当LLM Agent读不懂社交语境：ReAdapt用于关系型社会推理

一篇arXiv论文指出，社交Agent的基础决策并非纯内容问题，而依赖人与人之间的隐性关系；标准LLM Agent循环未显式表达新关系证据如何修正社交假设，容易在关系与内容线索冲突时选择表面选项。作者构建了包含500个合成社交世界、1000条查询的关系推理基准，约53%查询中表面候选与关系正确答案不同。提出的ReAdapt在ReAct循环上增加结构化社交状态，并在每次工具观察后执行类型化Adapt步骤。用Gemini-3-Flash在每任务150条查询子集上，warm introduction准确率从37%升至51%。

此前LLM Agent研究多聚焦内容推理与工具调用，较少把关系强度、互惠、共同连接等隐性社交结构显式建模为可更新状态。该工作把“读不懂语境”形式化为可量化失败模式，并给出基准与修正机制，使社交Agent评估从内容匹配转向关系证据修正，为Agent在多轮社交决策中的可靠性提供新的比较口径。

标准ReAct循环在观察后直接选择下一动作，缺少对社交假设的显式表示，因此当关系信号与内容显著性冲突时倾向表面选项。ReAdapt维护结构化社交状态z=(G,B,R,N,D)，涵盖目标、信念、关系、规范与披露；每次工具观察后执行类型化Adapt步骤更新状态并输出策略操作（继续、切换、放弃、澄清），再决定下一动作，从而让新关系证据有机会推翻初始看似合理的选择。

对做社交推荐、CRM触达、社区运营或招聘引荐类产品的团队，这意味着仅用内容相似度或热度排序可能系统性偏离关系正确解；需要在Agent流程中加入可更新的关系状态与显式策略操作，并针对“表面候选占优但关系答案不同”的样本做回归测试。短期会增加状态设计与评测成本，但可能减少错误触达和无效互动。

• 在社交或CRM Agent中引入可更新的关系状态字段，如关系强度、互惠度、共同连接，并据此重排序候选动作。
• 搭建内部“关系冲突”评测集，专门覆盖表面候选与关系正确解不一致的查询，用于上线前回归。
• 为Agent增加类型化策略操作（继续、切换、放弃、澄清），在关系证据与内容线索冲突时先澄清再行动。
• 在引荐或人脉匹配产品中，用桥接人选择准确率替代点击率作为核心评估指标。

• 基准为500个合成社交世界，其在真实社交数据上的泛化能力尚未验证。
• 目前在Gemini-3-Flash与每任务150条查询子集上验证，其他模型与全量基准结果未知。
• reaction selection任务的准确率提升幅度在证据中被截断，尚未确认。
• ReAdapt引入的状态维护与Adapt步骤带来的推理成本、延迟代价未在证据中说明。