面向价值驱动大语言模型智能体的Context-Value-Action架构

大语言模型（LLM）在模拟人类行为方面展现出潜力，但现有智能体常常表现出行为僵化，这一缺陷常被当前“LLM当裁判”（LLM-as-a-judge）评估的自我指涉偏差所掩盖。通过对照经验真值进行评估，我们揭示出一个反直觉现象：增强提示驱动的推理强度并不能提升行为保真度，反而会加剧价值极化，使群体多样性坍缩。为解决这一问题，我们提出Context-Value-Action（CVA）架构，其基础是刺激-机体-反应（S-O-R）模型与Schwartz基本人类价值理论。与依赖自我验证的方法不同，CVA通过一个在真实人类数据上训练的新型Value Verifier，将动作生成与认知推理解耦，以显式建模动态的价值激活。在包含超过110万条真实世界交互轨迹的CVABench上的实验表明，CVA显著优于基线。我们的方法有效缓解了极化，同时提供了更优的行为保真度与可解释性。