Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective

本文是LLM系列文章，针对《Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective》的翻译。

摘要

计算实验已经成为研究复杂系统的一种有价值的方法，包括反事实的算法。然而，由于人类的多样性和复杂性，包括有限理性和异质性，在基于代理的建模（ABM）中准确地表示真实的社会系统是具有挑战性的。为了解决这一限制，已经提出了大型语言模型（LLM）的集成，使代理能够拥有拟人化的能力，如复杂推理和自主学习。这些代理被称为基于LLM的代理，有可能增强ABM中缺乏的拟人化。尽管如此，LLM中缺乏明确的可解释性严重阻碍了它们在社会科学中的应用。相反，计算实验擅长于对个体行为和复杂现象进行因果分析。因此，将计算实验与基于LLM的Agent相结合具有巨大的研究潜力。本文旨在对这种融合进行全面的探索。首先，它概述了代理结构的历史发展及其向人工社会的演变，强调了它们在计算实验中的重要性。然后阐述了计算实验和基于LLM的Agent相互提供的优势，并考虑了基于LLM Agent用于计算实验的前景，反之亦然。最后，本文阐述了该研究领域的挑战和未来趋势，为后续的相关研究提供了指导。

1 引言

2 概念基础：从基于AGENT的建模到计算实验

3 基于LLM的代理用于计算实验

4 计算实验用于基于LLM的代理

5 实验

6 结论

新一代信息通信技术的飞速发展，深刻地改变了人与环境、社会的关系。由此产生的CPSS呈现出高度开放、动态和交互式等复杂特征。作为研究复杂系统的