大型语言模型（LLM）在谈判中能否像人类一样，不仅理解对方想要什么，还能利用这一信息在多个回合中提出有利的报价与还价？一篇新论文《对手建模并非策略：LLM谈判者的局限》通过受控的多属性议价实验，系统考察了这一问题。研究由Romain Cosentino等四位作者完成，于2026年5月15日提交至arXiv（编号2605.16575v1），归类为人工智能（cs.AI）。
实验的核心发现是：当前LLM代理确实能够建模谈判对手的偏好，但这种能力并没有可靠地转化为战略性议价行为。当代理获得关于谈判伙伴偏好的信息时，它们能在推理轨迹的早期准确识别这些偏好，然而，知情一方的最终结果并未因此稳定改善。换言之，知道对方看重什么，并不等于知道如何利用这一点为自己争取更大利益。
为了解释这一现象，研究团队进行了回合层面的分析。结果显示，代理往往会回应它们认为对手重视的内容，但这些回应并不总能与自身高价值属性上的收益相配对。也就是说，代理可能做出了看似迎合对方的举动，却没有同时确保自己在关键议题上获得补偿。这种“单边友好”而非“交换互利”的模式，削弱了知情方本应拥有的信息优势。
研究还揭示了谈判中的角色不对称：卖方总体上更愿意迁就对方。在信息不对称条件下，拥有更多信息的一方反而经常做出补偿更弱的让步。这一反直觉的结果进一步说明，LLM代理未能利用底层的效用结构来获取战略优势。最终达成的协议在很大程度上由表面层面的初始锚点决定，而不是由真实的效用权重驱动。初始报价的“锚定效应”压倒了代理对偏好信息的精细建模能力。
论文最后测试了一种干预措施：要求代理在提出报价前，明确陈述“让步换互惠”的交易。这种提示确实让单个回合看起来更具策略性，代理的推理过程显得更有章法。然而，从最终协议的整体效率来看，干预并未带来改善。这表明，让行为“看起来更聪明”与真正提升谈判结果之间仍有显著差距。
这项研究为LLM代理在谈判场景中的应用敲响了警钟。尽管模型在偏好推断等认知任务上表现出色，但将认知转化为多回合战略互动仍需更深入的机制设计。未来工作可能需要探索如何让代理在建模对手的同时，系统性地规划自身效用最大化的让步与索取组合，并克服初始锚点对最终协议的过度影响。