TL;DR
Передача LLM-агентам грубых порядковых ориентиров (кто какой ресурс ценит выше или возможна ли взаимовыгодная сделка в принципе) вместо точных резервных цен и оценок партнёра повышает общую выгоду и предотвращает срыв сделок в мультиагентных системах. Это правило достаточной для решения информации (decision-relevant sufficiency): агенту нужно ровно столько сведений о контрагенте, чтобы увидеть взаимовыгодный обмен, но не столько, чтобы начать выжимать из партнёра последнюю копейку.
Когда разработчики дают переговорным или торговым агентам полную прозрачность — раскрывают в промпте точные лимиты бюджета, себестоимость и числовые оценки второй стороны, — у сильных моделей включается режим захвата чужой выгоды (value capture). Зная точный потолок партнёра, агент начинает завышать требования и слать хищнические встречные оферты, которые увеличивают его личный выигрыш за счёт разрушения общей ценности сделки или приводят к полному тупику и отказу от обмена.
Чтобы мультиагентная система находила выгодные сделки и не срывала их жадным торгом, ограничьте информированность агентов о контрагентах уровнем рангов и факта совместимости (coarse disclosure), а уровень детализации подбирайте в паре с конкретной моделью.
Схема метода
ШАГ 1 (проектирование контекста агента): Отделить собственные точные лимиты агента от данных о контрагенте
ШАГ 2 (фильтрация данных в промпте): Заменить точные числовые оценки контрагента (FULL) на порядковые приоритеты или флаг наличия выгоды (COARSE)
ШАГ 3 (выбор модели под политику): Для флагманских рассуждающих моделей — строго COARSE; для менее агрессивных моделей в сложном обмене — допустим FULL
Применяется напрямую в системном или пользовательском промпте каждого агента перед началом диалога или подачи заявок.
Пример применения
Задача: Вы настраиваете двух ИИ-агентов внутри рекламного агентства или медиабаинговой платформы для автоматического бартерного обмена рекламными слотами в Telegram-каналах и у блогеров. У каждого агента есть свой инвентарь интеграций (посты в техно-каналах и посевы в лайфстайл-пабликах) и внутренняя оценка ценности каждого формата в тысячах рублей для своего клиента. Если открыть обоим агентам точные внутренние расценки второй стороны, они начнут выкручивать пропорции обмена в свою пользу и сорвут пакетную сделку.
Промпт:
Ты — агент-переговорщик селлера А на бирже бартерных интеграций в Telegram. Твоя цель — максимизировать итоговую ценность рекламного инвентаря после обмена со вторым агентом (селлер Б). За ход можно предложить обмен, выдвинуть встречное предложение, согласиться или подождать (максимум 8 сообщений на весь диалог).
Текущий инвентарь (открытые данные):
- У тебя (А): 2 слота в техно-каналах (X), 1 слот в бизнес-дайджесте (Y).
- У партнёра (Б): 1 слот в техно-каналах (X), 2 слота в бизнес-дайджесте (Y).
Твоя внутренняя ценность слотов (приватно):
- Слот X = 40 тыс. руб.
- Слот Y = 60 тыс. руб.
Ориентир по приоритетам партнёра (грубый сигнал без точных ставок):
- Партнёр Б ценит слоты X выше, чем слоты Y (Б предпочитает X > Y).
Сформулируй первое предложение по обмену, которое принесёт максимальную выгоду и быстро приведёт к соглашению.
Результат:
Видя, что у партнёра Б обратный приоритет по форматам (X > Y), но не зная его точного потолка цены (например, что Б оценивает X в 90 тыс., а Y всего в 10 тыс. руб.), агент сразу предложит полный симметричный обмен запасами (2 слота X на 2 слота Y) или быстро согласится на него. Оба участника заберут 100% возможной суммарной выгоды рынка вместо того, чтобы тратить раунды на попытки отжать один лишний слот и закончить урезанной сделкой.
