LLM agent가 방을 읽지 못할 때: 관계적 사회적 사고를 위한 ReAdapt

관계적 사회적 사고의 중요성

대규모 언어 모델(LLM) 에이전트는 다양한 상황에서 효과적으로 작동하기 위해 관계적 사회적 사고를 필요로 합니다. 사회적 대상을 위한 기본적인 결정들은 순수한 콘텐츠 문제가 아니라, 사람들 사이의 잠재적 관계에 따라 결정되는데, 이는 연결의 강도, 상호 연결성, 상호 연결성에 의존합니다. 이러한 관계적 증거는 에이전트의 현재 사회적 가설을 수정하는 데 중요한 역할을 합니다.

그러나 LLM 에이전트 루프들은 표면적인 관계와 콘텐츠의 힌트가 다르면 새로운 관계적 증거가 에이전트의 현재 사회적 가설을 수정해야 하는 방법을 명시적으로 표현하지 않는 경우가 많습니다. 이러한 경우, 관계적 증거를 사용하여 에이전트의 사회적 가설을 수정하는 것이 중요합니다.

ReAdapt: 관계적 적응성 에이전트

관계적 증거를 고려하는 에이전트를 제안하기 위해, 우리는 ReAdapt(관계적 적응성 에이전트 with 정책 기반 상태)를 개발했습니다. ReAdapt는 에이전트의 상태를 업데이트하고 정책 연산을 emit하며 다음 행동을 선택하기 전에 typed Adapt step를 수행합니다. 이러한 접근법은 에이전트가 관계적 증거를 효과적으로 사용하여 사회적 가설을 수정할 수 있도록 합니다.

실제로, Gemini-3-Flash를 사용하여 ReAdapt는 warm-introduction 정확성을 향상시키고, reaction-selection 정확성을 향상시켰습니다. 또한 오라클 오욕을 감소시켰습니다. 이러한 결과는 LLM 에이전트가 수집된 사회적 증거를 수정된 결정으로 변환하는 데 도움이 되는 명시적 관계적 상태 적응이 도움이 된다는 것을 나타냅니다.