你有没有遇到过这种开会场景：会议室里五个人,其中一个人手里握着能一锤定音的关键信息,但从头到尾一言不发。另一个人嗓门大、说话快,第一个抛出观点,结果大家都顺着他往下走,哪怕他的方向是错的。还有一个人老是打断别人,没人出声提醒,时间长了,这个毛病越闹越大,整个团队的协作氛围也跟着垮掉。
这不是什么新鲜事,心理学家几十年前就在人类小团体里观察到了这种现象。但让人意外的是,当我们把开会的人换成AI,这些老问题竟然原封不动地又出现了一遍。
新加坡南洋理工大学和北京航空航天大学的研究者们做了一个实验,让多个大语言模型组成的智能体团队去完成协作任务,比如集体决策、信息整合、谈判。结果发现,这些AI团队翻车的方式,和人类小组翻车的方式几乎一模一样：掌握关键信息的智能体选择沉默,嗓门大的智能体把全队带偏,没人去纠正那些破坏协作的行为。
这篇论文的核心问题就是:如果AI团队的失败是"社会性"的,那解决方案是不是也应该是"社会性"的?也就是说,我们能不能像诊断一个真实团队的人际关系问题一样,去诊断和修复AI团队?
研究者给出的答案是一个叫做Agent Sociodrama的框架,中文可以理解为"智能体社会剧场"。它的做法是让每个AI智能体不仅有一个固定的人设,还要带着一套会随时间变化的情绪状态和对其他成员的态度,这套态度是单向的、不对称的,就像现实生活中你喜欢一个人,这个人未必同等地喜欢你。
**团队里的AI角色为什么需要"活的"关系,而不是一张写死的设定表**
传统做法里,给AI团队分配角色基本就是写一张人设卡:"你是分析型的,你是强势型的,你是随和型的。"这张卡写完之后整场对话都不变,角色从始至终用同一种腔调说话。
问题是,人类团队协作根本不是这样运作的。
试想一下你刚入职的头一个月,和同事小王一起做项目。第一周你对他印象中立,觉得这人还行。第二周他在会上抢了你的功劳,你对他的态度悄悄转冷,但你表面上还是客客气气地配合工作。第三周,他主动帮你顶了一个难缠的客户,你心里那道墙又松动了一点,开始愿意多分享一些信息给他。
你和小王的关系,从始至终没有被写进任何"人设卡",它是在一次次具体互动里积累出来的。如果公司给每个人发一张永不更新的"性格说明书",让大家严格按照说明书上的性格演下去,那这个团队根本不是在协作,是在排练一个剧本。
Agent Sociodrama想解决的正是这个问题:让人设保持稳定(一个人的脾气底色不会一天变三次),但让关系和情绪随着互动真实流动起来。
**情绪状态和关系网络到底是怎么被记录和更新的**
论文里把每个智能体的状态拆成三块:人设、情绪、关系。
人设*：指一个智能体固定不变的身份设定,包括姓名角色、行为倾向、行为边界,整场互动中保持一致
情绪状态*：用0到1之间的一个数字表示,0.5是中性,数字越低越负面,数字越高越正面,每一轮根据这个智能体看到的事件和它自己的性格更新一次
关系状态*：记录一个智能体对另一个智能体的态度,包含三个部分:好感度分数(从负1到正1)、关系类别(中立、盟友、对手、敌人)、以及一段简短的事件记忆,用来支撑后续的关系判断
关键的设计在于,这个关系是有方向的,不是互相对称的一个数字。A对B的好感可以是0.8,B对A的好感同时可以是-0.3,这两者互不影响,各自独立更新。
这就像你和你暗恋的人之间的关系。你对他的好感值可能一路飙升,他对你可能还停留在"普通朋友"的档位。如果系统强制规定两个人的好感度必须相等,那这套系统根本模拟不出现实世界里最常见的那种单相思、单方面示好、单方面冷战的局面。而这些单向的、不对等的关系,恰恰是团队内部摩擦和误解的主要来源。
每一轮互动结束后,系统会用一个外部的大语言模型充当"裁判",根据这一轮里发生的具体事件(谁打断了谁、谁帮了谁、谁被忽视了),给每个智能体的情绪和每一对智能体的关系打分、更新。更新的幅度被限制在一个较小的范围内(正负0.3),这样做是为了避免一轮对话就让关系从盟友瞬间翻脸成死敌,毕竟现实里的关系崩塌通常也是慢慢积累的,不是一夜之间的事。
