穷人版agentic建模：在笔记本电脑上模拟大规模LLM智能体社会

模拟由大量大语言模型（LLM）智能体组成的社会代价高昂，但人们向这类模拟提出的问题通常是宏观的：相行为、典型化事实以及随智能体数量N的缩放规律，而非任何单个智能体的认知。我们把一个统计物理观察转化为方法：用从几百到几千次廉价查询拟合出的低参数量模型替换每个LLM智能体，然后在笔记本电脑上以任意N运行整个社会。这是否可行在模拟运行之前就已决定，关键在于每个智能体感知到什么。我们引入一个[交互阶数×记忆]分类法，将感知与记忆映射到一个有效理论以及代理模型误差的预测N趋势。我们在对LLM宏观经济模拟EconAgent的忠实重实现以及另外七个有名字的LLM模拟上验证该理论，其中智能体决策克隆自真实的LLM诱发结果（主要来自DeepSeek），成本仅几美元；预测的误差趋势逐格成立，而两个被反驳的预测——均出现在强饱和响应上、并可溯源至其曲率——本身也被该理论在无自由参数的情况下定量匹配。