arXiv 论文：用博弈论框架让 LLM 无需微调学习反诈骗话术
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把反诈变成对局
这篇论文把诈骗电话的应对重新描述成一场双方博弈：一方是行骗者，另一方是自动化的“陪聊”代理。作者提出的做法不是拦截或提醒，而是让代理主动与行骗者周旋，消耗对方的时间与人力。论文把这类交互建模为双人博弈，策略与效用函数都来自经验依据，并以纳什均衡作为衡量学习行为的正式基准。也就是说，系统关心的不只是“聊得像不像人”，而是代理所选策略在博弈意义上是否接近理性均衡点。材料给出的场景是模拟对话，共 300 段，代理一侧由大语言模型驱动。
不微调也能换策略
框架的关键在于让大语言模型借助上下文中的经验来调整应对方式，而不需要额外微调模型参数。论文称，静态系统无法提供这种动态的策略适应能力，而这正是陪聊式反诈所需要的。实验覆盖三种大语言模型架构，并在 300 段模拟对话上比较自适应策略选择与非自适应基线的表现，用与纳什均衡的接近程度来打分。材料只给出一个区间式的提升幅度，未逐项列出各架构的具体数值，因此这里不展开拆分。作者同时释放了代码，以及一份带标注的数据集：300 段对话，逐轮标注策略标签并给出效用分数。
与拦截思路的差别
论文指出现有反诈手段的一个特点：它们不会让行骗一方付出资源代价。陪聊式策略的着眼点正在于此，通过持续占用行骗者的操作容量来形成压力，属于主动出击而非被动防御。代价是策略必须随对话推进而变，固定话术难以维持。论文用博弈模型把这种变化形式化，再用均衡点检验模型学到的行为是否合理，从而把“聊得好不好”变成可比较的指标。需要留意的是，材料中的验证全部发生在模拟对话里，并未涉及真实通话线路的部署结果；数据集规模为 300 段对话，三种模型架构参与评测。
读者能拿到什么
对关注反诈自动化的人而言，这项工作的可复用部分有两块：一是把行骗者与陪聊代理的交互写成带效用函数的双人博弈，使策略选择可以被量化比较；二是一套逐轮标注策略与效用分数的对话数据，可供后续研究复现或扩展评测。论文被 2026 年欧洲机器学习与知识发现联合会议（ECML PKDD 2026）接收，刊于 Lecture Notes in Computer Science 第 16949 卷，页码 395 至 411。其局限也写在材料里：结论建立在模拟对话与均衡接近度这一指标之上，尚未给出真实场景中的效果数据。
为什么值得看
把博弈论基准与 LLM 上下文学习结合，用于消耗诈骗者资源，并公开带标注对话数据集，可供安全方向复现。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。