**谁先说话这件小事,藏着一个容易被忽略的公平性陷阱**
研究者还注意到一个细节:如果让智能体按固定顺序或随机顺序发言,后面说话的智能体天然就比先说话的智能体掌握更多信息,因为它能听到前面所有人说过的话。
这跟开会时坐在会议室最后发言的人总显得特别有见地是同一个道理。不是因为他真的更聪明,只是他攒够了前面所有人的发言当参考,话赶话地往下接,显得特别周全。如果每次开会都让同一个人坐在最后一个发言位,这个人会被团队默认为"最靠谱的那个",但这其实是发言顺序造成的假象,不是能力差异。
论文的解决办法是把"要不要说话"和"说什么"拆成两个独立的阶段。第一阶段,所有智能体同时、互不知道对方决定的情况下,各自给出一个"沟通紧迫度"评分(0到10分)、打算公开说还是私下说、想对谁说。因为这时候没有人已经开口,所有人掌握的信息是完全对等的。第二阶段,系统按紧迫度从高到低排序,让智能体依次真正发言,沉默的智能体直接跳过,不占用计算资源。
这个设计巧妙地避开了"谁先说谁占优"的陷阱,同时又保留了"确实有急事要说的人应该优先说"的合理机制。
**五个经典社会学规律,AI团队全都复现出来了**
研究者设计了五个难度递增的社交场景:医院伦理审查(大家目标一致,只是风险偏好不同)、酒馆遗产纠纷(资源争夺)、冒险小队任务(价值观冲突)、太阳能农场谈判(利益博弈)、拆迁对峙(公开的阵营对立)。
每个场景跑了六种主流大模型(GPT-4o、GPT-5-mini、Claude Sonnet 4.6、Gemini 3.1 Flash-Lite、Grok 4.20、DeepSeek V4-Flash),每种模型跑五轮完整的九轮对话,一共积累了150组团队轨迹。
结果显示出一条非常清晰的趋势线。从冲突最低的医院场景到冲突最高的拆迁场景,团队成员之间最终的平均好感度从0.75一路跌到0.23,阵营间的敌对指数(论文里叫E-I指数)从负0.10滑向负2.25,关系的"结构平衡度"从100%降到71.7%,而破裂关系被修复的比例从58.5%暴跌到18.9%。
结构平衡*：源自社会心理学家海德的理论,指一个三人小团体里,正负关系的组合方式要符合某种内在逻辑,比如两个盟友共同反对第三个人是平衡的,但两个敌人却同时和第三个人交好,这种组合在现实中往往不稳定
数字背后的意思是,随着场景里的利益冲突加剧,AI团队表现出和人类小组一样的规律:关系会变得越来越冷,阵营划分会越来越明显,破裂的关系也越来越难挽回。这不是研究者刻意设计出来的剧情,而是六个模型在五种不同压力场景下自然演化出的结果,和社会心理学几十年前总结出的规律高度吻合。
更有意思的是互惠性这个指标。它衡量的是A对B的态度和B对A的态度到底有多"同步"。按常理想,冲突越激烈,双方应该越各自为战、互不买账才对。但数据恰恰相反:互惠性从医院场景的0.35一路涨到谈判场景的0.91,拆迁场景依然保持在0.68的高位。这说明即便双方关系在恶化,他们对彼此的看法也在越来越趋同,也就是"我不喜欢你,你也同样不喜欢我"这种同步的对立,反而比各说各话的疏离更常见。这和现实生活里吵得越凶的两个人,往往对彼此的看法反而越一致,是一个道理。
**六个大模型,六种不同的"社交人格"**
论文还发现一件更微妙的事:即便是完全相同的剧本和相同的角色设定,换一个底层模型来扮演这些角色,整个团队呈现出来的社交风格会完全不同。
在酒馆遗产纠纷这个场景里,GPT-5-mini维持的关系整体偏正面,阵营对立程度也比较温和。Claude Sonnet 4.6的特点是双方互动高度同步,而且就算关系破裂了,后面修复回来的比例高达80%,是六个模型里修复能力最强的。GPT-4o虽然整体好感度也不低、互惠性也很高,但关系一旦破裂,几乎没有挽回的余地,修复率只有10%。
