AgenticPay: Un Sistema di Negoziazione Multi-Agente basato su LLM per Transazioni Acquirente-Venditore
AgenticPay: A Multi-Agent LLM Negotiation System for Buyer-Seller Transactions
February 5, 2026
Autori: Xianyang Liu, Shangding Gu, Dawn Song
cs.AI
Abstract
Gli agenti basati su grandi modelli linguistici (LLM) sono sempre più chiamati a negoziare, coordinare e transagire autonomamente, tuttavia i benchmark esistenti mancano di ambienti strutturati per valutare l'interazione economica mediata dal linguaggio tra più agenti. Introduciamo AgenticPay, un benchmark e framework di simulazione per la negoziazione multi-agente acquirente-venditore guidata dal linguaggio naturale. AgenticPay modella mercati in cui acquirenti e venditori possiedono vincoli privati e valutazioni dipendenti dal prodotto, e devono raggiungere accordi attraverso una negoziazione linguistica multi-round piuttosto che tramite sole offerte numeriche. Il framework supporta un'ampia gamma di oltre 110 task che spaziano dalla contrattazione bilaterale a mercati many-to-many, con estrazione strutturata delle azioni e metriche di fattibilità, efficienza e benessere sociale. Il benchmarking di LLM proprietari e open-weight all'avanguardia rivela lacune sostanziali nelle performance negoziali ed evidenzia sfide nel ragionamento strategico a lungo termine, stabilendo AgenticPay come base per lo studio del commercio agentivo e dell'interazione di mercato basata sul linguaggio. Codice e dataset sono disponibili al link: 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.