LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra
作者: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin
分类: cs.MA, cs.LG
发布日期: 2025-07-21
备注: 27 pages, 6 figures, Code: https://github.com/sethkarten/LLM-Economist
💡 一句话要点
LLM Economist：利用多智能体生成模拟环境进行经济政策设计与评估
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 智能体建模 经济政策设计 强化学习 机制设计
📋 核心要点
- 现有经济政策评估方法难以处理异构个体和复杂的交互，缺乏在真实社会规模下进行实验的能力。
- LLM Economist 框架利用大型语言模型构建智能体，模拟个体决策和政策制定，实现经济系统的建模、模拟和治理。
- 实验表明，该框架能够收敛到 Stackelberg 均衡，提高社会福利，并通过投票机制进一步优化分散治理下的收益。
📝 摘要（中文）
LLM Economist 提出了一个新颖的框架，它使用基于智能体的建模来设计和评估具有分层决策的战略环境中的经济政策。在较低层，有界理性工人智能体（通过从美国人口普查校准的收入和人口统计数据中抽样的、具有人物角色条件的提示来实例化）选择劳动供给，以最大化在上下文中学习的基于文本的效用函数。在较高层，规划者智能体采用上下文强化学习来提出锚定到当前美国联邦税级的分段线性边际税率表。这种构建赋予经济模拟环境三个可信的财政实验能力：（i）异构效用优化，（ii）大规模、人口统计学上真实的智能体群体的原则性生成，以及（iii）机制设计（最终的推动问题），完全用自然语言表达。对多达一百个交互智能体的人群进行的实验表明，规划者收敛到接近 Stackelberg 均衡，相对于 Saez 解，提高了总体社会福利，而定期的、人物角色级别的投票程序进一步提高了分散治理下的收益。这些结果表明，基于大型语言模型的智能体可以共同建模、模拟和管理复杂的经济系统，从而为社会规模的政策评估提供了一个易于处理的测试平台，以帮助建设更好的文明。
🔬 方法详解
问题定义：论文旨在解决在复杂经济系统中，如何设计和评估有效的经济政策的问题。现有方法通常依赖于简化的模型假设，难以捕捉异构个体之间的复杂交互，并且缺乏在真实社会规模下进行实验的能力。这些局限性阻碍了对政策效果的准确评估和优化。
核心思路：论文的核心思路是利用大型语言模型（LLM）构建智能体，模拟经济系统中的个体决策和政策制定过程。通过将个体建模为具有不同偏好和约束的智能体，并利用 LLM 的上下文学习能力，可以更真实地模拟经济系统的复杂性。同时，利用强化学习算法，可以训练政策制定者智能体，使其能够根据系统状态和个体反应，优化经济政策。
技术框架：LLM Economist 框架包含两个主要层级：工人智能体层和规划者智能体层。工人智能体层由大量具有不同人物角色（persona）的智能体组成，这些人物角色基于美国人口普查数据生成，具有不同的收入和人口统计特征。每个工人智能体根据其人物角色和当前经济状况，选择劳动供给以最大化其效用函数。规划者智能体层负责制定经济政策，具体来说是分段线性边际税率表。规划者智能体使用上下文强化学习算法，根据工人智能体的反应和系统状态，不断调整税率表，以优化社会福利。
关键创新：该论文的关键创新在于将大型语言模型应用于经济建模和政策设计。通过利用 LLM 的自然语言处理能力和上下文学习能力，可以更灵活地定义智能体的偏好和行为，并实现更真实的经济系统模拟。此外，该框架还创新性地将机制设计问题转化为一个强化学习问题，从而可以使用机器学习算法自动优化经济政策。
关键设计：在工人智能体层，人物角色通过提示工程实现，每个智能体的效用函数通过在上下文中学习得到。在规划者智能体层，强化学习算法使用策略梯度方法，奖励函数为社会福利函数。税率表被参数化为分段线性函数，其锚点固定在当前的美国联邦税级上。实验中，人口规模设置为最多一百个智能体，并使用 Saez 解作为基线进行比较。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LLM Economist 框架能够找到接近 Stackelberg 均衡的税收政策，相对于 Saez 解，提高了总体社会福利。此外，通过引入定期的、人物角色级别的投票程序，可以在分散治理下进一步提高社会福利。这些结果验证了该框架在经济政策设计和评估方面的有效性。
🎯 应用场景
LLM Economist 框架可应用于各种经济政策的评估和设计，例如税收政策、福利政策、就业政策等。它还可以用于研究不同政策对不同人群的影响，以及政策的长期效果。该框架为政策制定者提供了一个强大的工具，可以帮助他们更好地理解经济系统的复杂性，并制定更有效的政策。
📄 摘要（原文）
We present the LLM Economist, a novel framework that uses agent-based modeling to design and assess economic policies in strategic environments with hierarchical decision-making. At the lower level, bounded rational worker agents -- instantiated as persona-conditioned prompts sampled from U.S. Census-calibrated income and demographic statistics -- choose labor supply to maximize text-based utility functions learned in-context. At the upper level, a planner agent employs in-context reinforcement learning to propose piecewise-linear marginal tax schedules anchored to the current U.S. federal brackets. This construction endows economic simulacra with three capabilities requisite for credible fiscal experimentation: (i) optimization of heterogeneous utilities, (ii) principled generation of large, demographically realistic agent populations, and (iii) mechanism design -- the ultimate nudging problem -- expressed entirely in natural language. Experiments with populations of up to one hundred interacting agents show that the planner converges near Stackelberg equilibria that improve aggregate social welfare relative to Saez solutions, while a periodic, persona-level voting procedure furthers these gains under decentralized governance. These results demonstrate that large language model-based agents can jointly model, simulate, and govern complex economic systems, providing a tractable test bed for policy evaluation at the societal scale to help build better civilizations.