多個 LLM agent 組隊做任務時，常出現一些尷尬的社交故障：掌握關鍵資訊的角色不發言、意見領袖把答案鎖死在錯處、有人越界卻無人制止。北京航空航太大學與南洋理工大學的合作研究 Agent Sociodrama，正是要把這些「社交病徵」量化，再對症下藥。
這個項目的核心做法是把每一次對話拉成兩條可追蹤的軌跡：每個 agent 的情緒狀態 S，以及彼此之間有向、不對稱的關係 R。系統在六款主流骨幹模型、五個社會情境中重播這些軌跡，檢驗它們是否符合社會學經典模式，並比對人類評審的判斷。當軌跡顯示團隊運作出現結構性偏差，便啟動 Trajectory-Guided Persona Recasting（TPR）診斷失敗根源，重新調整各 agent 的人格設定再重跑任務。
四個協作基準測試中，TPR 在異質與隨機初始的團隊組合上皆有改善，準確率最高提升 83.3 個百分點；在分散資訊合作及混合動機議題類任務中，三個場景擊敗 SOTOPIA 與 AgentVerse，Pareto 比率領先最多 37.5%。對於需要模擬談判、群體決策或角色扮演的研究團隊，這套框架把「為何對話走偏」變成可分析的數據，而非只能靠事後觀察。
目前已公開 fidelity 與 recasting 兩組實驗的處理結果、重算表格的腳本，以及 Tavern 繼承糾紛與 Lost at Sea 兩個完整對話範例；模擬引擎與 TPR 控制器則待論文獲接收後釋出。要快速理解這套方法，可以直接看 fidelity_tavern 資料夾內 Claude Sonnet 4.6 驅動的五位 agent 九輪對話，逐輪檢視 S 與 R 的更新。
- 追蹤情緒狀態 S 與有向關係 R，建立可量化嘅多 agent 社交軌跡
- 以社會理論模式同人類評審交叉驗證社交保真度
- TPR 自動診斷團隊失敗並重塑人格，喺四個基準平均顯著提升表現
- 已釋出數據、重現腳本同完整對話範例，方便本地分析