Large language models empowered agent-based modeling and simulation: a survey and perspectives
Large language models empowered agent-based modeling and simulation: a survey and perspectives
Section titled “Large language models empowered agent-based modeling and simulation: a survey and perspectives”⚠️ AI 生成 · 建议对照原文 本页为自动整理的学习笔记；关键数据与引用如需引用，请回查 PDF / 官方版本。
学习档位 中文笔记
类型 文献 · 更新 2026-07-19
中文学习笔记（自动生成，需核验）
Section titled “中文学习笔记（自动生成，需核验）”Topic: llm-language-reasoning · Tier: recent · Year: 2024 · Venue: —
Evidence level: partial · 本地全文: 是 · 建议阅读: ~50 分钟
Paper: https://arxiv.org/abs/2312.11970
Code: —
Generator: grok
为什么值得读
Section titled “为什么值得读”作为该领域首篇系统综述，梳理了LLM赋能智能体建模与仿真的动机、能力匹配、四域（物理/网络/社会/混合）应用与挑战，对复杂系统仿真（含具身/城市等）提供全景视角与未来方向启发。
LLM智能体凭借感知、推理决策、自适应与异质性，克服传统ABMS局限，成为更接近人类智能的仿真新范式。
传统智能体仿真依赖规则/符号/随机/机器学习，在复杂任务长期规划、跨环境通用智能体、描述-解释-预测-探索综合能力上不足；如何将LLM集成以提升自主性、社交能力、反应性与主动性。
智能体建模与仿真基本组件（智能体/环境/交互）与能力要求（自主性、社交能力、反应性、主动性及有限理性）；大型语言模型基本能力与LLM智能体概念。
- 首次系统综述LLM驱动的智能体建模与仿真工作，从自主性、社交能力、反应性、主动性四方面分析ABMS需求，并说明LLM如何通过感知、推理决策、自适应与异质性应对。
- 将仿真划分为物理、网络、社会与混合四域，覆盖真实与虚拟环境，详细讨论各域环境设计与LLM驱动智能体构建。
- 讨论扩展规模、开放平台、鲁棒性、伦理风险等开放问题与有前景的研究方向。
作为综述：先介绍ABMS与LLM智能体背景；分析LLM应用于仿真的动机与环境感知、人类对齐、动作生成、评估等挑战；按物理/网络/社会/混合四域综述近期工作（环境设计与智能体构建）；最后讨论开放问题与未来方向。
关键模块和设计取舍
Section titled “关键模块和设计取舍”核心能力匹配：LLM智能体提供感知（文本/多模态理解与第一人称视角）、推理与决策（更高层次规划与选择）、自适应（无预定义指令反应与任务执行）与异质性（角色扮演与群体涌现）。取舍在于从反应式架构转向更具规划推理的审议式能力，同时保留对有限理性的模拟；动作空间通过工具使用扩展，交互支持人-智能体与智能体间通信。
数据集、实验设置与指标
Section titled “数据集、实验设置与指标”待来源核验（本文为综述，摘录未提供具体数据集、实验设置或统一指标）。
主要结果（需原文证据）
Section titled “主要结果（需原文证据）”待来源核验（摘录主要为概念、分类与挑战分析，无具体量化实验结果）。
局限、失败场景与适用边界
Section titled “局限、失败场景与适用边界”传统方法局限：简单反应式架构难以应对复杂长期规划任务；难开发跨环境通用智能体；无法同时支持描述、解释、预测与探索性仿真。LLM赋能方向仍面临扩展规模、开放平台、鲁棒性与伦理风险等开放问题；摘录指出该领域新兴快速演进，评估与人类对齐等挑战待解决。
与前序 / 同期 / 后续方法的关系
Section titled “与前序 / 同期 / 后续方法的关系”综述将传统ABMS方法（预定义规则如元胞自动机、符号方程如社会力模型、随机建模、机器学习/强化学习）与LLM智能体对比；覆盖多域已有仿真应用（生态、交通、经济、社交网络、网络安全、医疗等）；强调LLM智能体作为新范式解决先前局限，并指向后续在扩展性与伦理等方面的研究。
官方代码与复现建议
Section titled “官方代码与复现建议”待来源核验（摘录未提及官方代码或复现资源）。
推荐阅读顺序
Section titled “推荐阅读顺序”先读第1节引言与贡献；再读第2节背景（ABMS组件/能力/应用/方法局限 + LLM智能体）；重点读第3节LLM关键能力（感知、推理决策等与图1）；然后按四域综述现有工作；最后读开放问题与未来方向。
- Q: 传统ABMS智能体应具备哪四项关键能力？ A: 自主性（无直接干预运行）、社交能力（与其他智能体/人交互）、反应性（感知环境并快速响应/学习改进）、主动性（目标导向主动行动）。
- Q: LLM智能体为何适合作为仿真新范式？ A: 能自适应反应与任务执行（无需预定义显式指令）、具备类人智能与自规划调度、动作空间可通过工具扩展、支持与人类或其他AI智能体交互通信。
- Q: 本文如何划分LLM赋能ABMS的应用域？ A: 物理域（自然/城市/工程制造等）、社会域（社交互动/经济系统）、网络域（Web行为/网络安全）、混合域（社会-物理-网络融合如城市规划/疫情控制）。
- Q: 传统ABMS方法的主要局限是什么？ A: 反应式架构难以处理需长期规划的复杂任务；难开发跨环境通用智能体；无法同时支持描述、解释、预测与假设场景探索。
- Q: LLM如何增强智能体的感知能力以支持仿真？ A: 语言能力支持直接/间接环境交互与智能体间通信；多模态扩展；需具备“第一人称视角”以理解需求、情绪与态度，生成更真实响应。
- Abstract: This paper surveys the landscape of utilizing large language models in agent-based modeling and simulation, examining their challenges and promising future directions.
