- 识别研究环境、主体表示、求解方法和验证证据
- 区分RL最优化主体与LLM情境化主体
- 按单主体、多主体和分层政策问题选择算法
- 建立可复现的多层验证与误差归因
四个环节构成一个反馈闭环
经济建模决定主体、资源、制度和交互边界；智能体建模把经济角色转化为观测、行动、目标与内部状态；算法求解产生策略或行为；分析与验证再判断结果是否满足经济约束并对应现实证据。
验证失败可能来自环境、主体表示或训练过程，因此研究流程必须允许返回前序环节，而不是一次性的算法流水线。
Step 1：构建经济环境
简化环境适合隔离机制和验证算法；理论校准环境把成熟经济模型转化为可交互系统；通用平台则通过角色、任务和算法接口支持多领域组合。
无论复杂度如何，研究者都应明确状态、行动、转移、资源约束、市场机制和制度规则。环境越通用，模块组合后的经济一致性越需要单独验证。
Step 2：把经济角色转化为计算主体
主体表示至少包括观测、行动、目标、约束与信息结构。对于RL主体，奖励函数决定优化方向；对于LLM主体，画像、记忆、感知和行动接口决定情境化行为。
同一经济模型可以有多种主体编码方式。状态是否充分、动作如何离散化、预算约束如何执行，都会改变训练难度和结果的经济含义。
RL与LLM是两种不同的主体假设
RL主体通过环境反馈优化研究者给定的奖励，适合序贯决策和策略搜索；LLM主体利用预训练知识、画像与记忆生成行动，适合表达语言化情境和异质性。
RL策略接近最优不代表像真实人类；LLM输出像人也不代表满足经济最优、预算约束或跨期稳定。二者需要不同验证标准，也可以在同一系统中承担不同角色。
Step 3：按互动结构选择求解方法
单主体问题可与解析解或高精度数值解比较；多主体共同学习会使每个主体面对的环境不断变化，产生非平稳性；税收、货币与养老金等政策问题还包含制定者与响应者的层级关系。
均值场、参数共享和集中训练分散执行能够扩大规模，Stackelberg结构能够表达政策领导者与微观响应者，但这些近似会改变独立性、异质性或策略空间。
仿真容量、训练规模和策略多样性要分开报告
环境能够运行十万主体，并不表示学习算法能为十万主体稳定训练彼此独立的策略。大规模研究应分别说明环境仿真容量、实际参与训练的主体数量、共享参数方式和有效策略多样性。
训练奖励收敛也不自动等于纳什均衡、竞争均衡或社会福利改善；必须检查与研究结论相对应的经济条件。
Step 4：建立多层验证
微观层比较选择、弹性、跨期响应与群体分布；宏观层比较时间序列、横截面分布与典型事实；政策层比较主体对规则变化的内生响应；样本外层覆盖新时期、新制度和压力情景。
单一总体指标拟合良好不能识别唯一机制。可信度来自多层证据、替代模型比较、消融实验、敏感性分析与不确定性报告。
一项可复现研究至少应报告什么
研究者应把经济结构和算法实现分开说明，并保留足以重建结果的模型、数据与训练信息。平台化研究尤其需要统一接口和配置，但不能用统一API掩盖任务之间的经济差异。
- 经济模型、制度规则、校准目标与数据时间范围
- 主体观测、行动、奖励或提示、记忆与约束执行方式
- 算法、随机种子、训练规模、收敛标准和计算预算
- 基线、经济约束残差、多层验证、失败情景与不确定性
核心阅读
按“奠基方法、代表性应用、验证框架或前沿基础设施”筛选；每篇论文都与本研究板块的核心问题直接对应。
The AI Economist: Taxation policy design via two-level deep multiagent reinforcement learning
Science Advances
论文提出两层深度多智能体强化学习框架：经济主体与社会规划者共同适应，前者学习劳动和交易行为，后者学习税收政策，并用课程学习稳定这一双层优化。在一步经济中，模型能够恢复理论最优税制；在时空经济中，相较基准方法提高了功利主义福利以及公平—生产率权衡。结果同时出现劳动专业化、行为变化和避税策略，说明政策优化必须内生考虑主体对制度的策略性响应。
Artificial Intelligence, Algorithmic Pricing, and Collusion
American Economic Review
论文研究独立运行的Q-learning定价算法在重复寡头竞争中会形成怎样的市场结果。实验发现，即使算法之间没有直接沟通，它们仍会稳定学习到高于竞争水平的价格；这一结果由有限期惩罚和随后逐步恢复合作的策略维持。结论对成本或需求不对称、参与者数量变化及多种不确定性设定均较稳健，表明算法自主学习本身可能产生具有合谋效果的动态互动。
论文针对政府与大量自利家庭之间的动态税收博弈，构建基于Bewley–Aiyagari框架的多智能体强化学习环境TaxAI。模拟器同时包含家庭、政府、企业和金融中介，并用真实数据校准；作者在统一环境中比较两种传统经济方法和七种MARL方法。实验报告MARL在基准任务上整体优于传统方法，系统可扩展至一万户家庭，为税收政策学习提供了更大规模、可复现的算法比较平台。
论文针对传统ABM难以灵活刻画主体异质性和多期宏观信息的问题，提出由大语言模型驱动的EconAgent。感知模块为主体配置不同特征与决策机制，记忆模块让其结合个人历史和市场趋势反思，再在劳动与消费环境中形成选择。模拟结果显示，相较规则型和神经网络型基准，EconAgent产生的个体决策更接近现实，并形成更合理的宏观现象，为自然语言智能体进入自下而上宏观仿真提供了初步证据。
论文提出模块化经济AI测试平台EconGym，用统一接口连接经济任务、主体角色和求解算法。平台实现家庭、企业、银行、政府等11类异质角色及其交互，可组合出25项以上跨领域任务，并支持传统经济方法、AI方法及其混合方案。实验覆盖财政、养老金和货币政策协同，显示更丰富的任务与算法会扩展政策空间，经典经济方法引导的AI主体在复杂场景中表现最佳；系统还可扩展到一万名主体。
Empirical Validation of Agent-Based Models: Alternatives and Prospects
Journal of Artificial Societies and Social Simulation
论文聚焦基于智能体经济模型如何接受经验验证这一方法论难题。作者首先提出一套分类框架，刻画不同ABM在验证目标、数据和模型选择等维度上的差异；随后比较间接校准、Werker–Brenner方法和历史友好方法三条验证路径。文章没有宣称存在统一最佳方案，而是梳理各路径的适用方式与尚未解决的问题，把验证从单一宏观拟合提升为贯穿模型构建的系统任务。