가난한 사람의 에이전트 모델링: 노트북에서 대규모 LLM 에이전트 사회 시뮬레이션하기

초록

많은 대규모 언어 모델(LLM) 에이전트로 구성된 사회를 시뮬레이션하는 것은 비용이 많이 들지만, 그러한 시뮬레이션에 제기되는 질문은 대개 거시적이다: 위상 거동, 양식화된 사실, 에이전트 수 N에 따른 스케일링이지, 어느 단일 에이전트의 인지가 아니다. 우리는 통계물리학적 관찰을 하나의 방법으로 전환한다: 각 LLM 에이전트를 수백에서 수천 번의 저비용 쿼리로 적합시킨 저파라미터 모델로 대체한 다음, 임의의 N에서 노트북으로 사회를 실행하는 것이다. 이 방법의 작동 여부는 시뮬레이션이 실행되기 전에 결정되며, 주로 각 에이전트가 지각하는 바에 달려 있다. 우리는 지각과 기억을 유효 이론 및 대리 오차의 예측된 N-추세에 매핑하는 [상호작용 차수 × 기억] 분류 체계를 도입한다. 우리는 이를 LLM 거시경제 모델 EconAgent의 충실한 재구현과 일곱 가지 추가 명명 LLM 시뮬레이션에서 검증한다. 에이전트 결정은 수 달러의 비용으로 실제 LLM 도출(주로 DeepSeek)에서 복제되었다. 예측된 오차 추세는 셀별로 유지되며, 강하게 포화되는 반응에 대한 두 가지 반증된 예측—둘 다 그 곡률에 기인한 것—은 자유 파라미터 없이 이론에 의해 정량적으로 일치한다.

English

Simulating societies of many large language model (LLM) agents is expensive, yet the questions asked of such simulations are usually macroscopic: phase behaviour, stylised facts, and scaling with the number of agents N, not the cognition of any single agent. We turn a statistical-physics observation into a method: replace each LLM agent by a low-parameter model fitted from a few hundred to a few thousand cheap queries, then run the society at any N on a laptop. Whether this works is decided before the simulation runs, chiefly by what each agent perceives. We introduce an [interaction order x memory] taxonomy that maps perception and memory to an effective theory and a predicted N-trend of the surrogate error. We validate it on a faithful reimplementation of the LLM macroeconomy EconAgent and seven further named LLM simulations, with agent decisions cloned from genuine LLM elicitations (primarily DeepSeek) for a few dollars; the predicted error trends hold cell by cell, and the two refuted predictions, both on a strongly saturating response and traced to its curvature, are themselves matched quantitatively by the theory with no free parameters.