EconLab 实验设计台

c-ABM · 异质 LLM 主体 · 可插拔经济沙盘

LLM 模式把主体定义交给「模型分组」:先探测后端真实可用的模型与思考档位,再按(记忆窗口 × 思考强度)给每组分配 agent 数量。

30 秒上手 四步走:选场景 → 调参数与主体 → 设处理组 → 校验 / 估算 / 运行
  1. 选场景5 个场景对应不同经济机制;卡片上的标签表示复杂度层级(个体决策 / 市场机制 / 制度宏观)。
  2. 调参数与主体场景参数决定世界规则,主体决定异质性;每项都有中文说明与默认值。
  3. 设处理组每个 variant 是一次配置改写,variant × seed = 一个 run。
  4. 校验 / 估算 / 运行校验走真实内核;先估算成本,再提交后台任务,右侧队列可看进度。

实验与场景

先选一个场景作为起点,再调整实验规模与场景参数。

常用场景

点卡片即切换;其余场景收在下面,可按复杂度层级筛选。
全部场景 — 搜索,或按复杂度层级浏览

实验基础设置

这些字段写进每一次 run 的元数据。

用于 run_id 与产物目录,建议英文 / 数字 / 下划线。
写进配置与自动报告,方便日后回溯设计意图。
每个 run 内主体重复交互的轮数。
建议 ≥5 个种子;单 seed 的差异不是机制证据。
控制 LLM 主体能否使用一般经济知识(处理 LLM 先验的手段)。

场景参数

参数决定世界规则。每项显示中文名、键名、单位、默认值与影响说明。

主体与异质性

四条异质性轴:存在性、认知、记忆、配置。

存在性

count 数量与 enabled 开关;count=0 或关闭 = 该主体不存在。

认知

policy.kind:zero 零智能 / rule 规则 / llm 语言模型 / mechanism 市场机制。

记忆

memory.kind 决定历史如何进入 prompt;probe 是记忆探针,用于做 falsification(证伪)检验。

配置

persona / params 的 JSON 直接进入角色 prompt,是异质性的主要来源。

处理组与扫描

用 overrides 做处理组,或用扫描生成器批量生成。

每 variant × seed = 一个 run。 overrides 会深合并到基础配置;如果 overrides 里改 agents,必须给出完整 agents 列表(深度合并对数组是替换)。

笛卡尔扫描生成器

对一个参数路径按逗号取值,生成多个 variant(会替换当前 variants)。

如 scenario.params.tax_rate 或 experiment.knowledge。
数字 / true / false / 字符串均可。

模型、预算与运行

模型只影响 policy.kind = llm 的主体;mock 不花钱。

模型

真实实验用 minimax;mock 用于离线跑通管线,不是 LLM 证据。

真实实验在这里选择 minimax;API key 在下方由本页输入,不读取服务器环境默认值。
minimax 使用的模型 id。
仅保存在本页内存与任务线程中;不写入 job.json / config.yaml / artifacts / 日志,也不使用服务器环境变量作为默认值。刷新页面或关闭服务后需要重新输入。
越高越发散;处理组之间应保持一致。
每次 LLM 调用的输出上限。
高级模型参数(base_url、并发、重试)
0 表示不启用工具调用循环。

预算与熔断

任一触顶 → BudgetExceeded,任务失败,不会静默继续烧钱。

美元;超出后停止调用。
LLM 调用次数上限。
累计 token 上限。