論文の概要: Do LLM Agents Negotiate Rationally? A Mechanism-Design Framework for Verifiable Multi-Agent Interaction over A2A/MCP

• arxiv url: http://arxiv.org/abs/2608.14613v1
• Date: Fri, 10 Jul 2026 07:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.234832
• Title: Do LLM Agents Negotiate Rationally? A Mechanism-Design Framework for Verifiable Multi-Agent Interaction over A2A/MCP
• Title（参考訳）: LLMエージェントはリレーショナルに交渉するのか? A2A/MCP上での多エージェントインタラクション検証のためのメカニズム設計フレームワーク
• Abstract要約: LLMエージェントフレームワークは、エージェントツーツールアクセスのためのAnthropicのModel Context Protocol(MCP)や、エージェントデリゲートとネゴシエーションのためのGoogleのAgent2Agent(A2A)プロトコルなど、ますます相互運用されている。 本稿では,古典的交渉機構を符号化するフレームワークについて紹介する。 我々は,非構造化対話,構造化プロトコル,検証付き構造化プロトコルを用いて,複数のLDMバックボーンの評価を行った。
• 参考スコア（独自算出の注目度）: 4.958397945862737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern LLM-agent frameworks increasingly interoperate through standards such as Anthropic's Model Context Protocol (MCP) for agent-to-tool access and Google's Agent2Agent (A2A) protocol for agent delegation and negotiation. However, these protocols specify transport and discovery rather than strategic correctness and do not guarantee efficient, individually rational, or strategy-proof outcomes. We introduce a framework that (i) encodes classical negotiation mechanisms, including alternating-offers bargaining and Vickrey-Clarke-Groves-style auctions, as constraints over A2A message schemas; (ii) provides a lightweight runtime verification and repair layer that checks messages against protocol invariants; and (iii) offers a benchmark of negotiation and allocation tasks with known optimal solutions for measuring deviations from game-theoretic predictions. We evaluate multiple LLM backbones using unstructured dialogue, structured protocols, and structured protocols with verification. Across negotiation trials (N=30 per condition), verification reduces outcome variance, while structured protocols achieve 100 percent success for both models. After correcting parser artifacts, audited unstructured baselines achieve approximately 97 percent and 93.3 percent success. In auction experiments (N=30 per model), both models achieve 100 percent efficient allocation but differ sharply in truthful bidding: one bids its exact valuation in every trial, whereas the other does so in only 3.3 percent of trials. Thus, mechanism-level incentive compatibility does not automatically transfer to LLM-agent behavior. A three-party fair-allocation task produced only 4.2 percent usable outcomes; we report this negative result with a diagnosis. This work bridges classical multi-agent systems theory and modern LLM-agent infrastructure and defines verifiable interaction at the A2A protocol layer.
• Abstract（参考訳）: 現代的なLCMエージェントフレームワークは、エージェントツーツールアクセスのためのAnthropicのModel Context Protocol(MCP)や、エージェントデリゲートとネゴシエーションのためのGoogleのAgent2Agent(A2A)プロトコルなど、ますます相互運用されている。 しかしながら、これらのプロトコルは、戦略的正当性よりも輸送と発見を規定しており、効率性、個々に合理的、あるいは戦略的な結果を保証するものではない。 私たちはフレームワークを導入します。 i) A2Aメッセージスキーマに対する制約として、交互取引やVickrey-Clarke-Grovesスタイルのオークションを含む古典的な交渉機構を符号化する。 (ii)プロトコル不変量に対するメッセージをチェックする軽量なランタイム検証と修復レイヤを提供する。 (iii)ゲーム理論の予測から逸脱を測定するための最適解を用いた交渉と割当タスクのベンチマークを提供する。 我々は,非構造化対話,構造化プロトコル,検証付き構造化プロトコルを用いて,複数のLDMバックボーンの評価を行った。 検証は条件ごとの交渉試験(N=30)を通じて結果のばらつきを低減し、構造化されたプロトコルは両方のモデルで100%の成功を達成する。 パーサーのアーティファクトを修正した後、監査された未構造化のベースラインは約97%、93.3%の成功を収めた。 競売実験(N=30モデル)では、どちらのモデルも100%効率のよい割当を達成しているが、真に入札する場合には顕著に異なる: 1つは全てのトライアルで正確な評価を入札するが、もう1つはトライアルの3.3%で競売を行う。 したがって、メカニズムレベルのインセンティブ互換性は、自動的にLLMエージェントの動作に移行しない。 当科では, 有効性は4.2%に過ぎなかったが, この否定的な結果が診断で報告された。 この研究は、古典的マルチエージェントシステム理論と現代のLCMエージェントインフラストラクチャを橋渡しし、A2Aプロトコル層における検証可能な相互作用を定義する。

