对手建模不等于谈判策略：LLM 作为谈判者的能力边界
谈判不仅仅是猜透对方心思——它要求利用这些信息在多个回合中做出有利的报价和还价。一项来自 arXiv 的新研究（编号 2605.16575）系统评估了大型语言模型（LLM）代理在受控的多属性讨价还价环境中的表现，结果令人警醒：当前 LLM 可以准确建模对手偏好，却无法将这种认知转化为战略性谈判优势。
研究发现：知易行难
研究团队设计了一个多属性谈判任务，让 LLM 代理与预设对手进行多轮议价。实验发现，当代理获得对手的偏好信息时，它们能在推理轨迹早期就准确建模这些偏好。然而，这种认知并未可靠地改善知情方的谈判结果。换言之，模型“知道”对手想要什么，却不会据此制定对自己有利的报价策略。
回合级分析：策略脱节
通过对每一轮谈判的微观分析，研究者揭示了问题根源：代理虽然会回应其所认为的对手价值点，但很少将这些让步与自身高价值属性的获益相匹配。例如，在信息不对称条件下，知情方（拥有更多偏好信息的一方）反而常常做出补偿更少的让步。这表明，代理未能将底层的效用结构转化为战略性优势。
锚定效应主导结果
由于缺乏真正的策略推理，最终协议的质量很大程度上由表面上的初始锚点决定，而非实际的效用权重。这意味着，谁先出价、出价多少，对结果的影响远大于对各方真实价值的权衡。这与人类谈判中常见的锚定效应如出一辙，但 LLM 似乎更被动地受其左右。
显式策略指令收效甚微
研究还尝试了一种干预：要求代理在出价前先明确陈述“让步换互惠”的交易提议。虽然这让单轮谈判看起来更具策略性，但最终协议效率并未得到提升。这说明，表面上的策略性语言并不等同于真正的策略推理。
行业启示
这项研究对 AI 在商业谈判、外交模拟等领域的应用提出了重要警示。LLM 擅长模式识别和语言生成，但缺乏人类谈判者那种将信息整合进长期策略的能力。未来，或许需要将 LLM 与专门的规划算法或强化学习相结合，才能突破这一瓶颈。
简言之，会“读心”不等于会“博弈”——在谈判桌上，知道对方要什么只是第一步，知道如何利用这一点为自己争取最大利益，才是真正的策略。而后者，正是当前 LLM 的短板所在。