AgenticPay：買い手と売り手の取引のためのマルチエージェントLLM交渉システム

AgenticPay: A Multi-Agent LLM Negotiation System for Buyer-Seller Transactions

February 5, 2026

著者: Xianyang Liu, Shangding Gu, Dawn Song

cs.AI

要旨

大規模言語モデル（LLM）ベースのエージェントが自律的に交渉・調整・取引を行うことが期待される中、既存のベンチマークには複数エージェント間の言語媒介型経済相互作用を評価するための体系的な設定が欠如している。本論文では、自然言語駆動型の多エージェント買い手・売り手交渉のためのベンチマークおよびシミュレーションフレームワーク「AgenticPay」を提案する。AgenticPayは、買い手と売り手が私的な制約と製品依存の評価値を有し、数値入札のみならず複数ラウンドにわたる言語的交渉を通じて合意に達する必要がある市場をモデル化する。本フレームワークは、二者間交渉から多対多市場まで110以上に及ぶ多様なタスクをサポートし、構造化された行動抽出と、実現可能性・効率性・厚生に関する指標を備える。最先端のプロプライエタリおよびオープンウェイトLLMをベンチマークした結果、交渉性能に大きな隔たりが確認され、長期的戦略的推論における課題が浮き彫りとなった。これによりAgenticPayは、エージェント型商取引および言語ベース市場相互作用の研究基盤として位置づけられる。コードとデータセットは以下で公開されている：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.