When Does Personality Composition Matter for Multi-Agent LLM Teams?
作者: Aryan Keluskar, Amrita Bhattacharjee, Huan Liu
分类: cs.AI
发布日期: 2026-06-25
备注: 20 pages, 6 figures
💡 一句话要点
探讨个性组成对多智能体LLM团队表现的影响
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性组成 多智能体系统 大型语言模型 任务表现 团队协作 沟通风格 人工智能
📋 核心要点
- 现有研究未系统探讨个性组成对多智能体团队任务表现的影响，尤其是在不同任务领域中的表现差异。
- 本文通过操控大型语言模型的个性特征，分析其在结构化编码、开放式协作和竞争性谈判中的表现差异。
- 研究结果表明，个性效应与任务结构密切相关，低宜人性在某些任务中可能导致沟通变化，但对任务完成的影响有限。
📝 摘要（中文）
个性提示影响大型语言模型的交流方式，但这些行为变化是否影响任务结果尚未系统研究。以往研究表明，低宜人性提示的代理会产生对抗性语言，而高宜人性提示的代理则表现出合作性。然而，沟通风格与任务表现之间的关系在多个领域尚未得到深入探讨。本文通过操控个性特征，研究个性组成对多智能体团队表现的影响，涵盖结构化编码、开放式研究协作和竞争性谈判三个任务领域。研究发现，个性效应与任务结构密切相关，低宜人性在编码任务中导致显著的沟通变化，但对里程碑完成影响不大；而在开放式协作和谈判中，相同的操控显著降低了表现。我们讨论了多智能体系统设计的启示及个性操控的局限性。
🔬 方法详解
问题定义：本文旨在探讨个性组成如何影响多智能体团队的任务表现，现有方法未能系统分析个性与任务结果之间的关系。
核心思路：通过操控大型语言模型的个性特征，研究其在不同任务中的表现，旨在揭示个性对团队协作的影响机制。
技术框架：研究分为三个主要阶段：1) 个性特征的定义与操控；2) 在不同任务领域中进行实验；3) 分析个性与任务表现之间的关系。
关键创新：本研究首次系统性地探讨了个性组成对多智能体团队表现的影响，揭示了个性与任务结构之间的复杂关系。
关键设计：在实验中，个性特征通过特定的提示进行操控，采用了多种任务设计以确保结果的全面性和可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在编码任务中，低宜人性导致显著的沟通变化，但对任务完成影响不大；而在开放式协作和竞争性谈判中，低宜人性显著降低了团队表现。这一发现强调了任务结构对个性效应的重要性。
🎯 应用场景
该研究的潜在应用领域包括多智能体系统设计、团队协作优化和人机交互等。通过理解个性对团队表现的影响，可以为智能体的设计提供指导，提升其在复杂任务中的表现和效率，未来可能在商业、教育等领域产生深远影响。
📄 摘要（原文）
Personality prompting shapes how large language models communicate, yet whether these behavioral shifts affect objective task outcomes remains under-explored. Prior work shows that agents prompted with low agreeableness produce adversarial language, while those prompted with high agreeableness become cooperative, but the relationship between communication style and task performance has not been systematically examined across multiple domains. In this work, we investigate whether personality composition matters for multi-agent team performance by manipulating personality traits across frontier LLMs on three task domains: structured coding, open-ended research collaboration, and competitive bargaining. We find that personality effects depend critically on task structure. In coding tasks, low agreeableness leads to large communication shifts that have little effect on milestone completion. In open-ended collaboration and bargaining, the same manipulation substantially degrades performance. We discuss implications for multi-agent system design and the limits of personality manipulation.