Reasoning and Behavioral Equilibria in LLM-Nash Games: From Mindsets to Actions

文章主要内容和创新点主要内容本文提出了LLM-Nash博弈框架，将大语言模型（LLMs）与博弈论结合，研究智能体在策略互动中的决策机制。该框架突破了经典博弈论中“完全理性”“完美信息”等强假设，通过明确建模智能体的推理过程（而非直接优化行为）来捕捉有限理性。具体而言：智能体通过设计自然语言提示（prompts）引导LLM生成决策，均衡不仅定义在行为层面（最终行动），更定义在推理层面（提示空间）；引入“思维模式（mindset）”概念，包含智能体的信息集、推理提示和LLM的内在世界观（由模型架构、训练数据等决定），用于刻画认知约束；分析了行为均衡与推理均衡的关系，证明在有限理性下，推理均衡的效用可能弱于经典行为均衡，且思维模式的表达能力（可诱导的策略范围）会影响决策结果；通过“石头剪刀布”案例验证了推理均衡可能偏离经典纳什均衡，说明认知约束对策略互动的关键影响。创新点均衡层面的扩展：将博弈均衡从传统的“行为层面”扩展到“推理层面”，首次明确将LLM的推理过程（通过提示调控）作为均衡分析的核心，而非仅关注最终行动；有限理性的建模：通过“思维模式”量化智能体的认知约束（如提示空间、LLM能力），克服了经典博弈论对“完全理性”的理想化假设，更贴近真实决策场景；LLM与博弈论的融合：利用LLM的生成能力使推