マルチエージェント協調のための明示的特性推論

要旨: LLMベースのマルチエージェントシステム（MAS）は複雑な課題に対して有望である一方、目標の逸脱（goal drift）、エラーの連鎖（error cascades）、整合しない振る舞い（misaligned behaviors）といった協調失敗に依然として陥りやすい。私たちは、協調性を改善するための心理学に基づく手法である明示的特性推論（Explicit Trait Inference: ETI）を提案する。ETIによりエージェントは、相互作用の履歴から、確立された2つの心理学的次元――暖かさ（例：信頼）と有能さ（例：技能）――に沿ってパートナーの特性を推論し追跡し、その推論結果を意思決定の指針に用いる。私たちは、ETIを制御された環境（経済ゲーム）で評価し、ペイオフ損失を45-77%低減することを示す。さらに、より現実的で複雑なマルチエージェント環境（MultiAgentBench）では、CoTベースラインに比べて、シナリオとモデルに応じて3-29%の性能向上を達成する。追加分析により、得られる改善は特性推論と密接に関連していることが示される：ETIのプロファイルはエージェントの行動を予測し、有益なプロファイルが改善を促進する。これらの結果は、ETIが多様なマルチエージェント環境における協調性を改善するための軽量かつ頑健な仕組みであることを示すと同時に、LLMエージェントが（i）相互作用履歴から他者の特性を確実に推論できること、そして（ii）他者の特性に関する構造化された認識を協調に活用できることについて、最初の体系的な証拠を提供する。