Exploring the Intersection of Large Language Models and Agent-Based Modeling via Prompt Engineering

E Junprung
[UC Berkeley]

通过提示工程探索大语言模型和基于Agent建模的交叉点

  • 探讨了利用大型语言模型(LLM)比如ChatGPT来模拟复杂的社会系统和人际互动，以进行基于agent的建模。

  • LLM可以实现比传统agent规则更逼真的人类驱动行为建模。

  • 演示了涉及两个agent的谈判和六个agent的谋杀悬疑游戏的LLM驱动模拟。

  • 为每个agent定义的人格塑造了他们的目标和行为，调整人格会导致出现意想不到的结果。

  • 提示工程、在agent之间传递响应以及记忆流是实现流畅的多agent对话的关键。

  • LLM模拟分为一对一、一对多和多对多三种类别。

  • 演示的简单性受限于4096个符号的上下文限制，而不是LLM的能力。

  • 上下文限制阻碍了大规模模拟，涉及成千上万个agent，跨越很长时间尺度。

  • 从长上下文中检索相关信息对实现流畅的多agent交互仍具有挑战性。

动机：探索大型语言模型(LLM)与基于智能体的建模(ABM)的交叉点，通过Prompt Engineering(提示工程)的方法，以更准确地模拟人类行为。
方法：使用了大型语言模型(LLM)和基于智能体的建模(ABM)相结合的方法，通过Prompt Engineering(提示工程)来设计和实现可信的人类行为模拟。
优势：通过使用大型语言模型(LLM)来模拟人类行为，提供了更准确和复杂的人类驱动场景的研究和分析能力。

探索了使用大型语言模型(LLM)进行人类行为模拟的方法，通过Prompt Engineering(提示工程)来设计可信的人类行为智能体，从而提供了更准确和复杂的研究和分析能力。

https://arxiv.org/abs/2308.07411 


图片
图片