当LLM智能体进行谈判：供应链中的私人信息与动态议价

随着LLM智能体从决策支持走向自主采购，企业需要知道受托谈判者是否创造价值、是否可预测地分配价值，以及能否避免亏损合同。我们在一个经典的供应链议价问题中研究这一点：拥有私人需求信息的买方与不知情的卖方谈判数量-支付合同。我们以经验证的完美贝叶斯均衡为参照，对来自OpenAI、Google和阿里巴巴的九个LLM进行了9,840场LLM间谈判的基准评测。首先，能力决定价值创造。智能体在98.9%的谈判中达成一致，并在不折现时获取一阶最优剩余的95.4%，但平均用2.98轮，而基准为1.25轮，这一延迟侵蚀21-34%的剩余。能力也决定可靠性：基线模型在19.2%的情形中接受个体不理性的合同，而中档与旗舰模型为0.0-0.6%，这使得在该能力阈值以下，自动利润校验成为约束性护栏。其次，剩余获取与关系相关。提供方身份比能力排名更能预测谁获取剩余：自对弈中买方份额平均为OpenAI 40%、Google 50%、阿里巴巴Qwen 70%，这一排序在受限通信与无折现条件下依然成立。对调卖方所属提供方会使分配移动7-18个百分点，且能力强的Qwen旗舰是最弱的跨家族卖方：供应商选择是一阶分配决策。第三，提示词是战略杠杆。委托将委托人的经济耐心与智能体被提示词设定的策略耐心分离开来，这是一个无需成本的部署选择，也是剩余分配的最强单一驱动因素（解释90%的方差）。这些共同建立了以均衡为参照的AI智能体审计，涵盖三个维度：折现效率、分配特征与运营可靠性。