论文
认知异质性动力学：利用基于 LLM 的仿真研究多级供应链中的行为偏差
Dynamics of Cognitive Heterogeneity: Investigating Behavioral Biases in Multi-Stage Supply Chains with LLM-Based Simulation
摘要
在复杂的多轮决策中对生成代理之间的协调进行建模是人工智能和运营管理的核心挑战。尽管行为实验揭示了供应链效率低下背后的认知偏差，但传统方法面临可扩展性和控制限制。我们引入了使用 大语言模型 (LLM) 的可扩展实验范例来模拟多阶段供应链动态。本研究基于层次推理框架，专门分析了认知异质性对代理交互的影响。与之前的同质设置不同，我们采用 DeepSeek 和 GPT 代理来系统地改变供应链各层的推理复杂度。通过严格重复和统计验证的模拟，我们研究了这种认知多样性如何影响集体结果。结果表明，Agent表现出短视和自私的行为，加剧了系统效率低下。然而，我们证明信息共享可以有效减轻这些不利影响。我们的研究结果扩展了传统的行为方法，并为人工智能支持的组织的动态提供了新的见解。这项工作强调了基于 LLM 的代理作为复杂操作环境中人类决策代理的潜力和局限性。