LLM-Ökonom: Große Populationsmodelle und Mechanismusdesign in Multi-Agenten-Generativen Simulakren

LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra

July 21, 2025

papers.authors: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin

cs.AI

papers.abstract

Wir präsentieren den LLM Economist, ein neuartiges Framework, das agentenbasierte Modellierung verwendet, um Wirtschaftspolitiken in strategischen Umgebungen mit hierarchischer Entscheidungsfindung zu entwerfen und zu bewerten. Auf der unteren Ebene wählen begrenzt rationale Arbeitnehmer-Agenten – instanziiert als persona-bedingte Prompts, die aus US-Zensus-kalibrierten Einkommens- und demografischen Statistiken stammen – ihr Arbeitsangebot, um textbasierte Nutzenfunktionen zu maximieren, die kontextuell gelernt wurden. Auf der oberen Ebene verwendet ein Planer-Agent kontextuelles Reinforcement Learning, um stückweise lineare marginale Steuersätze vorzuschlagen, die an die aktuellen US-Bundessteuerklassen angelehnt sind. Diese Konstruktion verleiht den ökonomischen Simulakren drei Fähigkeiten, die für glaubwürdige fiskalische Experimente erforderlich sind: (i) die Optimierung heterogener Nutzenfunktionen, (ii) die prinzipielle Generierung großer, demografisch realistischer Agentenpopulationen und (iii) das Mechanismusdesign – das ultimative Nudging-Problem – vollständig in natürlicher Sprache ausgedrückt. Experimente mit Populationen von bis zu hundert interagierenden Agenten zeigen, dass der Planer nahe an Stackelberg-Gleichgewichte konvergiert, die das aggregierte Sozialwohl im Vergleich zu Saez-Lösungen verbessern, während ein periodisches, persona-basiertes Abstimmungsverfahren diese Gewinne unter dezentraler Governance weiter steigert. Diese Ergebnisse demonstrieren, dass auf großen Sprachmodellen basierende Agenten gemeinsam komplexe Wirtschaftssysteme modellieren, simulieren und regieren können, wodurch sie ein handhabbares Testfeld für die Politikbewertung auf gesellschaftlicher Ebene bieten, um bessere Zivilisationen zu schaffen.

English

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.