《Resources, Conservation and Recycling》：Large language model integration in agent-based modeling for the simulation and recycling system
编辑推荐：
蔡智国|伊布努·祖尔卡纳因|达娜·阿齐扎·拉赫玛特|奥古斯蒂娜·阿西·鲁曼蒂|穆罕默德·阿尔马乌杜迪·普卢ungan台湾科技大学工业管理系，台北，10607，台湾摘要本研究采用基于LLM的增强型代理模拟方法，探讨生成式决策机制如何影响循环经济系统中的回收动态。在NetLogo与P
蔡智国|伊布努·祖尔卡纳因|达娜·阿齐扎·拉赫玛特|奥古斯蒂娜·阿西·鲁曼蒂|穆罕默德·阿尔马乌杜迪·普卢ungan
台湾科技大学工业管理系，台北，10607，台湾
摘要
本研究采用基于LLM的增强型代理模拟方法，探讨生成式决策机制如何影响循环经济系统中的回收动态。在NetLogo与Python的混合框架下，将基于GPT的代理与基于确定性规则的代理在受控实验场景中进行比较。结果表明，基于GPT的代理在决策有效性、回收率、污染水平以及合作稳定性方面表现更优。跨多次模拟运行的统计分析证实了关键可持续性指标存在显著差异。这些发现表明，通过提示介导的生成式决策合成机制可以作为导航复杂条件决策空间的另一种实现方式，而并非意味着其具有更高的智能水平。尽管在计算成本和推理稳定性方面存在权衡，但结果表明，基于LLM的增强型代理能够在结构化约束下支持适应性和可持续性的系统动态。
引言
像GPT-4o和Gemini这样的大型语言模型（LLMs）在上下文推理和适应性决策方面展现了强大的能力。这些特性使它们成为提升模拟环境中代理智能水平的理想候选者（Gürcan, 2024; Tsai et al., 2023）。随着生成式AI的发展，LLMs不仅成为强大的语言工具，还成为能够在模拟环境中支持数据驱动决策和适应性行为的推理系统（Jimenez-Romero et al., 2025）。
基于代理的建模（ABM）长期以来被用于研究复杂的系统，如回收和循环经济网络（Lange et al., 2021）。ABM特别适合表示由异构代理行为产生的去中心化互动和宏观层面的模式（Lange et al., 2021; Wilensky and Rand, 2015）。然而，在许多传统实现中，代理行为受固定且预先指定的规则集控制，在整个模拟过程中保持不变。在本研究中，“固定”指的是在模拟之前明确编码的决策策略，在运行时不会更新。这并不排除随机元素，因为许多ABM包含了概率转换或随机过程。区别在于决策策略是预先定义的，还是基于上下文解释动态生成的。虽然基于规则的系统可以产生新兴结果，但在环境条件或政策快速变化的情况下，它们的决策逻辑可能表现出有限的上下文灵活性（Ghali et al., 2017; Lange et al., 2021）。因此，挑战不在于ABM范式本身，而在于提高复杂可持续性系统中代理决策机制的适应性。
尽管ABM已广泛应用于回收和循环经济系统，但大多数模型依赖于在模拟过程中保持不变的手动指定决策规则。虽然这样的模型可以再现系统层面的模式，但在变化的环境或政策条件下表示适应性决策通常需要越来越复杂的规则结构。这一限制促使人们探索基于LLM的推理作为建模上下文敏感和多目标决策过程的更灵活机制。为了解决这些限制，本研究通过将NetLogo与基于GPT的推理和检索增强生成（RAG）知识层相结合，开发了一种基于LLM的增强型代理模拟（Jia et al., 2025; Jimenez-Romero et al., 2025）。所提出的框架并非提出一种全新的建模范式，而是作为一种实验工具，系统地研究基于LLM的决策如何影响循环经济系统中的回收行为、可持续性权衡和合作动态（De Curto and De Zarza, 2025）。
