A Survey on Large Language Model-Based Social Agents in Game-Theoretic Scenarios

📄 arXiv: 2412.03920v2 📥 PDF

作者: Xiachong Feng, Longxu Dou, Ella Li, Qinghao Wang, Haochuan Wang, Yu Guo, Chang Ma, Lingpeng Kong

分类: cs.CL, cs.AI

发布日期: 2024-12-05 (更新: 2025-07-20)

💡 一句话要点

综述：基于大语言模型的社会智能体在博弈论场景中的应用研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 社会智能体 博弈论 多智能体系统 人机交互

📋 核心要点

  1. 现有研究缺乏对基于大语言模型的社会智能体在博弈论场景中应用的全面总结。
  2. 本文通过系统回顾现有研究，从博弈框架、社会智能体和评估协议三个核心部分进行组织。
  3. 分析了当前社会智能体在各种博弈场景中的表现，并为未来的研究方向提供见解。

📝 摘要（中文）

本文全面综述了基于大语言模型（LLM）的社会智能体在博弈论场景中的研究进展。现有研究在评估此类智能体的社会智能方面取得了显著成果，但缺乏系统的总结。为填补这一空白，本文从博弈框架、社会智能体和评估协议三个核心组成部分对现有研究进行系统回顾。博弈框架涵盖了从关注选择到关注沟通的各种博弈场景。社会智能体部分探讨了智能体的偏好、信念、推理能力以及它们在决策中的互动和协同效应。评估协议涵盖了用于评估智能体性能的通用和特定于游戏的指标。此外，本文还分析了当前社会智能体在各种博弈场景中的表现。通过反思当前的研究并确定未来的研究方向，本文旨在为推进博弈论场景中社会智能体的开发和评估提供见解。

🔬 方法详解

问题定义：论文旨在解决缺乏对基于大语言模型的社会智能体在博弈论场景中应用的系统性综述的问题。现有研究虽然探索了这些智能体在博弈论环境中的应用，但缺乏一个全面的总结来梳理当前的研究进展，这使得研究人员难以快速了解该领域的整体情况和未来的研究方向。

核心思路：论文的核心思路是通过对现有文献进行系统性的梳理和分类，构建一个全面的框架，从而帮助研究人员更好地理解基于大语言模型的社会智能体在博弈论场景中的研究现状和未来发展趋势。这个框架包括博弈框架、社会智能体和评估协议三个核心组成部分。

技术框架：论文的整体框架围绕三个核心组成部分展开： 1. 博弈框架：涵盖各种博弈场景，从关注选择的博弈到关注沟通的博弈。 2. 社会智能体：探讨智能体的偏好、信念、推理能力以及它们在决策中的互动和协同效应。 3. 评估协议：涵盖用于评估智能体性能的通用和特定于游戏的指标。 论文通过对每个组成部分下的具体研究进行分类和分析，从而构建一个完整的知识体系。

关键创新：论文的关键创新在于其系统性的综述框架，它将现有研究组织成博弈框架、社会智能体和评估协议三个核心部分。这种组织方式能够帮助研究人员更清晰地理解不同研究之间的关系，并发现潜在的研究空白和未来的研究方向。与以往零散的研究总结相比，本文提供了一个更全面、更结构化的视角。

关键设计：论文的关键设计在于对文献的分类标准和分析方法。论文根据博弈的类型（例如，选择型博弈、沟通型博弈）、智能体的特性（例如，偏好、信念、推理能力）和评估指标（例如，通用指标、特定于游戏的指标）对文献进行分类。然后，论文对每个类别下的研究进行详细的分析和比较，从而总结出当前研究的进展和存在的问题。

🖼️ 关键图片

img_0

📊 实验亮点

该综述通过分析当前社会智能体在各种博弈场景中的表现，揭示了现有方法的优势和局限性。例如，某些智能体在特定类型的博弈中表现出色，但在其他类型的博弈中表现不佳。此外，该综述还指出了现有评估指标的不足，并提出了未来研究中需要关注的关键问题，为后续研究提供了重要的参考。

🎯 应用场景

该研究的潜在应用领域包括人机交互、多智能体系统、社交机器人和人工智能安全。通过理解和改进社会智能体在博弈论场景中的行为，可以开发出更可靠、更具协作性的AI系统，从而在现实世界的各种应用中实现更高效的人机协作和智能决策。未来的影响包括提升AI系统的社会适应性和伦理道德水平。

📄 摘要（原文）

Game-theoretic scenarios have become pivotal in evaluating the social intelligence of Large Language Model (LLM)-based social agents. While numerous studies have explored these agents in such settings, there is a lack of a comprehensive survey summarizing the current progress. To address this gap, we systematically review existing research on LLM-based social agents within game-theoretic scenarios. Our survey organizes the findings into three core components: Game Framework, Social Agent, and Evaluation Protocol. The game framework encompasses diverse game scenarios, ranging from choice-focusing to communication-focusing games. The social agent part explores agents' preferences, beliefs, and reasoning abilities, as well as their interactions and synergistic effects on decision-making. The evaluation protocol covers both game-agnostic and game-specific metrics for assessing agent performance. Additionally, we analyze the performance of current social agents across various game scenarios. By reflecting on the current research and identifying future research directions, this survey provides insights to advance the development and evaluation of social agents in game-theoretic scenarios.