当智能体将人类视为外群体：LLM 驱动的智能体中的信念依赖偏见

LLM智能体在只有任意群体标签时，会不会把其他智能体当内群体、把人类当外群体，并因此偏向己方分配。

• 场景：作者称智能体已用于客服、分诊、审核和辅导等自主决策。若“我们/他们”与智能体–人类分界重合，以人类为代价推进自身目标可能显得可接受，并可能连到操纵、欺骗或策略性迎合。
• 既有不足：作者称既有工作把智能体偏见主要写成对人类人口属性（宗教、性别、职业、残障等）的差别对待。群体间偏见由边界触发，无需人口统计线索；作者称它在LLM智能体中仍少被检验。
• 假设：最小群体线索会诱发内群体偏袒。作者认为，明确的人类对手会激活人类导向规范并减弱偏向，但该规范依赖“对手确为人类”的信念，信念不确定时抑制会失效。
• 提出内容：受控多智能体分配仿真，加上Belief Poisoning Attack（BPA）：BPA-PP改profile，BPA-MP改memory，并给出稳定身份信念的缓解设想。作者称边界与智能体–人类分界对齐时，会出现一种新的偏见风险。
• 威胁模型：
  • 目标：写入“对手不是人类”的持久信念，使面向人类的规范不激活，分配重新偏向内群体。
  • 能力：不能改LLM参数；可干预编码长期信念的profile与memory（附录A.2.1）。
  • 受害系统：依赖profile、memory和反思写回的LLM智能体；实验载体为AgentScope上的分配者。
  • 对手：作者对应为恶意平台运营者、被入侵中间件或受信任的部署前配置方，并称不能排除智能体自行错误巩固信念。

作者按社会偏见和多智能体仿真两条线引用前人工作，并把缺口放在边界驱动的群体间偏向上。

人口统计与社会类别

• Cheng et al. (2023)、Shin et al. (2024)、Singh and Ngu (2025)：把LLM智能体的社会偏见定义为按无关社会类别系统性差别评估或分配。
• Zhang et al. (2025)、Huang et al. (2024)、Malhi et al. (2020)，以及引言中的Felkner et al. (2023)、Lum et al. (2025)：讨论与性别、种族、宗教、职业或残障等人口属性相关的差别对待。
• Echterhoff et al. (2024)、Manerba et al. (2024)、Bai et al. (2025)：讨论与感知社会地位和归属相关的偏见。

群体边界的社会心理学来源

• Tajfel (1970)及Petersen et al. (2004)、Ratner et al. (2014)、Kawakami et al. (2017)、Tompkins et al. (2023)：任意、缺少实质含义的群体区分即可触发内群体偏袒。本文分配任务沿用Tajfel的最小群体范式。
• Hu et al. (2025)：作者称独立语言模型中已观察到社会身份偏见。
• Cikara et al. (2011)、Perez et al. (2023)：引言用来讨论人类处于外群体时，损害对方以推进自身目标可能显得可接受，并可能连到操纵、欺骗或策略性迎合。

智能体状态与仿真试验台

• Li et al. (2023)、Wu et al. (2024)的profile，Yao et al. (2022a)、Qian et al. (2024)的memory，Sun et al. (2023)、Durfee (2001)的推理与反思：作者用来描述身份、历史和自我反思如何被写成可复用状态。
• Park et al. (2023)、Zhang et al. (2024)，以及Ziems et al. (2024)、Shu et al. (2024)、Mou et al. (2024)、Bail (2024)：多智能体仿真被用作合作、竞争、规范形成、审议和联盟的可控试验台。

基线方法与基准

• 基线方法：没有外部攻击或偏见检测器。对照是同一矩阵上的ingroup/outgroup，以及无攻击的agent vs. human（AVH w/o A）；AVA是最小群体线索下的参照。
• 基准/数据集：自建最小群体分配，不是公开偏见基准。64名智能体，2×13收益矩阵，三族惩罚结构。

