合作以求竞争：多智能体征服中的策略性协调

基于语言模型（LM）的智能体在混合动机场景中仍基本未受检验，这类场景要求智能体借助短期合作实现长期竞争目标（如多方政治）。我们提出Cooperate to Compete（C2C），一个多智能体环境，玩家可以在私密谈判中周旋，同时竞争成为最先达成各自秘密目标的一方。玩家目标不对称且谈判不具约束力，联盟可随玩家短期利益的聚合与分歧而缔结或破裂。我们进行了纯AI对局，并开展了一项让人类玩家对抗AI对手的用户研究。我们发现人类与AI的谈判行为存在显著差异：人类偏好更低复杂度的交易，且与基于LM的智能体相比是明显更不可靠的伙伴。我们还发现人类是更具攻击性的谈判者，不还价直接接受交易的比例仅为56.3%，而基于LM的智能体为67.6%。受这些发现启发，我们通过有针对性的提示修改智能体的谈判行为，将胜率从22.2%提升至32.7%。我们运行了超过1,100局游戏，包含逾16,000场私密对话、总计1,520万词元以及超过150,000次玩家行动。我们的结果使C2C成为一个试验场，可用于研究并构建能够驾驭真实部署所需复杂协调的基于LM的智能体。游戏、代码与数据集见 https://negotiationgame.io/c2c。