論文の概要: Agents with Feelings? Personality and Emotion in Multi-Agent Software Teams
- arxiv url: http://arxiv.org/abs/2607.05659v1
- Date: Mon, 06 Jul 2026 22:00:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.33493
- Title: Agents with Feelings? Personality and Emotion in Multi-Agent Software Teams
- Title（参考訳）: フィーリングを持つエージェント : マルチエージェントソフトウェアチームにおける個性と感情
- Authors: Yunyan Ding, Thomas Zimmermann, Iftekhar Ahmed,
- Abstract要約: 4つのLCMと659のタスクインスタンスを使用して、コード生成とコードレビューの78のチーム別構成を評価した。
その結果、プロファイルの選択はパフォーマンスとチームの振る舞いの両方に大きく影響します。
恐れと高良性プロファイルは、一貫したパフォーマンス向上なしに、リビジョンアクティビティ、オーバーリビジョン、トークン使用量を増加させます。
- 参考スコア（独自算出の注目度）: 8.628891877078786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent LLM systems for Software Engineering (SE) typically differentiate agents through roles and workflows, but little is known about how agents' behavioral profiles affect team performance. We investigate the impact of personality and emotion profiles on LLM agent teams using a psychology-informed framework that combines Big Five personality traits, basic emotions, SE-relevant work styles, and task roles. We evaluate 78 team-profile configurations across code generation and code review using four LLMs and 659 task instances. Results show that profile choice substantially affects both performance and team behavior. For code generation, the gap between the best and worst shared-profile configurations reaches 7.1-11.3 percentage points in pass@1 across models, while the best mixed-profile configuration outperforms the best shared-profile configuration in six of eight model-task settings. Profiles also influence collaboration dynamics and cost: fear and high-conscientiousness profiles increase revision activity, over-revision, and token usage without consistent performance gains. These findings identify agent profiles as an important design dimension in multi-agent SE systems, affecting not only task outcomes but also the efficiency of collaboration.
- Abstract（参考訳）: ソフトウェアエンジニアリングのためのマルチエージェントLLMシステム(SE)は通常、役割やワークフローを通じてエージェントを区別するが、エージェントの行動プロファイルがチームのパフォーマンスにどのように影響するかはほとんど分かっていない。
本研究では,LLMエージェントチームに対する人格・感情プロファイルの影響を,ビッグファイブの性格特性,基本感情,SE関連作業スタイル,タスク役割を組み合わせた心理学的インフォームド・フレームワークを用いて検討した。
4つのLCMと659のタスクインスタンスを使用して、コード生成とコードレビューの78のチーム別構成を評価した。
その結果、プロファイルの選択はパフォーマンスとチームの振る舞いの両方に大きく影響します。
コード生成では、最高の共有化設定と最悪の共有化設定のギャップは、モデル間でのパス@1の7.1-11.3ポイントに達し、最高の混合化設定は8つのモデルタスク設定のうち6つで最高の共有化化設定を上回っている。
恐れと高良性プロファイルは、一貫したパフォーマンス向上なしに、リビジョンアクティビティ、オーバーリビジョン、トークン使用量を増加させます。
これらの結果は,エージェントプロファイルを多エージェントSEシステムにおいて重要な設計次元として認識し,タスク結果だけでなく協調作業の効率にも影響を及ぼす。
関連論文リスト
- ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。
全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
論文 参考訳（メタデータ） (2026-06-30T06:06:08Z) - When Does Personality Composition Matter for Multi-Agent LLM Teams? [11.599619860803472]
マルチエージェントチームパフォーマンスにおいてパーソナリティ構成が重要であるかを検討する。
人格効果はタスク構造に大きく依存している。
マルチエージェントシステム設計における意味について論じる。
論文 参考訳（メタデータ） (2026-06-25T18:13:33Z) - MoRAgent: Parameter Efficient Agent Tuning with Mixture-of-Roles [25.198556596878362]
本稿では,エージェントタスクにおけるパラメータ効率細調整(PEFT)の3つの重要な戦略を紹介する。
より支配的なReason+Actionパラダイムに着想を得て、エージェントタスクに必要な機能を3つの異なる役割に分解する。
そこで我々は3つのLoRAグループからなるMixture-of-Roles(Mixture-of-Roles)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-25T15:02:07Z) - Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。
4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。
一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
論文 参考訳（メタデータ） (2025-08-05T12:52:09Z) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳（メタデータ） (2025-06-06T17:29:49Z) - PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence [8.557534799079956]
PersonaX はエージェントに依存しない LLM-UM フレームワークであり、これらの課題に対処する。
より優れたレコメンデーションパフォーマンスと推論効率を達成するために、下流のレコメンデーションエージェントを拡張する。
論文 参考訳（メタデータ） (2025-03-04T08:41:40Z) - TAROT: A Hierarchical Framework with Multitask Co-Pretraining on
Semi-Structured Data towards Effective Person-Job Fit [60.31175803899285]
本稿では,階層型マルチタスク協調訓練フレームワークであるTAROTを提案する。
TAROTは、プロファイルとジョブにおける半構造化テキストをターゲットにしており、取得したセマンティック情報を各レベルで制限するために、複数のきめ細かい事前訓練タスクと共に保持されている。
論文 参考訳（メタデータ） (2024-01-15T07:57:58Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。