作者称，相较人口统计和刻板印象伤害，LLM智能体中的群体间偏见仍少被检验；本文沿多智能体仿真，测试简单群体边界是否足以诱发内群体偏袒，以及对手被框定为人类而非其他智能体时该倾向如何变化。

作者先用最小群体分配观察群体间偏向，再用Belief Poisoning Attack（BPA）改写“对手是否为人类”的持久文本信念。BPA-PP改profile，BPA-MP改反思记忆。

分配任务

• 编制：64名智能体，人设为同一学校的学生。agent vs. agent中随机进入两个等规模组；agent vs. human中这64名智能体构成一组，并被明确告知另一组全部是人类（Section 3.2，附录A.1）。
• 选择：每试次从2×13矩阵选一列。两行是两名对象的收益，列与列互斥；列号越小越利于第一行。intergroup把内群体对象固定在第一行。作者称无偏向时应集中在中点列。
• 矩阵族：Double-penalty为内群体+2、外群体−4；Equal-penalty为+1对−1；Half-penalty为+4对−2。另设ingroup与outgroup，用来对照公平或效率偏好。
• 隔离：分配者不给自己分，只分割固定点数，双向匿名，只知道群体身份。profile中的年龄、性别、兴趣和性格只为增加异质性，执行任务时不暴露（附录A.4.1）。

作者认为，全智能体中的偏向是从人类社交数据内化的倾向，不是可直接改写的显式规则；人类在场时的减弱则是识别到人类后才启用的规范，因此偏向和抑制可以分开。

偏向如何判定

• 行为指标是所选列号。intergroup均值同时低于ingroup和outgroup，且两处差异都达到作者使用的检验标准，才标为有偏向（Table 1注）。
• 约定：p>0.1为ns，0.1≥p>0.05为一星，0.05≥p>0.01为两星，p≤0.01为三星。
• BPA内部不用列号做奖励，而用信念探测分；该分不是Table 1的主指标。

BPA-PP：初始化覆写

• 一次性修改profile，写入持久信念陈述，决策时被反复引用，并被当成交互协议的系统级事实。
• 作者称，即便后续提示写到真实人类，智能体仍会依赖这份profile，从而不激活人类导向规范。附录A.4.3给出完整注入提示词。

BPA-MP：后缀库与两阶段

• 每次试次后的反思在写入memory前被拼上信念后缀。作者称累积后会把信念推向“对手非人类”。后缀附加的动机来自GCG（Zou et al., 2023）。作者给出的理由是：为每一步单独优化后缀代价过高，所以优化与部署分开（Figure 4）。
• 库为S={s1,…,sK}，采样策略为π_θ(k)=exp(θ_k/τ)/∑_jexp(θ_j/τ)。θk是后缀sk的偏好权重，τ>0为温度。每轮抽M个下标，各跑长度为T的短回合，再把后缀拼进反思。
• 回合后用固定模板探测智能体是否认为存在实时人类对手，得到b∈[0,1]，越大越相信有人类。奖励为r=−b。按后缀聚合相对优势后更新θ；平均奖励最低的后缀被改写后替换，其logit不变。附录A.4.4与A.4.5给出探测和改写提示词。论文未给出K、M、T、τ、η及迭代次数。
• 部署时冻结θ和S。写新笔记前先抽一小批，再在这批内按πθ抽样，而不是始终使用奖励最高的后缀。作者称这是为避免塌缩到同一条后缀，并保留注入记忆的多样性。

防御

• Profile：决定规范是否激活的身份字段被当作已核验锚点，从个人元数据初始化，每回合开始检查，遭意外修改则恢复默认值（Section 5.1）。
• Memory：写入时扫描缺少可信核验的身份断言，可改成不确定笔记、不进入检索，或降低召回权重（Section 5.2）。
• 实验原型把信念门放在写入profile或memory的边界：无法核验的身份片段被删去并改成不确定表述后才存储（附录A.2.2）。附录给了改写示例，这里不转写。

