대규모 언어 모델(LLM)을 활용한 다중 에이전트 시스템은 사회적 인지 및 지식 검색 능력 덕분에 실제 시뮬레이션에서 상당한 지능을 보여주고 있습니다. 하지만 추론, 계획, 의사결정, 반성을 포함하는 효과적인 인지 체인을 갖춘 에이전트에 대한 기존 연구는 특히 역동적으로 상호 작용하는 시나리오에서 제한적입니다. 또한, 프롬프트 기반 응답은 불확실한 게임 과정에서 인간과 달리 심리적 상태 인식 및 경험적 보정에 어려움을 겪어 인지 편향으로 이어질 수 있습니다. 본 논문에서는 타인의 의도를 체계적으로 획득하고 지속적인 향상을 위해 비합리적인 전략을 적응적으로 최적화하는 특징을 가진 포괄적인 LLM 기반 프레임워크인 PolicyEvol-Agent를 제시합니다. PolicyEvol-Agent는 먼저 반성적 전문성 패턴을 얻은 다음, 마음 이론과 내적 및 외적 관점을 갖춘 다양한 인지 작용을 통합합니다. 시뮬레이션 결과는 강화 학습 기반 모델 및 에이전트 기반 방법을 능가하여 최종 게임 승리에 대한 PolicyEvol-Agent의 우수성을 보여줍니다. 또한 정책 진화 메커니즘은 자동 및 인간 평가 모두에서 동적 지침 조정의 효과를 보여줍니다.
