大規模言語モデル（LLM）に対するパーソナリティプロンプティングは、モデルのコミュニケーション方法を形作る重要な技術ですが、このような行動変化が実際のタスク成果にどの程度影響するかについては、これまで十分に検討されていません。先行研究では、低い協調性でプロンプトされたエージェントが対立的な言語を生成し、高い協調性でプロンプトされたエージェントが協力的になることが示されています。しかし、コミュニケーションスタイルとタスク性能の関係性については、複数のドメインにわたって体系的に検証されていませんでした。 本研究では、複数エージェントチームの性能においてパーソナリティの組成が実際に重要であるかを調査しています。最先端のLLMを用いて、構造化コーディング、オープンエンドな研究協力、競争的な交渉交渉という3つのタスクドメインにわたってパーソナリティ特性を操作しました。その結果、パーソナリティの効果はタスク構造に大きく依存することが判明しました。 コーディングタスクでは、低い協調性がコミュニケーション方法に大きな変化をもたらしたにもかかわらず、マイルストーン達成度にはほとんど影響を与えませんでした。一方、オープンエンドな協力タスクと交渉タスクでは、同じパーソナリティ操作が性能を大幅に低下させました。研究チームは、これらの知見がマルチエージェントシステム設計の実装に対する重要な示唆と、パーソナリティ操作の限界について論じています。このアプローチは、LLMベースのエージェントチームをより効果的に設計する際の指針となる可能性があります。