MALLES：具备消费者偏好对齐的多智能体LLM经济沙盒

在实体经济中，现代决策从根本上受到高维、多模态环境的挑战，而智能体异质性与组合数据稀疏性又使问题进一步复杂化。本文提出基于多智能体大语言模型的经济沙盒（MALLES），利用大规模模型固有的泛化能力，建立适用于跨领域、跨品类场景的统一仿真框架。我们方法的核心是一种偏好学习范式，即通过对覆盖多产品品类的海量异质交易记录进行后训练，使LLM在经济意义上对齐。该方法使模型能够内化并迁移潜在的消费者偏好模式，从而缓解单个品类中普遍存在的数据稀疏问题。为增强仿真稳定性，我们实现了一种平均场机制，用于建模产品环境与顾客群体之间的动态交互，有效稳定高维决策空间内的采样过程。此外，我们提出一个多智能体讨论框架，由专业化智能体协同处理海量产品信息。该架构分散认知负荷以缓解单智能体的注意力瓶颈，并通过结构化对话捕捉关键决策因素。实验表明，与现有的经济与金融LLM仿真基线相比，我们的框架在产品选择准确率、购买量预测和仿真稳定性方面取得显著改进。我们的结果证实了大型语言模型作为高保真、可扩展决策仿真以及后续基于基础数据库的实体经济分析的基石的潜力。