AI Agent的耶基斯-多德森曲线：多Agent LLM仿真中环境压力下的涌现合作

设计能最大化AI Agent涌现行为发展速度的环境仍是一个开放问题。我们呈现首个对大型语言模型（LLM）多Agent系统中压力-性能关系的系统研究，并与认知心理学的耶基斯-多德森定律进行显式类比。使用网格世界生存竞技场，我们开展跨四个阶段的22次实验，通过资源稀缺（维护成本）和繁殖竞争（性选择）改变环境压力。我们的关键发现是合作行为遵循倒U型曲线：贸易交互在中等压力（upkeep=5）下达到峰值29次，而低压力和极端压力下都只有8–12次交易。在极端压力下，行为库在5–12回合内坍缩为仅剩移动。我们进一步表明，性选择——一种所有Agent都能存活但并非都能繁殖的较温和压力机制——完全消除了Agent间攻击行为，并产生了生存压力下不存在的交流行为。这些结果表明，环境压力校准是LLM Agent发展的一种可行的课程设计策略，类似于生物系统中唤醒与性能之间的倒U型关系。