AgenticPay：基于多智能体大语言模型的买卖交易谈判系统 AgenticPay: A Multi-Agent LLM Negotiation System for Buyer-Seller Transactions
首个面向多智能体买卖谈判的LLM基准测试框架，覆盖110+任务场景
前置知识
多智能体谈判（Multi-Agent Negotiation）
多智能体谈判是指多个自主智能体（如买家和卖家）通过交互式对话达成协议的过程。在传统博弈论中，谈判通常通过标量出价或效用函数进行，但在语言智能体场景中，谈判通过自然语言进行，智能体表达偏好、约束和还价。谈判的关键特征包括：私有信息（每个智能体有不可见的保留价格）、多轮交互（智能体交替提出报价直到达成协议或超时）、以及策略性行为（智能体需要在获得更好价格和达成协议之间权衡）。
本文将LLM智能体置于买方-卖方谈判场景中，理解多智能体谈判的基本机制是评估LLM在此类经济交互中表现的前提。
保留价格（Reservation Price）
保留价格是谈判理论中的核心概念，指买家愿意支付的最高价格（willingness-to-pay）或卖家愿意接受的最低价格（minimum acceptable price）。在不完全信息谈判中，保留价格是私有信息，不向对方透露。只有当最终成交价格落在买卖双方保留价格形成的议价区间（bargaining zone）内时，交易才是可行的。这个概念源自经典的双边贸易理论，如Myerson和Satterthwaite（1983）的效率机制设计。
本文的核心设置就是基于私有保留价格的语言谈判，理解这一概念有助于把握评估指标的设计逻辑和交易可行性的判定标准。
议价区间（Bargaining Zone）
议价区间 $Z = p_{max} - p_{min}$ 是买家最高保留价格 $p_{max}$ 与卖家最低保留价格 $p_{min}$ 之间的差值。只有当最终成交价格 $p$ 满足 $p_{min} \leq p \leq p_{max}$ 时，交易才被视为可行。议价区间的大小反映了买卖双方潜在合作空间的大小：区间越大，双方越容易达成协议；区间为零或负值则意味着不存在互利交易的可能。在本文的评分体系中，买方和卖方的效用都被归一化到这个区间内。
议价区间是本文评分公式的基础，GlobalScore、BuyerScore和SellerScore都依赖于对议价区间内效用的归一化计算。
语言博弈（Language Game）
语言博弈是本文提出的核心建模框架，将买卖谈判形式化为一个有限视野、多轮的语言交互博弈。在每一轮中，买方和卖方交替生成包含价格提议的自然语言消息。解析器 $\Pi$ 将对话消息映射到结构化的谈判动作，如提取提议价格 $p^{(t)}_{ij}$。谈判在以下条件之一满足时终止：双方达成协议、超过最大谈判轮数、或违反可行性约束。这种建模方式将传统博弈论中的数值策略空间扩展为自然语言空间，保留了真实谈判中的丰富沟通策略。
理解语言博弈的概念有助于把握本文如何将经济交互与LLM的语言生成能力结合，以及为什么需要新的评估框架来衡量基于语言的谈判效果。
LLM智能体推理（LLM Agent Reasoning）
LLM智能体推理是指大语言模型作为自主决策智能体，在给定环境信息和私有状态的条件下，通过多轮推理生成策略性行为的能力。在谈判场景中，这包括：理解产品描述和市场环境、维护对话历史记忆、在私有保留价格约束下制定出价策略、以及在长期交互中保持策略一致性。现有研究表明，LLM在单轮推理任务上表现优异，但在需要长期规划和策略博弈的多轮交互中仍面临挑战。
本文的核心发现之一就是当前LLM在长期策略推理方面存在显著不足，理解这一背景有助于评估实验结果的意义。
研究动机
随着大语言模型越来越多地被部署为自主智能体用于电子商务、采购和服务外包等经济场景，评估其谈判能力变得至关重要。然而，现有的基准测试存在三个根本性缺陷：第一，大多数现有工作评估的是单智能体推理、工具使用或偏好遵循能力，而非多智能体经济交互。第二，经济交互场景通常被简化为数值拍卖或短期议价，如Chen等人（2023）的拍卖基准和Fu等人（2023）的讨价还价场景，这些抽象化处理无法反映真实交易的关键属性——私有保留价格、多轮谈判、异质性产品以及多个买卖方之间的竞争。第三，即便是最相关的谈判研究（如Deng等人2024年的工作），也主要聚焦于双边谈判的有限设置，缺乏对多对多市场的系统性评估。因此，一个关键问题尚未得到解答：当前的LLM在多样化的市场环境中作为自主谈判者的能力究竟如何？
