但人工智能代理将如何管理城镇的经济呢？

我们在真实的博卡拉湖畔地理上放置了 100 个配备内存的 大语言模型 (LLM) 代理，负责封闭的、省钱的空间经济（赚取工资、经营业务、设定价格），并运行这种多代理模拟长达 26 周的模拟时间，远远超过了代理社会研究典型的 1-2 周。在 91 次验证运行中（244 万个代理决策，21.5B 个词元），资金以特定且可衡量的方式停止流动。 12 倍的旅游需求冲击使企业收入提高 4.62 倍（$p<0.001$），我们将其精确分解为 1.50 倍的扩展利润（更多企业进行交易）和 3.07 倍的集约利润（各自增加收入）。货币传导就此停止。工资变动 1.03 倍 ($p=0.42$)； 3,981 个菜单项中的 0.3% 曾重新定价 ($p=0.47$)。随机现金转移（NPR 5,000 到 100 名代理人中的 20 名）从相反的方向显示了相同的模式：311 个脉冲后，96.7% 的人仍然持有，通过两个独立的衡量标准，边际消费倾向为 3-4%，与零无法区分。因此，在该文献使用的地平线上，财富分配接近冻结（模拟的 2 周内 $ρ=0.964$），但并未冻结。 $ρ$ 在第 12 周时降至 0.832，在第 26 周时降至 0.752，短期研究无法看出这种时间依赖性。匹配的消融显示哪个旋钮真正重要。交换支持 LLM 会改变我们测量的每个结果 ($p=0.0039$)；删除特工的记忆不会对他们造成任何明显的影响。纯粹的社交工具在两个模型系列中失败的概率为 94-97%，而经济工具的成功率约为 96%，并且没有明显的改变。每个标题数字都会经过现场验证器和离线重新计算两次验证，离线重新计算将每个代理的财富与其自己签名的交易历史进行协调，然后我们发布完整的运行语料库以进行重新分析。