AI 에이전트가 다중 에이전트 환경에서 점점 더 큰 자율성으로 작동함에 따라, 상호 이익을 창출하기 위해 다른 에이전트 및 인간과 협력하는 방법을 학습해야 할 것이다. 그러나 협력의 비용은 종종 초기에 발생하는 반면 이익은 나중에만 실현되므로 배반(defect) 유인이 생겨 협력은 어려운 과제이다. AI 에이전트는 어떻게 약속(commitment)을 통해 협력할 수 있는가? 본 연구에서는 인류 사회가 이러한 유형의 위임-대리인(principal-agent) 문제를 해결하는 데 사용해 온 법률 제도와 계약(contracting)에서 영감을 얻는다. 계약은 약정의 관찰 가능한 표현을 제공하며, 조건의 집행을 통해 신뢰할 수 있는 약속(credible commitments)을 가능하게 한다. 우리는 목표를 향한 탐색(navigation)과 협상(bargaining)을 결합한 시공간(spatial-temporal) 게임 CT에서 대규모 언어 모델(LLM) 기반 에이전트를 사용하여 계약 기반 협력의 역할을 연구한다. 코드로 컴파일되는 형식 계약(formal contracts)부터 재해석이 필요한 자연 계약(natural contracts)까지 다양한 계약 표현을 연구한다. 서로 다른 크기와 제공자(provider)를 사용하는 다양한 LLM 백본을 갖춘 에이전트를 평가한다. 자기 협상 계약(self-negotiated contracts)이 일반적인 거래(regular trading)만으로는 가능한 수준을 넘어 협력적 결과를 개선할 수 있음을 발견한다.
LLM 에이전트 평가에는 정적 추론과 제로샷(zero-sum) 게임을 넘어서는 동적 환경이 필요하다. 실제 경제적 상호작용은 종종 개방형(open-ended)이며 혼합 동기(mixed-motive)적이다: 에이전트는 협상하고, 정합(positive-sum) 잉여를 창출하며, 희소 자산을 놓고 경쟁하고, 지연된 수익 하에서 계획을 세워야 한다. 우리는 개방형 정합 협상에서 LLM 에이전트를 평가하기 위한 새로운 벤치마크(benchmark) 프레임워크인 SidConArena를 제안한다. SidConArena는 다인 플레이어 경제를 유한 수평(finite-horizon) 부분 관측(partially observable) 확률적 게임(stochastic game)으로 형식화하며, 세 가지 결합된 단계로 구성된다: 구속력 있는 거래를 수반하는 자연어 협상, 결정론적 변환기(converter) 기반 생산, 장기 자산을 위한 밀봉 입찰(sealed-bid) 경매. 이 프레임워크는 구조화된 관측, 단계 인식(phase-aware) 에이전트 디스패칭, 신경-기호(neural-symbolic) 행동 인터페이스, 비동기 실행을 결합하여 자유 형식 상호작용을 가능하게 하면서 규칙에 기반한(grounded) 평가를 유지한다. 동질(homogeneous) 및 이질(heterogeneous) 토너먼트 전반에 걸쳐, 더 강력한 프론티어 모델이 더 높은 경제적 성과를 달성하지만, 에이전트는 여전히 자원을 잘못 평가하고, 수동적으로 협상하며, 장기 투자 계획에 제한을 받는다.