SOCIA-EVO：基于双锚定双层优化的自动化模拟器构建

自动化模拟器构建要求分布保真度，这使其区别于通用代码生成。我们识别出长程LLM智能体的两种失败模式：上下文漂移，以及由混淆结构性误差与参数性误差导致的优化不稳定。我们提出SOCIA-EVO，一个双锚定的演化框架。SOCIA-EVO引入：（1）强制经验约束的静态蓝图；（2）将结构细化与参数校准解耦的双层优化；（3）通过贝叶斯加权检索管理补救假设的自策展策略手册（Strategy Playbook）。通过执行反馈证伪无效策略，SOCIA-EVO实现稳健收敛，生成与观测数据在统计上一致的模拟器。SOCIA-EVO的代码与数据发布于：https://github.com/cruiseresearchgroup/SOCIA/tree/evo。