以策略参数化提示影响LLM多智能体对话

大语言模型（LLM）已成为多智能体系统的新范式。然而现有对LLM多智能体行为的研究依赖临时提示，缺乏有原则的策略视角。与强化学习不同，我们研究「提示即动作」能否参数化，构建由状态-动作对序列组成、无需训练即可影响对话行为的轻量策略。该框架把提示视为LLM执行的动作，基于智能体当前状态经五个组件动态构造提示。为检验参数化控制的有效性，我们用响应性、反驳、证据使用、非重复与立场转变五个指标评估对话流。我们在两个面向公众的讨论场景中用不同LLM智能体实验，表明提示参数化能影响对话动态。结果表明策略参数化提示为影响对话过程提供了简单有效的机制，有助于多智能体系统在社会模拟方向的研究。