本研究的主要贡献在于结构化的实验设计和以可持续性为导向的分析，而基于LLM的增强架构更多地是一种使能机制，而非主要创新点。具体而言，本研究的贡献在于一个结构化、以可持续性为导向的实验设计，该设计在多个受控场景中评估了基于LLM的增强型代理。模拟用于明确评估决策有效性、环境能源权衡、合作动态以及回收背景下的动态稳定性模式。此外，研究不仅考察了性能改进，还分析了基于LLM的代理的局限性和失败模式，例如在提示丰富化下能源效率降低和价值错位，并为混合式基于LLM的规则控制架构提供了实际的设计启示。
问题1：基于GPT的代理与基于规则的代理在准确性和决策适应性方面有何不同？
问题2：基于GPT的推理能在多大程度上降低回收系统的污染水平并提高能源效率？
问题3：基于GPT的代理如何影响系统层面的结果，如回收率、资源利用和在环境、经济和社会维度上的可持续性平衡？
这些研究问题共同指导了对不同推理配置下系统性能的结构化实验评估。研究评估了基于LLM的增强型代理是否能在引入潜在能源消耗权衡的同时提高可持续性表现。然而，这些收益伴随着更高的能源消耗，揭示了适应性决策与运营效率之间的内在权衡。总体而言，本研究通过提供在回收模拟中的结构化、以可持续性为导向的实验评估，为基于LLM的ABM研究做出了贡献。通过系统地比较基于规则和基于LLM的代理，我们识别了性能提升和权衡，并为混合式基于LLM的规则控制架构提供了设计启示。
章节摘录
回收和循环经济系统中的基于代理的建模
基于代理的建模（ABM）被广泛用于分析以去中心化互动和异质决策为特征的复杂系统。在回收和循环经济研究的背景下，ABM已被用于模拟家庭回收参与、废物分类行为、物质流动动态和政策干预机制（De Curto and De Zarza, 2025; Lange et al., 2021; Koide et al., 2023）。这些研究表明了ABM捕捉新兴现象的能力
研究方法
本研究开发了一种基于LLM的增强型代理模拟，用于模拟循环经济背景下的动态资源管理和回收行为。每个代理的行为取决于其内部状态（能量、财富和声誉）以及环境反馈（资源可用性、污染水平和回收成本）（Amblard et al., 2015; Chen et al., 2024）。模拟跟踪了多个系统范围内的变量，包括新的和回收的资源总量、污染水平等
结果与分析
本节展示了来自三个实验场景的模拟结果，将基于确定性规则的基准与提出的基于GPT的增强型代理架构进行了比较。每个场景执行了1000个时间步长，并每个模型重复了30次以确保统计稳健性。所有报告的指标均代表多次运行的平均值，附有标准差、95%置信区间和推断统计量，如表2所总结。在本研究中，斜率、R2等指标被用来评估模拟效果
讨论
本节基于RQ1–RQ3的结果，讨论了将大型语言模型（LLMs）整合到基于代理的建模（ABM）中的理论和实际意义。模拟结果表明，基于GPT的代理在多个内部配置层面上的表现优于基于规则的代理。具体来说，基于GPT的配置显示出更低的污染水平和能源消耗，以及更高的合作效率
结论
本研究在回收和循环经济模拟中进行了基于规则和基于GPT的代理的结构化实验比较。通过将GPT-4o嵌入到带有固定提示、受限动作集、验证门和RAG层的NetLogo Python框架中，研究了提示介导的生成式推理对可持续性相关系统动态的影响。结果表明，基于GPT的代理能够产生考虑上下文的决策，从而改善污染状况
CRediT作者贡献声明
蔡智国：验证、监督、方法论、调查、形式分析。伊布努·祖尔卡纳因：写作——审阅与编辑、原始草稿撰写、可视化、方法论、调查。达娜·阿齐扎·拉赫玛特：写作——审阅与编辑、原始草稿撰写、可视化、验证、方法论、形式分析、概念化。奥古斯蒂娜·阿西·鲁曼蒂：验证、监督、方法论、调查、概念化。穆罕默德·阿尔马乌杜迪·普卢ungan：验证、监督
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本工作得到了台湾大学系统项目的支持，项目编号为NTUST-114A50098
