EmoMAS: Emotion-Aware Multi-Agent System for High-Stakes Edge-Deployable Negotiation with Bayesian Orchestration
作者: Yunbo Long, Yunhan Liu, Liming Xu
分类: cs.AI
发布日期: 2026-04-08
💡 一句话要点
EmoMAS：基于贝叶斯编排的情感感知多智能体高风险边缘协商系统
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 自动协商 情感智能 贝叶斯优化 边缘计算
📋 核心要点
- 现有大型语言模型虽然在自动协商中表现出色，但计算成本高昂且存在隐私风险，难以在边缘设备上部署。
- EmoMAS通过贝叶斯编排器协调博弈论、强化学习和心理一致性三种智能体，实现战略性情感决策。
- 实验表明，配备EmoMAS的SLM和LLM在多个高风险协商基准上均超越基线模型，并兼顾伦理行为。
📝 摘要（中文）
大型语言模型(LLM)已被广泛应用于自动协商，但其高计算成本和隐私风险限制了其在隐私敏感的设备端环境中的部署，例如移动助手或救援机器人。小型语言模型(SLM)提供了一种可行的替代方案，但难以应对高风险协商中复杂的的情感动态。我们引入了EmoMAS，一个贝叶斯多智能体框架，将情感决策从反应式转变为战略式。EmoMAS利用贝叶斯编排器来协调三个专门的智能体：博弈论模型、强化学习模型和心理一致性模型。该系统融合它们的实时洞察，以优化情感状态转换，同时根据协商反馈不断更新智能体的可靠性。这种混合智能体架构支持在线策略学习，无需预训练。我们进一步引入了四个高风险、可边缘部署的协商基准，涵盖债务、医疗保健、应急响应和教育领域。通过跨所有基准的广泛智能体间模拟，配备EmoMAS的SLM和LLM始终超越所有基线模型，同时平衡了伦理行为。这些结果表明，战略情感智能也是协商成功的关键驱动因素。通过将情感表达视为贝叶斯多智能体优化框架中的战略变量，EmoMAS为适用于高风险边缘部署的有效、私有和自适应协商AI建立了一个新的范例。
🔬 方法详解
问题定义：现有基于LLM的自动协商方法计算成本高，隐私风险大，不适合边缘部署。而SLM虽然可以边缘部署，但难以处理高风险协商中复杂的情感动态，导致协商效果不佳。因此，需要一种能够在边缘设备上运行，同时具备处理复杂情感能力的高效协商系统。
核心思路：EmoMAS的核心思路是将情感决策从被动反应转变为主动策略。通过构建一个多智能体系统，利用贝叶斯编排器协调不同类型的智能体，融合它们的实时洞察，优化情感状态的转换，从而提高协商的成功率。这种方法将情感表达视为一种战略变量，通过优化该变量来提升整体协商效果。
技术框架：EmoMAS包含三个主要模块：博弈论智能体、强化学习智能体和心理一致性智能体。贝叶斯编排器负责协调这三个智能体，根据它们的实时洞察和协商反馈，动态调整它们在决策过程中的权重。整个系统通过在线学习的方式，不断优化智能体的策略和贝叶斯编排器的参数，从而提高协商效果。
关键创新：EmoMAS的关键创新在于将情感智能融入到多智能体协商框架中，并利用贝叶斯编排器实现对不同智能体的动态协调。这种混合智能体架构能够充分利用不同智能体的优势，提高系统的鲁棒性和适应性。此外，EmoMAS采用在线学习的方式，无需预训练，即可适应不同的协商场景。
关键设计：贝叶斯编排器是EmoMAS的关键设计之一。它通过维护一个智能体可靠性的概率分布，并根据协商反馈不断更新该分布，从而动态调整不同智能体的权重。此外，EmoMAS还设计了一系列高风险、可边缘部署的协商基准，用于评估系统的性能和伦理行为。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在四个高风险协商基准上，配备EmoMAS的SLM和LLM均显著超越了所有基线模型。具体而言，EmoMAS在协商成功率、伦理行为和用户满意度等方面均取得了显著提升。这些结果验证了EmoMAS的有效性和优越性，表明战略情感智能是协商成功的关键驱动因素。
🎯 应用场景
EmoMAS适用于各种高风险、隐私敏感的边缘协商场景，例如移动助手、救援机器人、医疗咨询、债务协商和教育辅导等。该系统能够提高协商效率，保护用户隐私，并促进公平的协商结果。未来，EmoMAS有望应用于更广泛的领域，例如智能家居、自动驾驶和金融服务等。
📄 摘要（原文）
Large language models (LLMs) has been widely used for automated negotiation, but their high computational cost and privacy risks limit deployment in privacy-sensitive, on-device settings such as mobile assistants or rescue robots. Small language models (SLMs) offer a viable alternative, yet struggle with the complex emotional dynamics of high-stakes negotiation. We introduces EmoMAS, a Bayesian multi-agent framework that transforms emotional decision-making from reactive to strategic. EmoMAS leverages a Bayesian orchestrator to coordinate three specialized agents: game-theoretic, reinforcement learning, and psychological coherence models. The system fuses their real-time insights to optimize emotional state transitions while continuously updating agent reliability based on negotiation feedback. This mixture-of-agents architecture enables online strategy learning without pre-training. We further introduce four high-stakes, edge-deployable negotiation benchmarks across debt, healthcare, emergency response, and educational domains. Through extensive agent-to-agent simulations across all benchmarks, both SLMs and LLMs equipped with EmoMAS consistently surpass all baseline models in negotiation performance while balancing ethical behavior. These results show that strategic emotional intelligence is also the key driver of negotiation success. By treating emotional expression as a strategic variable within a Bayesian multi-agent optimization framework, EmoMAS establishes a new paradigm for effective, private, and adaptive negotiation AI suitable for high-stakes edge deployment.