这就像六个性格迥异的调解员,面对同一桩家庭纠纷,各自会给出完全不同的处理方式。有的调解员擅长让双方求同存异、吵完还能和好;有的调解员擅长让场面维持表面和谐,但一旦真正翻脸,就彻底撕破脸没法挽回。调解员本身的风格,比纠纷的内容更能决定最终结局会不会收场得好。
研究者还做了一件挺重要的事:找了十三位真人志愿者,独立判断同一批对话片段里,情绪和关系到底是在变好还是变差,然后拿这些人类的判断去跟AI裁判的判断做对比。
结果是,人类彼此之间的判断一致性其实并不高(衡量一致性的Fleiss卡帕系数,关系判断只有0.288,情绪判断只有0.184,这个数字接近"勉强一致"的下限)。但在人类自己内部已经形成多数意见的那些样本上,AI裁判和多数人类意见的一致率达到了76.2%(关系判断)和88.2%(情绪判断)。这说明判断社交关系这件事本身就是模糊的,连人和人之间都很难完全达成共识,但在真正有共识的地方,AI裁判基本能跟上人类的判断方向。
**既然团队会"生病",那能不能对症下药重新排兵布阵**
验证完AI团队确实会表现出真实的社会动态之后,论文的第二部分开始回答一个更实际的问题:知道了团队哪里出了问题,能不能真的把问题解决掉?
研究者提出了一个叫做"轨迹引导的角色重铸"的控制器,简称TPR。
它的运作逻辑是这样的:先让当前的角色配置跑几轮完整任务,记录每一轮的对话记录、最终结果,以及整个过程中情绪和关系是怎么变化的。然后找一个外部大语言模型来当"诊断医生",让它综合参考这三类信息,判断团队里是谁被冷落了、是谁话语权过大、团队该怎么重新分配角色。诊断完之后,系统按多数投票的方式真正把团队的角色配置换一轮,再重新跑任务,看效果有没有改善。这个循环最多重复三次。
这里最关键的一点是,诊断医生看的不只是对话记录,还要看情绪和关系这两条隐藏的曲线。
举个例子,一个智能体在对话里全程显得很配合,语气也很平和,如果只看文字记录,根本看不出任何异常。但如果去看它的情绪曲线,你会发现它的情绪值从一开始的0.6,一轮一轮往下掉到了0.15,这说明它其实正在经历一种"表面顺从、内心抗拒"的状态,它掌握的关键信息很可能一直被忽视,它已经放弃了争取发言权。单看文字你会以为团队气氛很好,看了情绪曲线才知道有人正在悄悄退出协作。
这就跟一个总是笑着说"没事没事,都听你们的"的同事一样。嘴上说没事,心里其实已经攒了一肚子意见,只是选择不说。如果领导只看会议记录里他发言的内容,永远发现不出异常,因为记录上这个人一直表现得通情达理。但如果有人注意到他最近请假变多了、下班比以前准时了、在非正式场合话比以前少了,这些才是真正的预警信号。情绪曲线扮演的正是这个"非正式预警信号"的角色。
**换个人设,成绩从17%飙到100%,这事有多离谱**
论文在四个协作任务上测试了这套重铸机制:学生会评议(需要团队汇总分散在各人手里的证据才能做出正确决策)、NASA月球求生排序、海上求生排序、太阳能农场谈判(各方利益冲突,需要达成一个让大家都满意的协议)。
效果有多明显?在学生会评议这个任务里,仅仅是把团队的角色配置换一换,GPT-5-mini驱动的团队,正确率从16.7%直接飙升到100.0%,这背后用的还是完全相同的底层模型、完全相同的私有信息,唯一变化的就是谁扮演什么性格。
这个结果换个角度想会更震撼。同一批"演员",同一个剧本,仅仅是换了几张角色分配表,结果从接近"随机瞎猜"的水平,一路跑到了"全部答对"。如果你是球队教练,同一批球员,光是调整首发阵容的站位,就能让球队从保级队变成冠军候选,你会不会立刻意识到,阵容配置这件事本身,就是一个可以被精心设计、而不是随便拍脑袋决定的变量?
