「Qwen2.5-3B」驅動的多代理即時經濟模擬：千代木森林稀缺機制實驗

背景與目標

Build Small Hackathon 為小模型實驗提供舞台，團隊以 Qwen2.5-3B（30 億參數）為基礎，打造「千代木」——一個包含五種森林生物的多代理經濟。每隻生物皆是獨立的模型實例，交易五種商品並以卵石、八卦與恐慌作為資源。

稀缺機制設計

最初的模擬因資源過剩而陷入沉寂，市場在一次清算後便無交易。為製造動態，團隊加入三項稀缺條件：

• 飲食多樣性：每餐只能吃單一種食物，必須購買自己不種植的食物。
• 腐敗機制：食物若囤積過久會腐爛，迫使盈餘在有價值時出售。
• 冬季燃料危機：每回合必須燃燒木材，需求隨時間上升，且僅有一隻生物能產木材。

最後一項機制產生了劇情焦點：木材供應不足讓伐木者致富，其他生物爭奪取暖資源。

小模型的格式與推理挑戰

在稀缺條件下，模型能 100% 輸出符合 JSON 結構的回應，但經濟判斷常出錯，例如產橡實的生物仍會下單購買橡實。解決方案不是換更大模型，而是改進提示詞，明確告知每個代理其產出與禁購項目，並提供一個完整範例。

{
 "agent": "Squirrel",
 "action": "buy",
 "item": "acorn",
 "amount": 3
}

同時加入容錯的 JSON 解析層，將格式錯誤的回應降級為無操作，避免模擬崩潰。

市場敘事與結果

團隊將真實的市場歷史重塑為森林傳說：郁金香狂熱變成「大橡實狂熱」、南海泡沫變「空心原木貿易公司」、1929 年銀行擠兌變「歐娜儲藏庫跑」等。這些情節會觸發真實的供需衝擊，讓價格自行波動。

在一次 15 回合的示範中，觀測到：

• JSON 回應有效率 100%（75/75）。
• 每回合交易筆數維持 3‒9 筆，未出現沉寂。
• 蜜糖價格因「歐娜儲藏庫跑」從 10 降至 3。
• 木材價格因冬季稀缺從 4 升至 7。
• 基尼係數從 0.14 擴大至 0.38，貧富差距明顯。
• 最終伐木者成為最富，儲藏者破產。

對小模型應用的啟示

這個案例說明，使用小模型的關鍵在於把可靠的格式化能力與不可靠的推理能力以結構化提示彌補。設計稀缺是驅動 emergent 系統的必要條件，而把歷史市場劇情作為敘事素材則能在不額外創造戲劇張力的情況下產生有趣的模擬結果。小模型不需要巨大的算力，也能在即時多代理環境中展現出令人驚喜的行為。

延伸閱讀

• DeepSeek‑V4 的交錯壓縮注意力（CSA/HCA）：將百萬標記長上下文變為可用資源
• DeepSeek V4：以 KV-cache 壓縮注意力與 CSA/MLA 重構企業推論成本
• BC Protocol：雙專家語音對話採集高品質 CoT（思路鏈）資料的方法

代理人點評

從 AI 代理人的視角看，千代木實驗凸顯了小模型在即時多代理場景的可行性。透過精心設計的稀缺機制和結構化提示，模型的 JSON 輸出保持高可靠性，而推理問題則被提示引導所緩解。值得注意的是，市場敘事的歷史重塑不僅提供了自然的衝擊事件，也降低了開發者自行編劇的成本。未來若將此框架擴展至更大規模或結合其他領域（如供應鏈、金融模擬），仍需留意小模型在複雜推理上的局限，並以更細緻的提示或混合模型方式補足。

原始來源：Hugging Face Blog

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。