Strategy Adaptation in Large Language Model Werewolf Agents

文章主要内容和创新点主要内容研究背景：狼人杀游戏需要玩家基于有限信息进行演绎推理，并通过对话说服或欺骗他人，模拟现实中的社交讨论。现有基于大语言模型（LLMs）的狼人杀代理多采用固定或隐含策略，无法适应动态变化的游戏情境。提出方法：定义两种基础策略：支持策略（与潜在队友达成一致、合作）和攻击策略（挑战潜在对手以动摇其立场）。引入角色估计机制，让代理根据对话历史、能力信息等评估其他玩家的角色（狼人、村民、预言家、女巫），并以0-4分制量化可能性。构建策略适应框架，代理根据对话上下文和角色估计结果，在特定时刻（夜间能力使用后、白天辩论后、投票后）动态切换策略。实验设计：使用GPT-4o-mini和Gemini-2.0-flash模型，对比策略适应代理与采用隐含策略、固定支持/攻击策略的基线代理，在狼人杀竞技场（Werewolf Arena）中进行多组实验，每组30场比赛，记录胜率和角色估计准确性。实验结果：策略适应方法显著提高狼人代理的胜率，在两种模型中均表现最优。村民代理效果因模型而异：GPT的村民代理在策略适应下表现最佳，而Gemini的村民代理在隐含策略下更优（可能因模型差异导致策略优化困难）。消融实验显示，角色估计对狼人代理至关重要，而村民代理因角色估计准确