- Section 1 Introduction: We take the first step to review the existing works of large language model-based agent modeling and simulation. We systematically analyze why large language models can serve as an advanced solution for agent-based modeling and simulation compared with existing approaches.
- Section 2.1.2 Agent capability: Autonomy. Agents should be able to operate without the direct intervention of humans or others… Social ability. Agents should be able to interact with other agents (and possibly humans)… Reactivity. Agents should be able to perceive their environment and respond quickly… Pro-activeness. Agents should be able to exhibit goal-directed behavior by taking the initiative…
- Section 2.1.5 Limitations: Simple agent architecture is not enough to cope with complex tasks… It is difficult to develop a general agent that can support simulations across environments… Existing methods cannot support integrative simulation in real-world problems.
- Section 3 Critical abilities…: Large language model-empowered agents not only meet the requirements for agent-based simulation but also address the limitations relying on their strong abilities in perception, reasoning, decision-making, and self-evolution…
延伸解读与背景补充
Section titled “延伸解读与背景补充”生成：2026-07-21 · 来源条数 3 · 模型
heuristic· 需人工核验数字
围绕「Large language models empowered agent-based modeling and simulation: a survey and perspectives」的核心问题与动机（待结合全文核验）。
方法要点补强
Section titled “方法要点补强”- 见原文方法章节；以下为基于摘要/摘录的要点提示。
- Large Language Models Empowered Agent-based Modeling and Simulation: A Survey and Perspectives …
与相近工作的关系
Section titled “与相近工作的关系”与相近工作的关系待核验；请对照 related work。
- 勿仅凭摘要推断未给出的数值指标。
- 这篇工作的输入/输出表示是什么？（Large language models empowered agent-based modeling and simulation: a survey and perspectives）
- 训练目标与评测协议各是什么？
- 主要失败模式或局限是什么？
外部解读索引
Section titled “外部解读索引”- [2312.11970] Large Language Models Empowered Agent-based Modeling and Simulation: A Survey and Perspectives — 2026-07-21 — 官方摘要/二次页面（自动抓取）
- [2312.11970] Large Language Models Empowered Agent-based Modeling and Simulation: A Survey and Perspectives — 2026-07-21 — 官方摘要/二次页面（自动抓取）
- Trending Papers - Hugging Face — 2026-07-21 — 官方摘要/二次页面（自动抓取）
方法结构（重绘）
Section titled “方法结构（重绘）”flowchart LR A["输入 / 观测"] --> B["表示 / 编码"] B --> C["推理 / 解码"] C --> D["输出 / 动作或检测"] %% method sketch for: Large language models empowered agent-based modeling and simulation: a survey an方法结构示意（重绘；细节以原论文为准，待 PDF 核验）。
论文摘录图/表
Section titled “论文摘录图/表”
来源：原论文约 p.6（arch）；学习用途摘录。
来源：原论文约 p.13（table）；学习用途摘录。
英文自动分析（可折叠）
Section titled “英文自动分析（可折叠）”展开英文 Paper Card / AI deep analysis
Paper Card
Section titled “Paper Card”| Field | Content |
|---|---|
| Year | 2024 |
| Authors | Chen Gao, Xiaochong Lan, Nian Li, Yuan Yuan, Jingtao Ding, Zhilun Zhou, Fengli Xu, Yong Li |
| arXiv | 2312.11970 |
| DOI | 10.1057/s41599-024-03611-3 |
| Topics | llm-language-reasoning, simulation-synthetic |
| Paper | https://arxiv.org/abs/2312.11970 |
原文摘录与素材（可折叠）
Section titled “原文摘录与素材（可折叠）”展开 Extract / Selections / Local assets
Selections
Section titled “Selections”llm-language-reasoning: tier=recent rank=1 score=65 — auto refresh 2026-07-19 sources=openalex | promoted watch->recent for coverage fillsimulation-synthetic: tier=watch rank=5 score=51 — cross-topic assign from registry title match=1 keywords; 2026-07-19
Extract excerpt
Section titled “Extract excerpt”(no PDF text available; metadata-only card)