论文用一个具体的案例讲清楚了这套诊断逻辑是怎么工作的。在海上求生排序任务里,一开始的角色配置是让某个成员扮演强势型人设,另一个成员扮演分析型人设。诊断之后发现,扮演分析型的成员曾经提出过一个关于"用燃油罐发信号"的重要建议,但被团队忽视了,导致团队排序偏差很大,平均误差达到21.83。
系统随后进行了三轮重铸。先是把一个成员从强势型换成分析型,误差降到18.00;再把另外两个成员从分析型换成随和型,误差降到14.33;最后把最初那个被忽视建议的成员直接换成强势型人设,让他有足够的话语权把这条关键信息真正说出来,误差最终降到11.33。
整个过程里,团队从头到尾变成了四种完全不同的性格组合,这说明系统不是机械地认准某一种"万能人设",而是针对具体问题,一点点调整到一个真正能让关键信息被听见的配置。
研究者还做了一个对照实验,把情绪和关系这两条曲线从诊断依据里拿掉,只留下纯粹的对话记录。结果显示,在谈判任务里,帕累托最优的达成率(双方都觉得公平、没有更好方案的协议比例)从48.6%掉到了27.8%,少了将近21个百分点。这个落差直接证明了,光看对话内容是不够的,情绪和关系这两条看不见的曲线,确实提供了对话文字本身给不出的额外信息。
帕累托最优*：经济学和博弈论里的一个概念,指没有任何一方能在不让别人变差的情况下让自己变得更好的那个最优协议状态
研究者还把这套方法拿去跟两个已有的知名多智能体框架SOTOPIA和AgentVerse做对比。四项对比里,这套方法在三项上胜出,在太阳能农场谈判任务里,帕累托达成率比SOTOPIA高出37.5个百分点,比AgentVerse也有明显优势。
**团队协作的失败,从来不只是个人能力问题**
读完这篇论文,一个很直观的感受是,我们过去修复AI多团队协作问题的方式,基本都在"优化提示词""改进工作流""调整任务拆分方式"这个层面打转,相当于一直在给剧本改台词,却没人想过去调整演员之间的化学反应。
这篇论文提出的思路本质上是说,AI团队的失败很多时候不是单个智能体不够聪明,而是整个团队的"社交生态"出了问题。换个比方,一支球队输球,未必是某个球员技术不行,很可能是中场和前锋之间没有默契、队长和边锋互相不服,这种问题靠单独加练某个球员解决不了,只能靠调整整个团队的化学反应。
把情绪和关系这两条原本隐藏在对话背后的变量显性地记录下来、量化出来,这件事本身就打开了一个新的诊断维度。过去我们只能看"AI说了什么",现在多了一个"AI之间的态度是怎么流动的"这个视角,这个视角恰恰是过去被完全忽略的那部分。
Q&A
Q1：Agent Sociodrama框架具体解决了什么问题?
A：它解决的是AI智能体团队协作时出现的社会性失败问题,比如掌握关键信息的智能体选择沉默、强势智能体主导错误方向、违规行为无人纠正。该框架通过记录每个智能体不断变化的情绪状态和单向关系网络,让团队协作过程变得可被诊断和修复,而不只是依赖固定的角色设定。
Q2：轨迹引导的角色重铸(TPR)是怎么提升团队表现的?
A：TPR会让团队先跑几轮任务,综合参考对话记录、情绪曲线和关系网络这三类信息,用外部大模型诊断出团队中谁被忽视、谁话语权过大,再重新分配角色设定。实验显示,仅调整角色配置就能让某个任务的正确率从16.7%提升到100.0%,效果非常明显。
Q3：为什么要用模拟的情绪和关系数据去判断AI团队的问题,而不只看对话记录?
A：因为很多团队问题在对话文字里是看不出来的,比如一个智能体表面配合,但情绪曲线显示它在持续走低,说明它正在被忽视却选择沉默。论文的对照实验证明,去掉情绪和关系这两条曲线后,谈判任务的最优协议达成率从48.6%降到27.8%,说明这些隐藏信息确实提供了对话内容之外的关键线索。
