TradeWar：执行落地贸易谈判基准与自适应 LLM Agent
🧭 LLM 多智能体自适应谈判与执行反馈
College of Computer Science, Beijing Information Science and Technology University
提出执行导向的多国贸易谈判基准 TradeWar 和自适应智能体 TACTIC，用结算结果驱动跨轮策略优化
📌 工作参考价值（4 点）
- 谈判类 Agent 不能只看 agreement rate：业务上应定义“执行后收益”指标（如 EHI），把对话策略与最终结算、履约结果绑定，避免高成交低价值。电商价格谈判、广告位协商、供应链协同都能复用。
- TACTIC 不更新 LLM 权重，靠跨 episode 经验、对手建模和结算反馈形成策略迭代闭环。工程上可用外部 memory / replay buffer 沉淀历史会话与成交结果，在 prompt 中注入 refined strategy，成本低且可控。
- 交互记忆 + CoT 并不足够应对延迟执行反馈；推荐系统中曝光→点击→转化同样是延迟反馈，建议把多轮交互后的实际结果作为显式状态纳入策略更新，而不是只积累对话文本。
- 论文通过 technology-controls 和 energy-crisis 冲击测试鲁棒性，说明构建环境模拟器并加入外部 shock 训练，能提升 Agent 面对政策、流量或供给突变的韧性，适合电商大促、广告库存异常等场景。
ToM2Vec：用于多智能体协调的连续心智理论令牌
🧭 多智能体协作 · 潜空间 ToM 推理
UNC Chapel Hill · Cisco · The University of Texas at Austin
用固定预算连续推理 token 在潜空间建模伙伴心智状态，提升多智能体协作且 latent 推理优于文本表达
📌 工作参考价值（4 点）
- 多智能体业务（如买家/卖家/客服协商、库存分配）中，为每个 agent 引入固定数量可学习连续 token 专门编码对对方意图、偏好、不确定性的后验，代替显式文本猜测，可减少长 CoT 占用且提高对多意图的覆盖；工程实现类似可生成的 soft prompt，可作为后续 action/出价的条件输入。
- 训练信号采用“对方实际想法”而非仅行为奖励，可蒸馏出可解耦的心智表征；电商场景可从用户会话后续行为、点击序列中构造隐式意图监督，学习 latent intent token，用于 query 改写、个性化召回和排序。
- 关键结论：连续 latent 推理在需要表达分布/不确定性时优于文本表达；如果你在做谈判、动态定价、用户意图预测等任务，可尝试用可学习向量状态替代显式文本“思考”步骤，减少 token 消耗，同时保留熵。
- 跨模型泛化结果（训练模型与未见闭源模型协作仍有效）说明：可在自有开源模型上训练 ToM token，再作为与 GPT 等闭源 API 协作的 conditioning 信号，无需访问对方内部状态，适合异构 Agent 系统。
多智能体系统的心理模型
🧭 多智能体心智建模与决策
University of California, San Diego
显式学习对手潜在心理状态作为决策变量，提升多智能体交互质量与心智推理能力
📌 工作参考价值（4 点）
- 在电商谈判、客服对话、推荐 Agent 与用户交互等场景，可显式建模用户隐藏意图、预算或偏好，将推断出的 latent partner state 作为策略输入，而不是只依赖 prompt 或 memory。
- 借鉴 belief-conditioned reward model：先推断用户/对手潜在状态，再对候选回复、推荐项或谈判动作打分，用这个信号训练策略，能提升多轮交互的适应性和个性化。
- 一阶/二阶心智状态结构可用来预测用户对推荐结果的下一步反应，例如接受、拒绝或砍价，从而让 Agent 提前调整推荐策略或话术。
- 训练完成后推理时不依赖在线访问对手模型，可独立部署，对实时在线服务友好；但在业务中用户意图分布广泛，建议先在小范围高价值场景试点。
超越对话的心智理论：评估LLM通过规划行动诱导信念的能力
🧭 Agent 心智理论评估与规划能力
University of Cambridge · Prolific · Google
提出非对话规划心智理论（NCP-ToM）评估框架，GPT-5在约80%任务中成功诱导信念，超越人类
📌 工作参考价值（4 点）
- Agent 规划能力评估：在电商推荐Agent开发中，可借鉴NCP-ExploreToM框架设计多步骤规划测试，评估Agent是否具备通过环境交互（如调整推荐展示顺序、控制推送时机）来塑造用户偏好的能力。
- 真假信念对齐信号：模型在诱导真信念上成功率更高，暗示可据此设计安全约束——确保推荐Agent的目标是引导用户形成真实偏好而非虚假期望，降低误导风险。
- 自主 Agent 需主动评估：论文强调被动问答不适用于自主 agent，对搜索推荐系统同样适用：应构建 agentic 场景下的离线评测，而非仅依赖静态数据集指标，例如模拟用户动态信念更新的推荐环境。
- 复杂推理与规划结合：任务要求多步逻辑推理（如物体可见性、角色知识限制），对构建能处理多约束、多目标规划的商品组合推荐或广告投放策略 agent 有启发，可引入类似的符号关系推理微调方案。
MindZero：零标注学习在线心理推理
🧭 多模态LLM · 自监督RL · 心理推理
Johns Hopkins University · Peking University
自监督强化学习训练多模态大模型进行在线心理推理，无需真实心理状态标注
📌 工作参考价值（4 点）
- 电商客服/导购Agent可借鉴：从用户行为序列（点击、停留、加购）自监督学习推断意图（如购买动机、偏好），无需人工标注心理状态，利用行动似然估计（如购买概率模型）提供训练信号。
- 多步推理压缩为单步前向：将需要多轮模拟或规划的意图推理内化到单次MLLM前向，显著降低延迟，适合实时交互场景。
- 多假设信念更新机制：让LLM生成并维持多个用户意图假设，根据新观察行为更新概率，可用于动态用户建模（如推荐中的兴趣漂移）。
- 利用环境动力学（planner）作为评判：在缺乏真实用户意图标签时，通过可观测的结果（如下单、跳出）反推用户心理状态，构建自监督奖励，适用于推荐系统对用户心智模型的隐式学习。