Исследователи представили метод Multi-Agent Fictitious Play, направленный на улучшение навыков принятия решений в мультиагентных системах на базе больших языковых моделей. Традиционный подход «разделяй и властвуй», при котором сложные задачи разбиваются на независимые подзадачи, оказался недостаточно эффективным для сценариев, требующих учета интересов всех сторон одновременно. Новый алгоритм позволяет агентам моделировать поведение оппонентов и партнеров, имитируя процесс стратегического взаимодействия.
В основе метода лежит итеративное обучение, при котором каждый агент формирует стратегию, основываясь на истории действий других участников системы. Это позволяет моделям лучше справляться с задачами, где результат зависит от конкуренции или необходимости поиска компромисса между несколькими стейкхолдерами. В отличие от стандартных цепочек рассуждений, такой подход учитывает динамическую природу среды, где действия одного агента напрямую влияют на контекст и возможности других.
Эксперименты показали, что внедрение игровых стратегий в процесс рассуждения моделей значительно повышает качество решений в задачах с высокой степенью неопределенности. Метод позволяет агентам эффективнее адаптироваться к меняющимся условиям и находить более сбалансированные варианты действий в ситуациях, требующих учета множества противоречивых факторов. Данное исследование открывает новые возможности для автоматизации сложных бизнес-процессов, где требуется согласование интересов различных подразделений или внешних контрагентов.