大型语言模型（LLM）代理正日益代表个人和组织参与谈判，但在重复的多方交互中仍易受操纵。传统多智能体系统通过显式的信任与声誉模型来缓解此类风险，而现有的 LLM 谈判研究多将信任视为自发出现的现象。\ \ 本文构建了一个重复的多方多议题谈判框架：若干固定的代理在一系列谈判游戏中轮流出现，其中一名参与者暗中阻止达成协议。每局结束后，代理会评估对手并保存成对的信任估计，这些估计会在后续谈判中被继承。我们比较了具备信任感知的代理与不使用信任信息的代理，并分析显式信任对谈判结果的影响。\ \ 实验揭示了“信任‑协议差距”：信任感知的代理能够在少数局内识别出对手，但准确的信任估计并不必然带来更好的协议。仅当代理被明确指示在决策中利用信任时，协议成功率才提升，最高可达 23 个百分点。结果表明，显式信任能够提升重复 LLM 谈判的效果，但其价值高度依赖于信任的评估方式以及在推理过程中的整合方式。\ \ 点评