大規模言語モデルのナラティブからマルチエージェントシステムにおけるパラメータ化された協力ポリシーへ

大規模言語モデル(LLM)は、マルチエージェントシステムのエージェント行動を変化させる説得力のあるナラティブを生成できるが、その効果、解釈可能性、制御可能性に対する正式な保証はない。本研究では、自然言語の協力指示を、ネットワークターゲティング、ナラティブテーマ、強度、展開タイミング、コンパイラ信頼度という5つのフィールドスキーマで定義された構造化されたパラメータ化された影響ポリシーにコンパイルするソルバー・クリティックパイプライン「LLMインフルエンスコンパイラ(LIC)」を導入した。コンパイルされたポリシーは、疲労減衰、感受性の不均一性、バックラッシュを組み込んだ露出モデルを介して数値エージェントのネットワークに拡散される。評価は、4つのトポロジー、4つのネットワークサイズ、5つのLLMバックボーン、2つの非定常摂動にわたる200以上のシミュレーション実行からなる9つの制御実験ブロックで実施された。結果として、コンパイルされたポリシーは平均協力率を0.826 ± 0.010に向上させ、構造化されていないベースライン(0.760 ± 0.005)と比較して相対的に8.6%改善した。ネットワークを意識したターゲティング、用量調整、介入フロアがこの改善に寄与した。構造的な非定常性下では、LLMを介した再展開アーキテクチャは、凍結されたルールよりも大幅に優れていた。敵対的ストレステストでは、クリティックはリスクの高いポリシーを正しくフラグ付けし、拒否した。このコンパイラ抽象化は、不透明な生成プロセスを、分解可能で監査可能なポリシーオブジェクトに変換し、人工社会におけるLLMを介した影響の憲法的監督の基盤を築く。