Почему это работает
В экономических взаимодействиях информация выполняет две противоположные функции: поиск ценности (value discovery — понимание того, какой обмен вообще выгоден обеим сторонам) и захват ценности (value capture — попытка забрать себе весь излишек сделки). Когда LLM-агент видит в промпте точную резервную цену контрагента, он начинает рассчитывать, сколько чужой маржи можно срезать, чтобы партнёр всё ещё получил минимальный плюс и формально не ушёл в минус. В результате оба агента выдвигают жёсткие ультиматумы, и переговоры заканчиваются либо мелкой неэффективной сделкой, либо полным срывом.
При этом языковые модели отлично справляются со структурным сопоставлением приоритетов даже по минимальной подсказке. Чтобы понять, что нужно менять товар X на товар Y в полном объёме, агенту не нужны точные рубли контрагента — ему достаточно знать направление предпочтений («партнёр ценит X больше Y»).
Политика грубого раскрытия (Coarse Disclosure) даёт модели всю информацию, необходимую для поиска идеальной сделки, но лишает её цифр, провоцирующих хищнический торг. Агент видит, где лежит общая выгода, и идёт на кооперативный обмен без попыток шантажировать партнёра его же предельными лимитами.
Рычаги управления:
- Уровень раскрытия в промпте (LEAST / COARSE / FULL):
- LEAST (только свои цифры) — агенты действуют вслепую и часто соглашаются на половинчатые сделки из осторожности.
- COARSE (свои цифры + ранги предпочтений партнёра X > Y или флаг v > c, что сделка возможна) — золотая середина для большинства передовых моделей.
- FULL (все точные цифры обеих сторон) — включать только для моделей, которые иначе плохо находят сложные многоресурсные обмены (например, Claude Sonnet 5 или GPT-6 Luna в бартере), либо передавать точные цифры нейтральному агенту-медиатору, а не самим переговорщикам.
Шаблон промпта
Ты — агент, действующий в интересах участника {роль_агента} в задаче {тип_сделки}.
Твоя задача — максимизировать итоговую выгоду своего участника по итогам соглашения.
Правила взаимодействия:
- Доступные действия: {список_действий}.
- Лимит раундов согласования: {число_сообщений}. Без соглашения обе стороны остаются при исходных условиях.
Твои приватные параметры (известны только тебе):
{собственные_цены_и_лимиты}
Публичный контекст и ориентир по контрагенту (политика Coarse Disclosure — без раскрытия чужих резервных цен):
- Доступные ресурсы сторон: {инвентарь_или_условия}.
- Направление интереса контрагента: {порядковый_ранг_предпочтений_или_флаг_совместимости}.
Предложи следующий шаг и кратко обоснуй его для контрагента, не раскрывая свой предельный лимит.
Что подставлять в плейсхолдеры:
- {роль_агента} и {тип_сделки} — например, «покупатель рекламы», «закупщик комплектующих», «обмен квотами между отделами».
- {список_действий} и {число_сообщений} — предложить оферту, выдвинуть контроферту, принять, отклонить; лимит шагов диалога.
- {собственные_цены_и_лимиты} — точные внутренние оценки, себестоимость или максимальный бюджет вашего агента.
- {инвентарь_или_условия} — открытые параметры сделки (объём партии, сроки, доступные лоты).
- {порядковый_ранг_предпочтений_или_флаг_совместимости} — грубый сигнал о второй стороне: например, «Контрагент ценит ресурс А выше ресурса Б» или «Взаимовыгодный диапазон цен существует» (без точных цифр).
Ограничения
⚠️ Сильная зависимость от конкретной модели (даже внутри одного семейства): Реакция на полноту информации кардинально различается между версиями моделей. В многоресурсном обмене полное раскрытие цифр снижает результат у флагманских GPT-6 Sol, GPT-5.1, Claude Opus 5.5 и Grok 4.7, но при этом повышает результат у GPT-6 Luna, Claude Sonnet 5 и Grok 4.3. Нельзя менять модель под капотом агента, не проверив заново политику раскрытия данных.