本文的目标是本文的具体目标是建立AgenticPay——一个可扩展的基准测试和仿真框架，用于系统性评估LLM在语言驱动的买方-卖方谈判中的表现。具体而言，框架需要支持从双边议价到多对多市场的110+个谈判任务，覆盖10个真实商业场景（如二手车、SaaS软件、奢侈手表等），价格范围从350美元到12万美元。框架需要提供统一的推理协议确保公平比较，并设计基于可行性、效率和福利的评估指标体系，以量化谈判结果的质量。最终目标是揭示当前LLM在长期策略推理和谈判效率方面的系统性差距。
与已有工作不同的是，本文的独特切入角度在于三个方面：第一，将谈判建模为语言驱动的市场交互，其中对话直接决定结构化的经济结果，而非像传统拍卖那样依赖数值出价。第二，将评估范围从双边议价扩展到包含竞争、匹配、多产品和多样化场景的多对多市场。第三，提供基于可行性、效率和福利的原则性评估指标，实现跨模型和跨场景的系统性比较。与Bianchi等人（2024）仅评估三个预定义场景的工作相比，AgenticPay支持至少10个真实商业场景和111个任务，并且由于其模块化的环境、任务和智能体接口设计，具有天然的可扩展性。
核心方法
AgenticPay的设计思路可以用一个生活化的比喻来理解：想象你走进一个大型商场，里面有很多家店铺（卖家）和顾客（买家），每个人都有自己的心理价位但不会告诉对方。你们通过聊天讨价还价，最终可能达成交易也可能谈崩。AgenticPay就是把这种真实购物场景数字化，让不同的LLM扮演买家和卖家，在受控环境中进行谈判。技术路线分为四个层次：环境层（Environment）实现谈判协议和领域特定场景；任务层（Task）定义市场结构和交互模式；智能体层（Agent）用LLM策略实例化具有私有估值的买方和卖方；指标层（Metrics）量化谈判结果。框架支持vLLM、SGLang和云端API等多种部署方式，通过统一的推理协议确保跨模型的公平比较。
本文的核心创新点在于将语言对话直接映射到结构化的经济结果，并建立了完整的评估体系。传统拍卖或谈判基准通常使用标量出价作为动作空间，而AgenticPay将自然语言消息作为动作空间，通过一个解析器 $\Pi$ 将每轮对话映射到结构化的谈判动作（如提取提议价格 $p^{(t)}_{ij}$）。评分公式的设计是另一个关键创新：GlobalScore使用对称质量项 $Q = 4r_br_s$，其中 $r_b = (p_{max} - p)/Z$ 和 $r_s = (p - p_{min})/Z$ 分别是买方和卖方的归一化效用。这个质量项在剩余价值被平等分配时达到峰值（$r_b = r_s = 0.5$ 时 $Q = 1$），从而鼓励平衡的交易结果。此外，评分体系还包含折扣因子 $\gamma$ 激励更快的协议，以及失败惩罚 $F$ 避免僵局。
方法步骤详情
AgenticPay的完整工作流程包括以下步骤：首先，环境为每个智能体提供产品描述和市场上下文（如类别、条件），以及私有保留价格——买方的最高支付意愿 $p_{max}$ 和卖方的最低可接受价格 $p_{min}$，这些价格被注入智能体的系统提示但不进入共享对话。其次，谈判以交替轮次进行，每轮买方生成消息 $m^{(t,B)}_{ij} \sim \pi_{B_i}(\cdot | b_i, v_j, x, h^{(t-1)}_{ij})$，卖方随后响应 $m^{(t,S)}_{ij} \sim \pi_{S_j}(\cdot | \sigma_j, v_j, x, h^{(t-1)}_{ij})$。第三，解析器 $\Pi$ 将消息映射到结构化动作 $a^{(t)}_{ij} = \Pi(m^{(t,B)}_{ij}, m^{(t,S)}_{ij})$，提取提议价格。第四，当双方出价相同、超过最大轮数（设为20轮）或违反可行性约束时谈判终止。最后，基于算法1的评分框架计算GlobalScore、BuyerScore和SellerScore，配置参数为：交易完成奖励 $D=30$、质量奖励 $W=55$、效率奖励 $E=15$、折扣因子 $\gamma=0.99$、失败惩罚 $F=15$。
