AgenticPay
收藏资源简介：
AgenticPay是由加州大学伯克利分校提出的多智能体自然语言谈判基准框架，包含110项任务，覆盖双边议价至多对多市场场景。该数据集模拟真实交易环境，整合买卖双方的私有约束与产品估值，通过多轮语言交互达成协议，支持可行性、效率及福利等结构化评估指标。其数据来源于10个商业领域的人工设计场景，旨在推动基于语言的自主智能体经济交互研究，解决现有基准在长期战略推理和市场复杂性建模上的不足。
AgenticPay is a multi-agent natural language negotiation benchmark framework proposed by the University of California, Berkeley. It consists of 110 tasks covering scenarios ranging from bilateral bargaining to multi-party market settings. This dataset simulates real-world transaction environments, integrates private constraints and product valuations of both buyers and sellers, reaches agreements via multi-turn linguistic interactions, and supports structured evaluation metrics including feasibility, efficiency and welfare. Its data is derived from manually designed scenarios across 10 business domains, with the objective of advancing research on language-based autonomous agent economic interactions and addressing the limitations of existing benchmarks in long-term strategic reasoning and market complexity modeling.
AgenticPay 数据集概述
数据集基本信息
- 名称: AgenticPay
- 性质: 一个用于模拟买卖双方多智能体谈判的框架。
- 核心方法: 使用大型语言模型作为智能代理的基础，进行现实的价格谈判。
- API设计: 采用类似Gymnasium的API，便于集成和扩展。
主要特性
- 基于LLM的智能体: 支持由LLM驱动的买方和卖方代理（目前支持OpenAI、vLLM和SGLang）。
- 多轮对话: 支持扩展的谈判对话。
- 记忆系统: 用于上下文感知谈判的对话历史管理。
- 状态跟踪: 全面跟踪价格、轮次和谈判状态。
- 灵活配置: 可自定义谈判参数和代理行为。
- 可扩展设计: 易于添加新的代理类型或LLM提供商。
- 环境注册系统: 类似Gymnasium的环境注册，便于环境管理。
- 多产品谈判: 支持在保持上下文的情况下谈判多种产品。
- 多智能体场景: 支持多种组合下的多个买家、卖家和产品。
- 并行与顺序谈判: 支持并行和顺序谈判模式。
- 用户画像: 影响代理谈判行为的个人偏好系统。
核心组件
环境
框架提供了一套全面的谈判环境，按复杂性组织：
- 单一买家 + 产品 + 卖家: 基础谈判场景。
- 仅多产品: 单个买家和卖家谈判多种产品的环境。
- 仅多卖家: 多个卖家与单个买家竞争的环境。
- 仅多买家: 多个买家竞争产品的环境。
- 多买家多卖家: 多个买家和多个卖家的复杂环境。
- 多产品多卖家: 多种产品和多个卖家的环境。
- 多买家多产品: 多个买家和多种产品的环境。
- 多买家多产品多卖家: 最复杂的环境，包含多个买家、产品和卖家。
通用环境方法:
reset(): 初始化新的谈判。step(): 执行一个谈判回合（接受代理动作）。render(): 显示当前谈判状态。close(): 关闭环境并清理。
智能体
- BaseAgent: 所有代理的抽象基类。
- 子类:
BuyerAgent: 代表买方，根据用户需求和预算进行谈判。SellerAgent: 代表卖方，根据产品信息和市场条件进行谈判。
环境注册系统
类似Gymnasium的环境注册系统，便于环境管理。
- 关键函数:
make(),register(),spec(),pprint_registry()。
ConversationMemory
管理对话历史和上下文。
- 功能: 带元数据的消息存储、历史检索（完整或最近）、基于角色的过滤。
配置
环境参数
max_rounds: 最大谈判轮数。initial_seller_price: 卖方的起始价格。buyer_max_price: 买方可接受的最高价格（保密）。seller_min_price: 卖方可接受的最低价格（保密）。price_tolerance: 达成协议的价格差异阈值。environment_info: 上下文信息（天气、季节等）。reward_weights: 控制不同奖励组件相对重要性的字典（包括buyer_savings、seller_profit、time_cost）。
代理配置
- BuyerAgent:
buyer_max_price（最高可接受购买价格）。 - SellerAgent:
seller_min_price（最低可接受销售价格）。
用户画像
用户描述在谈判初始化期间作为字符串传递给代理。
LLM配置
支持多种提供商：
- 本地模型:
SGLangLM,VLLMLM（支持多GPU设置）。 - OpenAI (API):
OpenAILLM（需要API密钥）。 - HuggingFace (本地/在线):
HuggingFaceLLM（需要模型名称和设备）。
项目结构
AgenticPay/ ├── agenticpay/ │ ├── agents/ # 代理实现（买方、卖方） │ ├── envs/ # 环境实现 │ │ ├── single_buyer_product_seller/ # 基础谈判 │ │ ├── only_multi_products/ # 多产品场景 │ │ ├── only_multi_seller/ # 多卖家场景 │ │ ├── only_multi_buyer/ # 多买家场景 │ │ └── multi_*/ # 复杂多代理场景 │ ├── models/ # LLM实现（支持vLLM、SGLang、OpenAI API） │ ├── memory/ # 对话历史管理 │ ├── utils/ # 工具（状态、用户画像） │ └── examples/ # 按场景组织的示例脚本 ├── README.md ├── setup.py └── requirements.txt
安装与快速开始
- 安装: 创建Conda环境，安装依赖项和包。
- 模型下载: 从Hugging Face下载模型并保存到
agenticpay/models/download_models目录以供本地模型使用。 - 快速开始: 运行示例脚本
python agenticpay/examples/single_buyer_product_seller/Task1_basic_price_negotiation.py。
示例
示例按环境类别组织，涵盖从基础价格谈判到完整多代理场景的各种用例。
扩展性
框架设计为可扩展。关键扩展点包括：自定义奖励函数、高级价格提取、自定义谈判策略、基于学习的代理行为、额外的代理类型、自定义记忆系统。
许可证
MIT License
引用
bibtex @misc{agenticpay2025, title={AgenticPay: A Multi-Agent LLM Negotiation System for Buyer–Seller Transactions}, author={Xianyang Liu, Shangding Gu, Dawn Song}, year = {2025}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {url{https://github.com/SafeRL-Lab/AgenticPay}}, }
- 1AgenticPay: A Multi-Agent LLM Negotiation System for Buyer-Seller Transactions加州大学伯克利分校 · 2026年
