AgenticPay : Un système de négociation multi-agent par LLM pour les transactions acheteur-vendeur
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
Les agents basés sur de grands modèles de langage (LLM) sont de plus en plus appelés à négocier, coordonner et effectuer des transactions de manière autonome. Pourtant, les bancs d'essai existants manquent de cadres principés pour évaluer l'interaction économique médiée par le langage entre plusieurs agents. Nous présentons AgenticPay, un banc d'essai et un cadre de simulation pour la négociation multi-agents entre acheteurs et vendeurs, pilotée par le langage naturel. AgenticPay modélise des marchés dans lesquels acheteurs et vendeurs possèdent des contraintes privées et des valorisations dépendantes des produits, et doivent parvenir à des accords par une négociation linguistique en plusieurs tours, et non par le seul enchérissement numérique. Le cadre prend en charge une gamme variée de plus de 110 tâches, allant de la négociation bilatérale aux marchés à plusieurs contre plusieurs, avec une extraction d'actions structurée et des métriques pour la faisabilité, l'efficacité et le bien-être. L'évaluation des LLM propriétaires et à poids ouverts les plus performants révèle des écarts substantiels dans les performances de négociation et met en lumière les défis du raisonnement stratégique à long terme, établissant AgenticPay comme une base pour l'étude du commerce agentiel et de l'interaction marchande basée sur le langage. Le code et le jeu de données sont disponibles à l'adresse : 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.