面向多智能体协调的显式特质推断

基于LLM的多智能体系统（MAS）在复杂任务上前景可期，但仍易出现目标漂移、错误级联与行为失调等协调失败。我们提出显式特质推断（ETI），一种以心理学为基础、用于改进协调的方法。ETI使智能体能够从交互历史中沿着两个经典心理学维度——温暖（如信任）与能力（如技能）——推断并追踪伙伴特征，以指导决策。我们在受控设置（经济博弈）中评估ETI，其将收益损失降低45-77%；在更真实、复杂的多智能体设置（MultiAgentBench）中，相对于CoT基线，其性能依场景与模型不同提升3-29%。进一步分析显示，收益与特质推断密切相关：ETI画像能预测智能体的行动，且信息量丰富的画像带来更大提升。这些结果凸显了ETI作为在多样多智能体设置中改进协调的轻量而稳健机制的价值，并首次提供系统性证据表明LLM智能体能够（i）从交互历史中可靠地推断他人特质，（ii）利用对他人特质的结构化感知来辅助协调。