💻 computer science

EconAI: Dynamic Persona Evolution and Memory-Aware Agents in Evolving Economic Environments

本文介绍了 EconAI，这是一个新颖的框架，它利用大型语言模型结合经济情绪指数与记忆加权机制，构建出动态自适应的经济智能体，这些智能体通过平衡短期优化与长期战略规划，能够模拟真实的宏观及微观经济互动。

原作者： Annie Liu, Zane Cao, Lang Chen, Zongxin Xu, Zigan Wang

发布于 2026-05-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Annie Liu, Zane Cao, Lang Chen, Zongxin Xu, Zigan Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，试图预测一个城市的经济将如何运行。传统上，经济学家主要使用两种工具：僵硬的规则手册（就像一种总是遵循“如果发生 X，就执行 Y"的计算机程序）或需要海量数据才能理清头绪的复杂学习系统。两者都有缺陷。规则手册过于僵化，无法应对现实生活中的意外；而学习系统常常陷入混乱，或者需要超级计算机才能运行。

本文介绍了一种名为EconAI的新方法，它利用一种特殊的人工智能——大型语言模型（LLM）——来模拟经济。请将 EconAI 想象成一个由虚拟人和企业组成的数字城市，它们能够像人类一样思考、记忆并改变主意，而不仅仅是一个计算器。

以下是 EconAI 的工作原理，分解为几个简单的概念：

1. 带有记忆库的“数字大脑”

过去，模拟中的智能体（AI agents）就像失忆症患者；它们为今天做出决定，随即遗忘，明天又从头开始。EconAI 为这些智能体提供了一个包含两个部分的记忆库：

长期图书馆：存储多年积累的大教训（例如，“我学会了在衰退期间存钱有助于我生存”）。
短期便利贴：保留即时背景信息（例如，“我刚刚看到一条关于高油价的新闻标题”）。

通过结合这两者，智能体不仅会对当下做出反应，还会基于其历史做出反应。如果它们去年经历过市场崩盘，即使目前形势看起来不错，今天它们可能会更加谨慎。

2. “情绪戒指”（经济情绪指数）

人类不是机器人；我们的决策受到我们对经济感受的影响。如果我们乐观，就会花钱；如果我们感到恐惧，就会囤积资金。

EconAI 为每个智能体配备了一个名为经济情绪指数（ESI）的“情绪戒指”。
这不仅仅是一个数字；它是智能体信心的衡量标准。
类比：想象一个恒温器。如果“情绪”寒冷（悲观），智能体就会调低“支出加热器”，并调高“工作炉”。如果情绪温暖（乐观），它们则反之。这使得模拟能够捕捉恐惧或希望如何在人群中传播，从而引发通货膨胀或失业率飙升等现实世界的影响。

3. “动态人格”

EconAI 不再让每个虚拟人物都成为通用的“工人”，而是创造了独特的人格。

每个智能体都有特定的工作、年龄、技能和性格特征。
关键在于，这些人格会演变。如果一个虚拟工人失业了，其“人格”就会更新，以反映这种压力和策略的改变。它们不会永远被同样的规则束缚；它们会根据生活事件调整自己的身份。

4. 模拟中的运行方式

研究人员建立了一个数字世界，其中包含：

家庭：决定是工作还是休息，以及花多少钱或存多少钱。
企业：决定生产多少、雇佣多少人以及投资多少。
政府与银行：设定税收和利率。

当模拟运行时，这些智能体进行互动。它们阅读新闻、查阅记忆、咨询“情绪戒指”，然后做出决策。

他们发现了什么？

该论文声称 EconAI 优于旧方法，因为：

它更稳定：旧的模拟经常失控，失业率在 0% 到 50% 之间剧烈波动。EconAI 的结果保持在现实范围内，与现实世界非常相似。
它遵循经济规律：该模拟自然地重现了著名的经济模式（例如将失业与工资联系起来的“菲利普斯曲线”），而无需显式编程。它只是“想通了”，因为智能体的行为像人类。
它能对冲击做出反应：当研究人员向系统输入关于现实世界危机（如 2020 年新冠疫情爆发初期）的文本提示时，虚拟经济做出了现实的反应。失业率飙升，人们因恐惧开始更多储蓄，经济需要时间才能恢复——这与现实情况完全一致。

