Agent Sociodrama: LLM 에이전트 팀을 위한 사회적 동역학 기반 페르소나 재구성
Agent Sociodrama: Social-Dynamics-Guided Persona Recasting for LLM Agent Teams
대규모 언어 모델(LLM) 에이전트는 팀 단위로 배치되는 경우가 늘고 있지만, 특유의 사회적 방식으로 실패한다: 정보를 가진 쪽은 침묵하고, 발언을 주도하는 쪽은 집단을 잘못된 답에 고정시키며, 규범 위반은 제재받지 않는다. 우리는 LLM 에이전트 팀 내에서 변화하는 사회적 동역학을 모델링하고 검증하기 위한 프레임워크인 Agent Sociodrama를 제시한다. 고정된 페르소나 하에서, 에이전트의 감정 상태와 방향성 있는 비대칭적 관계는 통합된 외부 LLM 판정자(judge)에 의해 매 라운드마다 업데이트되며, 이는 이후 상호작용의 형태를 결정한다. 6개의 LLM 백본과 5개의 사회적 시나리오에 걸쳐, 우리는 고전적인 사회 이론 패턴 및 인간 판단과의 일치도를 통해 사회적 충실도(social fidelity)를 평가한다. 그 결과로 나타난 궤적(trajectory)은 구조화된 사회적 패턴과 모델별 차이를 보인다. 이어서 우리는 상호작용 기록(transcript)과 사회적 궤적으로부터 집단 동역학의 실패를 진단하고, 과제를 재실행하기 전에 에이전트 페르소나를 재구성하는 Trajectory-Guided Persona Recasting(TPR)을 제안한다. 4개의 협업 벤치마크에 걸쳐, TPR은 이질적으로 구성되거나 무작위로 초기화된 에이전트 페르소나 구성 모두에서 성능을 개선하며, 초기 캐스팅 대비 최대 83.3%p의 정확도 향상을 달성한다. 대표적인 분산 정보 협력(distributed-information cooperation) 및 혼합 동기 협상(mixed-motive bargaining) 과제에서, 우리는 네 번의 비교 중 세 번에서 SOTOPIA와 AgentVerse를 능가하며, Pareto 비율(Pareto rate)에서 최대 37.5%p의 차이를 보인다. 이러한 결과는 검증된 사회적 궤적이 LLM 에이전트 팀을 복구하기 위한 실행 가능한 신호를 제공함을 보여준다.