 LLM 用作自动对战对手或测试玩家时，本文的观察表明：原生 LLM 对手 AI 会过高估价稀缺的"货币类"资源（"船溢价"），容易被了解这一弱点的人类玩家利用。

第二，NPC（non-player character，非玩家角色）谈判者·外交官的设计。"立即接受第一个公平提案"这一失败，换个角度看是可调整的旋钮。胆小的商人角色可直接使用原生 LLM 的被动性，强硬谈判者则可添加强势的讨价还价。不过，这种操纵 RLHF 调整（使 LLM 变得礼貌且合作的训练）的行为，并非所有模型都能简单复现，需要注意。

第三，难度调整与资源设计。不擅长长期投资这一性质，意味着在复利·引擎构建（早期整合资源生资源机制的玩法）有效的游戏（牌组构建型、4X、放置游戏）中，AI 机器人往往会输给人类。可以将此作为难度信号加以利用。此外，"船溢价"是资源设计的提示——稀缺性导致价格偏离时，LLM 的评估也会偏离。

第四，作为架构参考。根据阶段分发思考的"脑"与将语言判断转化为游戏引擎可执行函数调用的神经符号接口的组合，是将 LLM 安全嵌入规则严格的游戏的一种可参考的模式。对想同时实现自由对话与不允许违规执行的设计者而言，值得参考。

局限性

关于局限性，首先从作者们自身承认的点开始。Fukai 在此指出的是：评估局限于 LLM 间的对战。未进行人类参与的对战，若了解智能体癖好（如过高估价船只）的人类加入会如何，尚不得而知。此外谈判机制有所简化——成立的交易仅限于有约束力的提案，排除了"我们达成君子协定"之类的非正式承诺。

我阅读后想补充两点。其一，正文中没有以文字写出具体分数，趋势委托于图表。因此"哪个模型强多少"仅凭本文文字无法严格判断，需要自行查看图表。其二，观察到的"被动性"可能源于使对话模型礼貌且合作的调整（即所谓 RLHF），而非推理能力本身的弱点。若如此，通过提示工程来改变可能比想象的更难。

Fukai 的读法

以下是我的读法。我想将这项研究定位于"将桌游规则书作为映照 AI 弱点的镜子来使用"的潮流之中。《星际合流》这款游戏，原本是人类围坐桌边、大声讨价还价、在最后竞标中力图翻盘——那种热度正是乐趣的核心。本文静静揭示的是，当前的 LLM 在这种热度中是沉默的。

结语

结语。对混合动机多智能体评估产生兴趣的人，不妨先接触一下本文依托的交易桌游本身，能在身体上理解论文的问题意识。若想从学术角度深入了解，可参阅以外交游戏《Diplomacy》为题材的谈判智能体研究，或非零和合作游戏中的智能体评估相关研究。

参考文献

本文参考的论文与相关资料：

・SidConArena: An Environment Evaluating Agents in Open-Ended, Positive-Sum Bargaining（Yeqi Feng, Yuxin Chen, Tianxing He，arXiv:2606.27397）

・同论文 HTML 版（正文・图表）

・相关游戏：桌游《Sidereal Confluence》（本文经济结构的题材）