局限（注意事项）

作者诚实地指出了缺点：

它很沉重：运行此模拟需要大量的计算能力和存储空间，与简单的数学模型相比，成本更高且速度更慢。
它需要调整：控制记忆重要程度或“情绪戒指”敏感度的“旋钮”需要仔细调整。
它仍然是模拟：虽然它能很好地模仿现实，但它仍然基于计算机模型，而非对地球上每个人的直接观察。

简而言之：EconAI 是一个进步，因为它将经济主体视为拥有记忆和情绪的人，而不仅仅是数学方程。这使得它能够模拟一个更现实、更具适应性且更稳定的经济世界。

技术摘要：EconAI——动态角色演化与具备记忆感知能力的智能体在演变经济环境中的应用

1. 问题陈述

现有的用于经济模拟的基于智能体的建模（ABM）框架面临一个关键的两难困境：

基于规则的模型（如 LEN、CATS）依赖于人工设计的启发式规则，缺乏灵活性，且针对新场景需要大量专家进行校准。
基于学习的模型（如深度强化学习智能体）提供了适应性，但在宏观尺度上面临高昂的计算成本和数据需求。
当前的大语言模型（LLM）驱动方法虽然提升了推理能力，但未能捕捉短期优化与长期战略规划之间微妙的相互作用。具体而言，它们往往忽视了事件记忆（历史经验）与经济信念（信心与情绪）的整合，导致模拟误差随时间累积，使模型失去现实性。

核心挑战在于如何构建一个统一的框架，在保持长期连贯性和适应性行为的同时，准确模拟宏观经济动态与微观层面的智能体交互。

2. 方法论：EconAI 框架

EconAI 是一个新颖的、由大语言模型（LLM）驱动的模拟系统，它统一了宏观经济与微观经济环境。该系统为智能体（家庭与企业）建模，其认知骨干包含三个核心模块：

A. 事件感知与记忆架构

系统利用双记忆库结构来管理历史背景与即时条件：

长期记忆库（ $M_L$ ）： 存储从历史交互中衍生出的高层事件摘要（ $\phi(t_j, o_j)$ ）的向量表示。这些摘要使用文本编码器（如 MiniLM）进行编码，并通过基于嵌入的机制进行检索。
短期记忆库（ $M_S$ ）： 保留特定会话内正在进行活动的上下文信息。
事件摘要模块： 与零样本 LLM 方法不同，该模块采用指令微调来生成经济活动的结构化摘要，包括任务背景、相关活动以及具体的摘要指令。

B. 动态角色与经济情绪

为了弥合客观数据与主观决策之间的鸿沟，EconAI 引入了：

动态角色提取： 一个用于建模不断演变的智能体偏好与经济信念的模块，存储于长期角色库中。这实现了个性化、上下文敏感的决策。
经济情绪指数（ESI）： 一个量化指标（$ESIt $），用于捕捉智能体的经济信念，通过衰减因子（$ $），用于捕捉智能体的经济信念，通过衰减因子（$ \lambda$）和 LLM 的最新情绪评估进行更新：
$ESIt = \lambda ESIt-1 + (1-\lambda)ESIt,LLM$
该指数调节决策过程：
- 低信念（$ESIt < 0$）： 智能体减少消费并增加工作意愿。
- 高信念（$ESIt > 0$）： 智能体增加消费并减少工作。
- 信心调整： 最终决策（ $p_{wi}, p_{ci}$ ）根据信心水平和 ESI 进行调整，以防止对短期冲击的过度反应。