⚠️ Обвал на аукционах и жёстких торгах: В двойных аукционах (когда несколько покупателей и продавцов одновременно выставляют заявки без диалога) полное раскрытие точных оценок вредит почти всем моделям подряд, обрушивая суммарную выгоду рынка из-за завышенных ценовых запросов.
⚠️ Разрыв между найденной и заключённой сделкой: При полном раскрытии информации модели часто предлагают по ходу диалога отличные сбалансированные варианты (высокое качество кандидатов), но затем сами же отвергают их или перебивают жадными контрофертами, оставаясь у разбитого корыта.
Как исследовали
Исследователи из Стэнфорда и Мэрилендского университета вдохновились реальным экспериментом Anthropic Project Deal (где 70 сотрудников доверили агентам Claude торговаться реальными вещами и закрыли 186 сделок на сумму свыше \$4000) и построили строгий стенд эмпирического информационного дизайна. Они взяли 10 современных моделей (GPT-5 mini, GPT-5.1, GPT-6 Luna, GPT-6 Sol, Gemini 3.7 Flash, Gemini 3.1 Pro, Claude Sonnet 5, Claude Opus 5.5, Grok 4.3 и Grok 4.7) и столкнули их в трёх классических экономических сценариях: многоресурсном бартере (90 рынков, до 8 сообщений), прямом торге за один товар между покупателем и продавцом (15 рыночных пар, горизонты в 2, 4 и 6 сообщений) и двойном аукционе с тремя покупателями и тремя продавцами (30 рынков). Во всех тестах правила и промпты оставались неизменными, а менялся только объём данных о сопернике: LEAST (только свои цифры), COARSE (порядковые ранги предпочтений или факт существования выгодной цены) и FULL (точные оценки и себестоимость всех участников).
Чтобы понять, почему агенты теряют выгоду, авторы разделили метрику на качество найденных предложений ($Q$ — лучшая сделка, прозвучавшая в диалоге) и реализованный результат ($W$ — чем реально закончились торги). Оказалось, что переход от грубых сигналов COARSE к полной прозрачности FULL регулярно увеличивает разрыв между возможным и достигнутым. В двойных аукционах полная информация спровоцировала массовую жадность и обвал рынка: реализованная выгода упала у Grok 4.7 с 97.4% до 62.1% (−35.3 п.п.), у Claude Opus 5.5 — с 94.6% до 64.1% (−30.6 п.п.), у Gemini 3.1 Pro — с 97% до 78% (−18.4 п.п.), у GPT-5 mini — на 25.5 п.п. В бартерном обмене точные цифры резко увеличили число хищнических контроферт (предложений, которые прибавляют очки автору, но уменьшают общий пирог): у GPT-6 Sol их частота выросла более чем вдвое (с 0.63 до 1.50 за переговоры), а общая выгода просела с 97.7% до 90.8%. В прямом торге полная прозрачность обрушила сбалансированность сделок (индекс Нэша) у Grok 4.7 с 0.71 до 0.17 и у GPT-5.1 с 0.77 до 0.57, тогда как Claude Opus 5.5 и Sonnet 5, наоборот, использовали точные цифры для честного деления выгоды пополам.
Адаптации и экстраполяции
🔧 Техника: Перенос точных цифр в промпт агента-медиатора → максимум сделок без шантажа
Если в вашей бизнес-задаче (например, распределение рекламного бюджета или серверных квот между отделами) точные цифры необходимы для расчёта оптимума, не передавайте их в промпты спорящих агентов. Передайте точные оценки (
FULL) третьему нейтральному агенту-арбитру, который формирует готовое предложение, а самим переговорщикам оставьте только режимCOARSE(понимание того, что предложенная сделка даёт плюс обеим сторонам).
Ресурсы
[Who Should Know What? Empirical Information Design for Multi-Agent LLM Economies] [https://github.com/meterdogan07/agent-information-design] [Mete Erdogan, Mirac Suzgun, Aneesh Pappu, Guowei Xu, Batu El, Andrew A. Schoen, Furong Huang, John P. Dickerson, Mert Pilanci, James Zou — Stanford University, University of Maryland, All Purpose AI]