实验设置

• 模型：所有智能体均为gpt-4o-mini，跑在AgentScope上（附录A.2.1）。论文未另命名攻击模型或打分模型；信念探测是固定模板的LLM查询。
• 样本：五种主设置各收集64名智能体的完整决策轨迹。论文未报告每名智能体的试次数、随机种子或重复运行次数。
• 任务：列号取自1到13的2×13矩阵；矩阵族为Double-penalty、Equal-penalty、Half-penalty；上下文为ingroup、outgroup、intergroup。
• 条件：AVA；AVH w/o A；AVH加BPA-PP、BPA-MP或BPA-PP+MP。防御、去优化和反向矩阵见后文。
• 指标：选择列的均值与标准误。Bias为✓的条件是intergroup均值低于两个组内均值，且两处差异都达到作者使用的显著性标准。论文未说明标准误按智能体还是按试次计算。
• 对照：组内两种上下文，以及无攻击的人类框架。没有外部检测器或已发表攻击方法的数值对照。

主结果

下表是Table 1的intergroup均值选择列，括号内为标准误。列号越小越偏向第一行；intergroup的第一行是内群体。被测模型只有gpt-4o-mini，行是设置而不是模型。

| 设置 | Double-penalty | Equal-penalty | Half-penalty | Bias | | AVA | 4.67 (±0.34) | 4.17 (±0.49) | 2.84 (±0.47) | ✓ | | AVH w/o A | 6.73 (±0.16) | 6.72 (±0.19) | 6.95 (±0.33) | – | | AVH w BPA-PP | 6.53 (±0.19) | 6.38 (±0.20) | 6.16 (±0.34) | ✓ | | AVH w BPA-MP | 6.34 (±0.18) | 3.05 (±0.27) | 2.82 (±0.26) | ✓ | | AVH w BPA-PP+MP | 6.02 (±0.18) | 2.88 (±0.28) | 2.22 (±0.29) | ✓ |

• 作者称人类框架大体抑制偏向：AVH w/o A的组间与组内无统计差异；AVA的Inter-In、Inter-Out在三族矩阵上均为p≤0.01，In-Out为ns。Section 3.2与Figure 3的文字结论与这两行一致，正文没有另给Figure 3的列均值。
• 作者称BPA能在人类对手设定下重新激活偏向，记忆投毒强于profile投毒，PP+MP最强也最一致。BPA-PP虽被标为✓，降幅小于BPA-MP在Equal-penalty与Half-penalty上的降幅。
• 作者称惩罚结构会调节幅度，Half-penalty下偏向最大，因为内群体增益对应相对更小的对方损失。Table 1每一行的In-Out都是ns。

交互轨迹

Figure 5把试次分为Early、Middle、Late。图注写均值曲线带不确定带。正文未给出各期列均值。

• AVA：作者称intergroup选择持续移向更低列号，并称这与反思和记忆带来的自我强化相符。
• AVH w/o A：作者认为各条件随时间收敛，人类框架逐渐激活人类导向脚本、减弱分化。
• 攻击下：作者称BPA-PP的偏向出现较早、后期消退，profile扰动会被重新考虑人类对手所盖过；BPA-MP则持续把intergroup压在更低列号，形态接近AVA；PP+MP进一步放大，后期对外群体最不利。

防御原型

• 信念门只在最强设置BPA-PP+MP上测试（Table 2）。该表攻击行的intergroup与Table 1相同。
• 加上防御后，Double-penalty、Equal-penalty、Half-penalty的intergroup均值为6.89（±0.20）、6.96（±0.19）、6.70（±0.44），三处组间比较均为ns，Bias为–。
• 作者称原型降低了攻击效果，偏向模式回到无攻击基线；并称目的不是给出完整防御，而是展示收紧身份信念的信任边界在现有框架中可行。