C. 经济环境与决策

模拟在一个包含家庭、企业、政府和金融机构的统一框架内运行：

智能体决策： 建模为劳动参与概率（ $p_{wt}$ ）和消费收入比（ $p_{ct}$ ），由 LLM 根据收入、价格、储蓄、失业率、利率以及 ESI 生成。
宏观经济动态：
- 生产： 遵循具有边际收益递减规律的柯布 - 道格拉斯函数。
- 市场失衡： 定义为 $\hat{\phi} = (D-G)/\max(D,G)$ ，驱动价格和工资调整。
- 政策： 包括累进税制和修正后的泰勒规则（用于利率），以应对通胀和失业率的偏差。

3. 主要贡献

统一模拟系统： EconAI 是首个将宏观经济动态与微观层面智能体交互整合到单一框架中的 LLM 驱动系统，使智能体能够适应市场环境并调整个体经济决策。
自适应机制： 该框架引入了经济情绪指数（ESI）、记忆权重和动态决策模型。这些机制使系统能够持续适应市场条件并模拟现实世界的波动，超越了静态预测模型。
增强的准确性与鲁棒性： 通过广泛的模拟，EconAI 在复现经济指标（通胀、失业）和验证经济规律（菲利普斯曲线、奥肯定律）方面，表现出优于基于规则、强化学习及现有基于 LLM 基线的性能。

4. 实验结果

实验在 20 年的时间跨度内进行，使用 GPT-4o-mini，将 EconAI 与包括 LEN、CATS、AI-Eco（基于 RL）和 EconAgent 在内的基线模型进行了比较。

宏观层面的稳定性： EconAI 生成的通胀、失业和 GDP 增长轨迹显著更加稳定。与表现出大幅振荡或退化机制（例如 AI-Eco 失业率达到 46%）的基线模型不同，EconAI 的记忆和情绪通道吸收了瞬态干扰。
经济规律性： EconAI 成功复现了教科书式的向下倾斜的菲利普斯曲线（皮尔逊相关系数 $\rho = -0.522$ ）和奥肯定律的协同运动。基线模型未能复现这些关系，往往由于僵化的决策规则而产生反常的正斜率。
微观层面的动态： 企业交互的模拟成功捕捉了破坏性竞争（价格战、零和结果）与健康竞争（创新、正和增长）。
外部干预： 当注入关于 2020 年 COVID-19 紧急情况的定性提示时，EconAI 智能体转向预防性储蓄和收入多元化，导致失业率出现现实的激增和滞后复苏，证明了该系统将定性线索转化为定量宏观影响的能力。
消融研究： 移除历史记忆导致失业率剧烈波动；移除情绪指数增加了波动性；移除信念因素引入了不一致性。这证实了所有组件对于稳定性都是必要的。
可扩展性： 将智能体数量从 100 增加到 300，并未显著改变通胀率的稳定性或现实性，表明其对人口规模变化的鲁棒性。

5. 意义与主张

本文主张 EconAI 代表了迈向现实、自适应经济智能体模拟的关键一步。其主要意义在于：

弥合鸿沟： 它成功地将记忆、情绪和语言层面的推理绑定在一个单一循环中，作为人工设计的规则手册或定制训练流水线的可行替代品。
长期连贯性： 通过权衡历史记忆与当前上下文，并通过经济情绪调节决策，该系统避免了当前 LLM 驱动方法中常见的模拟误差累积。
行为现实性： 该框架捕捉了由记忆驱动的学习与由信心驱动的适应之间的动态相互作用，这对于准确的长期经济建模至关重要。

6. 局限性

作者承认存在若干限制：

计算开销： 依赖大规模语言模型带来了显著的存储和计算成本，可能限制其在实时、大规模模拟中的可扩展性。
参数调整： 整合多个模块（记忆衰减、情绪权重）引入了参数调整的复杂性，需要在多样化的场景中进行进一步验证。
数据范围： 评估主要基于模拟数据，可能无法完全捕捉所有现实世界极端事件或经济波动的细微差别。