ASTRA: A Negotiation Agent with Adaptive and Strategic Reasoning through Action in Dynamic Offer Optimization
作者: Deuksin Kwon, Jiwon Hae, Emma Clift, Daniel Shamsoddini, Jonathan Gratch, Gale M. Lucas
发布时间: 2025-03-11
来源: arxiv
研究方向: 人工智能与谈判策略
主要内容
该研究提出了一种名为ASTRA的谈判代理框架，旨在通过自适应和战略推理来优化动态出价。ASTRA基于两个核心原则：对手建模和Tit-for-Tat互惠原则，通过三个阶段运作：1）解释对手行为，2）通过线性规划（LP）求解器优化反报价，3）根据谈判策略和合作伙伴的接受概率选择报价。
主要贡献
1. 引入了ASTRA，一个基于LLM的出价优化框架，使代理能够进行自适应、战略性的谈判。
2. 提出了基于原则的提示方法，超越了数据集大小和非专家演示的限制，无需训练即可实现高效和专家级别的战略推理。
3. 通过集成LP驱动的操作，ASTRA克服了LLM的限制，确保了数值一致性、优化出价并提高决策可靠性。
4. ASTRA不仅提高了谈判代理的性能，还作为教练和决策支持工具，提供可解释的、明确的战略反馈和实时洞察。
5. 通过模拟和人类评估，验证了ASTRA在实现谈判目标方面的有效性。
研究方法
1. 对手建模：包括偏好询问者、偏好一致性检查器和偏好更新器。
2. 响应模式：询问偏好、基于合作伙伴出价的决策和提出报价。
3. ASTRA框架：包括公平性和立场评估、出价优化和最终出价选择。
4. 线性规划（LP）：用于生成最优出价。
5. 策略评估：基于九种谈判策略的评估，分为竞争策略和协作策略。
实验结果
模拟和人类评估结果表明，ASTRA能够动态适应对手的变化立场，通过Tit-for-Tat互惠原则平衡合作和自我利益，有效地实现谈判目标。ASTRA在模拟中优于基线代理，在人类评估中也表现出高度的战略性和有效性。
未来工作
将ASTRA集成到教练应用中。探索将语言谈判策略纳入ASTRA。研究LLM在复杂谈判场景中的推理能力，如多问题谈判（MIB）。