REIMAGINING AGENT-BASED MODELING WITH LARGE LANGUAGE MODEL AGENTS VIA SHACHI
创建于 更新于
摘要
本文提出了Shachi，一种针对基于大型语言模型（LLM）的代理建模方法学与框架，系统性地将代理的决策策略拆分为配置（Configs）、记忆（Memory）、工具（Tools）和语言模型（LLM）四个核心认知组件，从而提升多代理系统的模块化和可复现性。通过10个多层次社会复杂度的任务基准验证，展示了该框架对代理设计的灵活性与跨任务泛化能力。同时，Shachi支持前所未有的科学探索，如记忆转移、跨多个环境的代理生存和模拟真实世界经济事件，美国关税冲击模拟体现了方法的外部有效性，为LLM代理科学研究奠定了严格基础[page::0][page::1][page::4][page::7][page::8][page::20].