関連論文リスト

• Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm [14.162774819793759]
  IMACSは、チームにいる人、メンバーがどのように整列し、どのアルゴリズムが作業を混乱させるかという、論理的に異なる3つの懸念を分離する。 我々は、この分離を利用して、協調プロトコルが固定されている間、組織的な課題が異なる制御された比較を行う。 また、プロトコルの選択を学習可能な変数に変換する。
  論文  参考訳（メタデータ） (2026-07-28T08:35:21Z)
• A Technical Taxonomy of LLM Agent Communication Protocols [60.76747983053368]
  本研究では,大規模言語モデル(LLM)エージェント通信プロトコルの分類と解析を行う技術的分類法を開発する。 このフレームワークはプロトコルの選択をガイドし、プライバシーやポリシー執行といったオープンな研究ギャップを強調する。
  論文  参考訳（メタデータ） (2026-06-17T14:45:20Z)
• Agents that Matter: Optimizing Multi-Agent LLMs via Removal-Based Attribution [21.301961149692453]
  エージェント属性を協調ゲームとして形式化し、連立分布、削除プロトコル、ターゲットメトリックによってパラメータ化する。 そこで,LOO(Leave-One-Out)はボトルネックエージェントをボトルネック手法として効果的に識別するが,計算コストのごく一部に留まることを示す。 また、診断精度と倫理的行動に対するエージェントの貢献がしばしば分離されることを明らかにするため、医療MASの監査に我々の枠組みを適用した。
  論文  参考訳（メタデータ） (2026-05-26T19:39:27Z)
• TERMS-Bench: Diagnosing LLM Negotiation Agents Beyond Deal Rate [34.67393151003599]
  交渉はエージェント言語モデルのための標準的なテストベッドである。 数学やコードとは異なり、本質的な検証がない。 本稿では,環境自体を検証対象とするベイズゲームフレームワークであるTerms-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-13T06:22:50Z)
• LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems [0.0]
  現在のプロトコルでは、モデルレベルのプロパティを第一級プリミティブとして公開していない。 5つのメカニズムを導入したAIネイティブ通信プロトコルであるLDM Delegate Protocol(LDP)を提案する。 アイデンティティを意識したルーティングは、デリゲートの特殊化によって、簡単なタスクの12倍のレイテンシを実現するが、小さなデリゲートプールの集約品質は向上しない。
  論文  参考訳（メタデータ） (2026-03-09T19:13:17Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Multi-Agent LLM Orchestration Achieves Deterministic, High-Quality Decision Support for Incident Response [0.0]
  大規模言語モデル(LLM)は、本番システムにおけるインシデント応答を加速することを約束する。 しかし、単一エージェントアプローチは曖昧で使用不能なレコメンデーションを生成する。 コンテナ化されたフレームワークであるMyAntFarm.aiを紹介し、マルチエージェントオーケストレーションがインシデント応答の品質を変えることを示す。
  論文  参考訳（メタデータ） (2025-11-19T06:06:11Z)
• Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
  汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。 このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。 計算コストを削減しながら、大きな利益を得ることができます。
  論文  参考訳（メタデータ） (2025-10-27T17:59:14Z)

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。