Computational Experiments Meet Large Language Model BasedAgents:ASurvey and Perspective

最新推荐文章于 2025-06-10 19:55:42 发布

UnknownBody

最新推荐文章于 2025-06-10 19:55:42 发布

阅读量351

点赞数 19

分类专栏： LLM Agent Survey Paper 文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/137016677

版权

Survey Paper 同时被 3 个专栏收录

261 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

LLM 日更

828 篇文章

已下架不支持订阅

LLM Agent

85 篇文章

订阅专栏

本文探讨了大型语言模型（LLM）在基于代理的建模（ABM）中的应用，以增强社会系统建模的准确性。通过计算实验，LLM代理能够提升复杂推理和自主学习能力，但LLM的不可解释性成为社会科学应用的障碍。计算实验则有助于LLM代理的因果分析和可解释性增强。文章分析了LLM代理与计算实验的相互作用，指出了面临的挑战及未来研究方向，旨在推动通用人工智能的发展。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。