AgenticPay: Ein Multi-Agenten-LLM-Verhandlungssystem für Käufer-Verkäufer-Transaktionen
AgenticPay: A Multi-Agent LLM Negotiation System for Buyer-Seller Transactions
February 5, 2026
papers.authors: Xianyang Liu, Shangding Gu, Dawn Song
cs.AI
papers.abstract
Auf großen Sprachmodellen (LLM) basierende Agenten werden zunehmend dafür eingesetzt, autonom zu verhandeln, zu koordinieren und Transaktionen durchzuführen. Dennoch fehlen in bestehenden Benchmarks prinzipielle Settings, um die sprachvermittelte ökonomische Interaktion zwischen mehreren Agenten zu bewerten. Wir stellen AgenticPay vor, einen Benchmark und Simulationsrahmen für Verhandlungen zwischen Käufern und Verkäufern mit mehreren Agenten, die durch natürliche Sprache gesteuert werden. AgenticPay modelliert Märkte, in denen Käufer und Verkäufer über private Beschränkungen und produktabhängige Bewertungen verfügen und Vereinbarungen durch mehrrundige sprachliche Verhandlungen anstelle von rein numerischen Geboten erzielen müssen. Das Framework unterstützt eine Vielzahl von über 110 Aufgaben, die von bilateralen Verhandlungen bis hin zu Viele-zu-viele-Märkten reichen, mit strukturierter Aktionsextraktion und Metriken für Machbarkeit, Effizienz und Wohlfahrt. Das Benchmarking modernster proprietärer und Open-Weight-LLMs zeigt erhebliche Lücken in der Verhandlungsleistung auf und verdeutlicht die Herausforderungen beim langfristigen strategischen Denken. Damit etabliert sich AgenticPay als Grundlage für die Erforschung von agentenbasierter Wirtschaft und sprachbasierter Marktinteraktion. Code und Datensatz sind unter folgendem Link verfügbar: https://github.com/SafeRL-Lab/AgenticPay.
English
Large language model (LLM)-based agents are increasingly expected to negotiate, coordinate, and transact autonomously, yet existing benchmarks lack principled settings for evaluating language-mediated economic interaction among multiple agents. We introduce AgenticPay, a benchmark and simulation framework for multi-agent buyer-seller negotiation driven by natural language. AgenticPay models markets in which buyers and sellers possess private constraints and product-dependent valuations, and must reach agreements through multi-round linguistic negotiation rather than numeric bidding alone. The framework supports a diverse suite of over 110 tasks ranging from bilateral bargaining to many-to-many markets, with structured action extraction and metrics for feasibility, efficiency, and welfare. Benchmarking state-of-the-art proprietary and open-weight LLMs reveals substantial gaps in negotiation performance and highlights challenges in long-horizon strategic reasoning, establishing AgenticPay as a foundation for studying agentic commerce and language-based market interaction. Code and dataset are available at the link: https://github.com/SafeRL-Lab/AgenticPay.