一句话看懂：arXiv 上一篇新论文提出，在重复多方 LLM 谈判中，信任感知型智能体虽能识别暗中阻挠协议的对手，却不一定能因此谈成更好的协议——信任只有被明确引导进决策时才体现价值。
事件核心：发生了什么
2026 年 10 月 26 日提交至 arXiv cs.AI 的论文《Knowing Whom to Trust is not Enough》构建了一个重复、多方、多议题的 LLM 谈判框架：固定智能体连续参与多轮谈判游戏，其中一名参与者暗中阻止达成协议。每轮结束后，智能体评估对手并维护可延续到后续谈判的两两信任估计。作者对比信任感知与无信任两类智能体后发现“信任—协议落差”：前者通常几轮内就能锁定对手，但准确的信任估计并未稳定转化为更优协议。信任最多可把协议达成率提升 23 个百分点，但前提是智能体被明确引导在决策中使用信任。目前公开信息仅来自论文摘要，完整实验细节与评审状态尚未披露。
为什么重要
LLM 智能体正被用于代表个人和组织进行谈判，而在重复多方互动中更容易被操纵。经典多智能体系统靠显式信任与声誉模型应对，现有 LLM 谈判研究却多把信任当作涌现现象。这项研究提示：让大模型“感觉谁不可信”不等于谈判能力提升，信任必须转化为可操作的决策规则，否则再准的判断也可能停留在认知层。对多智能体协作、Agent 商业自动化和安全对齐而言，这是一个需要正视的工程问题。
对用户/开发者/创作者的影响
对开发者，单纯在 Agent 提示词中加入“评估对方可信度”可能不够，需要把信任分数显式接入策略选择、报价调整或终止条件；对使用 LLM 进行采购、合同初谈或平台撮合的企业用户，不能默认模型能自行处理恶意参与者；对研究多智能体信任机制的人，这一框架提供了可复用的评测思路。目前公开信息显示，该结论限定在论文设定的重复多方、多议题谈判任务内，不宜外推为通用排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是完整论文是否给出信任评估与纳入推理的具体方法，以及 23 个百分点提升的适用条件；二是该框架是否被开源或复现，成为 Agent 谈判评测基准；三是后续工作能否把显式信任机制与 LLM 推理、记忆和工具调用更好结合。若相关能力进入商用 Agent 产品，信任机制的设计方式将直接影响多方自动谈判的可靠性。
来源：arXiv cs.AI
