Resumen: La inicialización de agentes de alta fidelidad es crucial para un modelado basado en agentes creíble en diversos dominios. Un marco sólido debe ser adaptable al tema, capturando distribuciones conjuntas a nivel macro y al mismo tiempo garantizando la racionalidad individual a nivel micro. Los enfoques existentes se dividen en dos categorías: métodos estáticos de recuperación basados en datos que no se adaptan a temas invisibles y ausentes de los datos, y métodos de generación basados en LLM que carecen de conciencia de distribución a nivel macro, lo que resulta en inconsistencias entre los atributos de la persona a nivel micro y la realidad. Para abordar estos problemas, proponemos HAG, un marco de generación de agentes jerárquicos que formaliza la generación de población como un proceso de decisión de dos etapas. En primer lugar, utilizar un modelo de conocimiento mundial para inferir probabilidades condicionales jerárquicas para construir el árbol adaptativo al tema, logrando una alineación de distribución a nivel macro. Luego, se llevan a cabo datos fundamentados del mundo real, creación de instancias y aumento de agentes para garantizar la coherencia a nivel micro. Dada la falta de evaluación especializada, establecemos un punto de referencia multidominio y un marco de evaluación PACE integral. Amplios experimentos muestran que HAG supera significativamente las líneas de base representativas, reduciendo los errores de alineación de la población en un promedio del 37,7% y mejorando la coherencia sociológica en un 18,8%.
Publicado originalmente en export.arxiv.org el 11 de enero de 2026.
Ver fuente original