技术新颖性
AgenticPay的技术新颖性体现在三个层面：第一，在建模层面，它将语言驱动的谈判形式化为一个随机语言博弈，具有私有估值和多轮对话，这区别于传统博弈论中基于标量策略空间的建模方式。第二，在任务设计层面，框架沿三个维度系统地扩展复杂度——买方数量、卖方数量和产品集大小，形成从双边议价到完整市场的复杂度阶梯，并支持顺序和并行两种交互模式。第三，在评估层面，GlobalScore的 $Q = 4r_br_s$ 设计确保了对平衡交易的偏好，同时通过折扣因子和失败惩罚实现了对效率和可行性的联合考量。与Deng等人（2024）仅关注双边谈判风险和策略的工作相比，AgenticPay提供了涵盖多产品交互和多样化市场场景的全面框架。
实验结果
实验结果揭示了几个关键发现。首先，专有模型在谈判性能上占据绝对优势：Claude Opus 4.5以86.9的GlobalScore领先，Gemini-3-Flash（82.2）和GPT-5.2（81.7）紧随其后，三者均保持100%的成交率和零超时。相比之下，开源模型存在显著差距：Qwen3-14B的GlobalScore仅为63.9，超时率高达20.7%；Llama-3.1-8B更是仅得32.5分，近半数谈判（48.6%）以超时告终。其次，谈判效率与模型能力高度相关：更强的模型达成协议更快（Claude Opus 4.5平均3.7轮，GPT-5.2平均3.8轮），而较弱的模型需要更多轮次（Llama-3.1-8B平均15轮）。第三，所有模型都表现出买方-卖方性能的不对称性：专有模型的SellerScore普遍高于BuyerScore（如GPT-5.2：81.1 vs 58.5），这可能反映训练数据中说服性销售内容多于战略性购买指导的偏向。第四，Table 4的交叉对弈分析进一步证实了这种不对称性，Qwen3-14B的差距高达43.2分。第五，反直觉的是，随着买方和卖方数量增加，GlobalScore反而提高（Qwen3-14B提升超过14分），这归因于市场流动性的增加。最后，金融资产谈判始终是所有场景中得分最低的，Gemini-3-Flash从专业服务（88.3）到金融资产（68.1）下降了20.2分。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 111个谈判任务（总体） | GlobalScore | Claude Opus 4.5: 86.9, Gemini-3-Flash: 82.2, GPT-5.2: 81.7 | Qwen3-14B: 63.9, Llama-3.1-8B: 32.5 | 专有模型比最强开源模型高23分（36%） |
| 111个谈判任务（总体） | Deal Rate | Claude Opus 4.5: 100%, Gemini-3-Flash: 100%, GPT-5.2: 100% | Qwen3-14B: 79.3%, Llama-3.1-8B: 51.4% | 专有模型达成率比Llama-3.1-8B高48.6个百分点 |
| 111个谈判任务（总体） | Timeout Rate | Claude Opus 4.5: 0%, Gemini-3-Flash: 0%, GPT-5.2: 0% | Qwen3-14B: 20.7%, Llama-3.1-8B: 48.6% | 专有模型超时率比Llama-3.1-8B低48.6个百分点 |
| 专业服务场景 | GlobalScore | Claude Opus 4.5: 93.4, GPT-5.2: 89.8 | Qwen3-14B: 72.5, Llama-3.1-8B: 41.1 | Claude比Llama高52.3分（127%提升） |
