大型语言模型（LLM）驱动的智能体正日益在多智能体系统（MAS）中进行策略交互。本文考察了四种主流 LLM 在四类合作均衡不同的博弈中的表现，重点比较自然语言、数值信号和随机序列三类信息对合作水平的影响，并分析了不同人格设定的作用。实验发现，结构化信息会显著改变多数游戏和模型的最终收益，但这种改变缺乏可预测的规律，说明 AI 智能体并不一定会在额外通信能力下收敛到稳定均衡。与此同时，当明确要求智能体进行交流时，它们生成的数值信息显著偏离随机分布，且这些数值的符号分布与收益结构高度相关，重复交流会使分布更加集中，但整体上对人类而言难以解释。基于此，监控 AI 智能体的协同应侧重于跨模型通用的消息指纹，而非单纯的行为决策。
点评：数值信号在 LLM 交互中既是潜在的协同工具，也带来解释难题，提示研究者在设计安全监控时应关注信息层面的模式。