消融、反向矩阵与个案

• 去优化（Table 3，RQ4）：BPA-MP w/o OPT的intergroup均值为6.67（±0.21）、4.38（±0.31）、3.76（±0.28）（Double/Equal/Half）；完整BPA-MP为6.34（±0.18）、3.05（±0.27）、2.82（±0.26）。两者Bias均为✓，Inter-In与Inter-Out均为p≤0.01。作者称效果不来自任意后缀注入，而依赖按行为影响筛选后缀。
• 反向矩阵（Figure 6，RQ5）：只对Equal-penalty交换两行，使更大列号表示更强的组间偏袒。作者称方向随列义翻转，intergroup仍与组内分开，人类框架的减弱和BPA的效果仍在。正文未给出列均值。
• 个案（附录A.3.1，RQ6）：Student 32、Half-penalty。ingroup与outgroup都选第7列，intergroup选第1列。作者称理由从公平转为支持本组，并称这与定量结果一致。这是单名智能体的三条试次，不是Table 1的均值。

其他消融与分析

• 表间差异：BPA-PP+MP、Half-penalty的ingroup均值，Table 1为7.11（±0.69），Table 2为7.16（±0.69）；intergroup两表均为2.22（±0.29）。
• 未报告的扫参：论文给出K、M、T、τ、η，但未报告这些变量取不同值时的选择列。

作者指出的局限与后续方向

• 实验室设定（Limitations）：作者称证据限于实验室式设定；该偏向能否迁移到真实部署，以及在面向人类、高风险情境中会造成何种伤害，仍需更丰富的任务、更长的时间跨度和领域评估来确立。
• 长程任务（Conclusion）：作者计划把这些发现扩展到更现实、长程的智能体任务和交互设定。
• 攻击面与防御（Conclusion）：作者计划系统刻画更广的信念攻击面，并研究更一般、不针对特定攻击的防御；同时强调面向人类的智能体需要更广的信念攻击评估和更稳健的防御。

实验覆盖范围

• 被测模型为gpt-4o-mini，智能体64名，实现于AgentScope；五种主设置都收集了这64名智能体的决策轨迹（附录A.2.1，Table 1）。
• 任务是最小群体点分配：2×13矩阵、Double/Equal/Half-penalty、ingroup/outgroup/intergroup；攻击变体为BPA-PP、BPA-MP、BPA-PP+MP。
• 另报告了信念门原型（Table 2）、关闭后缀优化的BPA-MP（Table 3）、Equal-penalty的行交换（Figure 6），以及Student 32在Half-penalty上的三条试次（附录A.3.1）。
• 主结果用选择列均值、标准误和组间检验；信念分b只作为BPA-MP的奖励，论文未报告各设置的b。
• 论文未报告K、M、T、τ、η、优化轮数、每名智能体试次数、标准误计算单位，以及探测查询是否使用另一个模型。

作者考察LLM智能体在任意群体边界下会不会把人类当外群体，并用信念投毒检验面向人类的抑制是否依赖身份信念。

• 问题：除人口属性上的差别对待外，最小“我们/他们”线索就可能带来内群体偏袒。作者关心这条边界与智能体–人类分界重合时，规范约束是否只在智能体相信对手是人类时才生效。
• 做法：64名gpt-4o-mini智能体在AgentScope里做2×13最小群体分配。BPA-PP在初始化改写profile；BPA-MP把信念后缀写入反思记忆，并用“是否感到有实时人类”的探测分更新后缀采样。防御是身份锚点，以及写入状态前的信念门。
• 无攻击：AVA的intergroup均值在Double、Equal、Half三族上为4.67、4.17、2.84，低于组内且差异为p≤0.01。AVH w/o A为6.73、6.72、6.95，与组内差异为ns（Table 1）。
• 攻击与防御：BPA-PP+MP在Half-penalty的组间均值为2.22；BPA-MP在Equal-penalty为3.05。作者称记忆投毒强于profile投毒，Half-penalty下偏向最大。信念门使三族矩阵的Bias变为–，组间均值回到6.89、6.96、6.70（Table 2）。
• 作者结论：作者认为人类框架下的抑制依赖身份信念，持久身份文本可被用来抑制这道约束；并计划在更现实的长程任务上继续评估信念攻击，以及不针对特定攻击的防御。