Agent Sociodrama: Ein externer LLM-Judge steuert Emotionen und Beziehungen in Agententeams

Ein externer Judge schreibt Emotionen und Beziehungen Runde für Runde fort

Unter dem Namen „Agent Sociodrama“ stellen die Autoren ein Framework vor, das soziale Dynamiken in Teams aus LLM-Agenten nachbildet. Die Personas bleiben fest. Ein einheitlicher externer LLM-Judge aktualisiert nach jeder Runde den emotionalen Zustand jedes Agenten und die gerichteten, asymmetrischen Beziehungen zwischen ihnen. Diese Zustände wirken auf die folgenden Interaktionen zurück.

Anlass sind nach Angaben der Autoren typische soziale Fehler solcher Teams. Informationsträger schweigen. Dominante Sprecher ziehen die Gruppe auf falsche Antworten. Normverstöße bleiben folgenlos.

Validiert haben die Autoren das Framework mit sechs LLM-Backbones in fünf sozialen Szenarien. Die soziale Treue prüften sie anhand klassischer sozialtheoretischer Muster und am Abgleich mit menschlichen Urteilen. Laut den Autoren zeigen die Verläufe erkennbar strukturierte soziale Muster sowie Unterschiede zwischen den Modellen.

TPR schreibt Personas nach der Diagnose um und lässt die Aufgabe neu laufen

Darauf aufbauend führen die Autoren „Trajectory-Guided Persona Recasting“ (TPR) ein. Das Verfahren erkennt Gruppendynamik-Fehler in Interaktionstranskripten und sozialen Verläufen. Anschließend schreibt es die Agenten-Personas um, bevor die Aufgabe erneut läuft. Die Umschreibung geschieht also in einem zweiten Schritt und nicht während der Simulation. Nach welcher Regel die Personas dabei konkret verändert werden, nennt das Abstract nicht.

Die folgenden Zahlen stammen allein von den Autoren. Auf vier kollaborativen Benchmarks verbessere TPR die Leistung, sowohl bei heterogenen als auch bei zufällig initialisierten Besetzungen. Der Genauigkeitsgewinn gegenüber der Ausgangsbesetzung beträgt bis zu 83,3 Prozentpunkte. Auf einer Aufgabe mit verteilter Information und einer Mixed-Motive-Verhandlung übertreffe der Ansatz SOTOPIA und AgentVerse in drei von vier Vergleichen. Bei der Pareto-Rate liegt der Vorsprung bei bis zu 37,5 Prozentpunkten.

Offen bleiben die Belastbarkeit des LLM-Judges und der Abstand zu Vorarbeiten

Die Quellenlage gibt Anlass zur Vorsicht. SOTOPIA-π zeigt, dass LLM-basierte Evaluatoren die Fähigkeiten von Agenten überschätzen können, die gezielt auf soziale Interaktion trainiert wurden. Für Ansätze, die auf LLM-Judges setzen, ist das ein methodischer Warnhinweis.

Sentipolis führt bereits zustandsbehaftete Emotionen ein, mit PAD-Repräsentation und einer Kopplung von Emotion und Gedächtnis. Die Gewinne hängen dort vom Modell ab. Eine Arbeit zu Multi-Agenten-Debatten belegt schließlich, dass Konformität zu verzerrtem Konsens führen kann. Heterogenität dämpft diesen Effekt.

Wie neu Agent Sociodrama gegenüber diesen Vorarbeiten ist, lässt sich nicht prüfen. Das vollständige Paper mit Volltext und Related Work lag nicht vor. Zu Code, Lizenz und praktischer Tauglichkeit gibt es keine Belege.