AgentMonopoly：LLM智能体中的行为模式与角色控制

LLM智能体的策略有何不同？在一局游戏中，要求智能体采用某种角色的指令能够在多大程度上改变其行为？我们使用AgentMonopoly研究这些问题。AgentMonopoly是一个环境，在其中智能体进行交流、购买和交易地产，并作出会影响后续回合的决策。我们比较了来自四个模型系列的模型，每个系列包含两个规模，并分别开展使用相同模型、同一系列不同规模模型以及不同系列模型的游戏。我们还为一个智能体指定一种角色，即对其行为方式的描述，旨在改变在没有该角色的游戏中观察到的某种倾向。测试模型在交易频率、免除租金以及管理现金和地产方面存在差异。规模更大的模型并不总能赢得更多游戏。角色指令会改变智能体使用的措辞及其部分行为，但这些变化在所有决策中并不总是与指定角色相符。这些结果表明，评估角色遵循情况时，应同时考察行为和结果，而不仅仅是语言。由于我们的发现取决于所测试的检查点、提示词以及每种配置使用的五个随机种子，AgentMonopoly的开源特性为进一步扩展这些比较提供了实验基础设施。我们的代码位于https://github.com/SuELS-Group/Agent_Monopoly。