| 金融资产场景 | GlobalScore | Claude Opus 4.5: 85.7, GPT-5.2: 79.9 | Qwen3-14B: 60.9, Llama-3.1-8B: 39.9 | 金融场景整体得分最低，Claude比Llama高45.8分 |
局限与改进
本文存在以下几个层面的局限性。首先，实验设置仅使用确定性解码（温度0，随机种子0），每种任务配置每个模型只执行一次，这限制了结果的统计可靠性，无法评估LLM谈判行为的方差和一致性。其次，评分公式中参数的选择（如 $W=55$、$D=30$、$E=15$、$\gamma=0.99$、$F=15$）缺乏敏感性分析，不同参数设置可能导致截然不同的模型排名。第三，框架假设买方和卖方使用相同的LLM作为策略，而在实际应用中，买卖双方可能使用不同的模型，这种异质性设置的评估不足。第四，论文发现所有模型都存在买方-卖方性能不对称性（SellerScore高于BuyerScore），但未能深入分析这种不对称性的根源——是评分公式本身的设计偏向，还是LLM训练数据中销售导向内容的过度代表。第五，near-miss分析（Table 8）显示Qwen3-14B和Llama-3.1-8B分别有43.5%和46.3%的失败谈判价格差距在5个单位以内，但论文未探讨如何通过调整解码策略或引入谈判终止启发式来改善这一问题。
独立分析的弱点
从独立分析的角度，本文存在以下几个弱点及相应的改进方向。第一，评估指标的对称性假设过于理想化：GlobalScore的 $Q = 4r_br_s$ 隐含地假设剩余价值的平等分配是最优的，但在许多实际谈判中，市场力量、信息不对称和谈判技能的差异会导致自然的不平衡分配，改进方向是引入基于市场效率的替代指标，如帕累托最优性度量。第二，智能体的私有信息仅限于标量保留价格，而真实谈判中的私有信息是多维度的（如质量感知、时间紧迫性、替代选项可用性），建议扩展智能体状态空间以包含更丰富的私有信息类型。第三，谈判终止条件过于简单——仅基于价格匹配或超时，缺乏对谈判动态的建模（如让步模式、信任建立），改进方向是引入基于谈判轨迹的早期终止启发式。第四，框架未考虑谈判后的关系维护和重复交易场景，而真实商业环境中买卖关系是长期的，建议扩展框架以支持重复博弈设置。
未来方向
基于本文的成果，未来研究可以从以下几个方向延伸。首先，作者提出的经济对齐（economic alignment）方向值得深入探索：如何确保LLM智能体在谈判中既为用户争取最大利益，又不损害交易对手的合理权益，避免出现过度激进的谈判策略。其次，语言与策略的共同演化是一个有前景的研究方向：通过分析大量谈判对话，研究语言表达如何影响谈判结果，以及智能体是否能学习到新的谈判语言策略。第三，多模态谈判的扩展：当前框架仅支持文本谈判，但真实交易可能涉及产品图片、视频演示或实时价格比较，扩展到多模态输入可以增加场景的真实性和复杂性。第四，人类-AI混合谈判：研究人类与LLM智能体的谈判交互模式，探索AI辅助谈判工具的设计原则。第五，从短期来看，可以在现有框架上进行强化学习微调，使用谈判结果作为奖励信号来改进LLM的策略性行为。
复现评估
在复现性方面，AgenticPay具有较好的可复现基础。首先，论文明确声明代码和数据集已在GitHub开源（https://github.com/SafeRL-Lab/AgenticPay），这为复现提供了核心资源。其次，框架支持多种推理后端（vLLM、SGLang、云端API），降低了硬件门槛。第三，实验配置详细记录了评分参数（$D=30$、$W=55$、$E=15$、$\gamma=0.99$、$F=15$）和推理设置（温度0、随机种子0、最大生成长度1024）。然而，复现存在一些挑战：专有模型（Claude Opus 4.5、GPT-5.2、Gemini-3-Flash）的评估需要API访问权限，且这些模型的版本和行为可能随时间变化；开源模型的评估使用4张NVIDIA A800 GPU，这对普通研究者来说算力要求较高；此外，111个任务的完整评估需要相当的计算时间和API成本。建议复现者从核心的31个基础任务开始，逐步扩展到完整的80个真实场景任务。
论文图表
