arXiv 论文：前沿 LLM 智能体在极简环境中仍难完成零样本协作
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，非原文转载研究问题与既有做法
论文关注零样本协作：两个各自独立开发的智能体在测试阶段才首次配合，必须在不预先约定的情况下完成任务。作者指出，强化学习领域对这一问题已有较多积累，但 LLM 智能体在此类场景中的表现研究不足，而这类部署正在增多。已有 LLM 协作研究的一个问题是依赖专门搭建的脚手架，独立开发的智能体在现实中不太可能共享同一套脚手架，因此这类结果难以外推到真实协作。另一个问题是评测环境过于复杂，例如 Hanabi，一旦协作失败，很难判断失败究竟来自哪一环节。
极简环境下的失败表现
为隔离具体的协作难点，作者改用极简环境和通用脚手架开展实验。结果显示，即使在这种受控条件下，前沿 LLM 智能体依然难以完成协作。作者把主要原因归结为两点：对协作问题本身理解有限，以及对伙伴信念的推理较弱。论文还讨论了 LLM 带来的一个新变量：语义信息可以作为协作的额外维度，但实验中的智能体并未有效利用这一结构。这一结论意味着，模型能力提升并不自动转化为协作能力。
CFDs 方法与自动发现
针对上述失败，作者提出 Coordination-friendly definitions（CFDs），将其作为一套原则性方法，用于让 LLM 智能体之间实现稳健协作。论文进一步表明，CFDs 可以被自动发现，从而省去人工设计协作约定的工程成本。代码已随论文公开。该工作被 NeurIPS 2026 接收为 Poster，并在 ICLR 26 MALGAI Workshop 作 Oral 报告，前两位作者贡献相同。
为什么值得看
多智能体部署日益普遍，该研究用极简环境定位 LLM 协作失败的具体原因，并给出可自动发现的协作定义方法。
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。