Resumen: El estudio de los comportamientos emergentes en sistemas de múltiples agentes de modelo de lenguaje grande (LLM) es un desafío de investigación crítico, pero el progreso está limitado por la falta de metodologías de principios para la experimentación controlada. Para abordar esto, presentamos Shachi, una metodología formal y un marco modular que descompone la política de un agente en los componentes cognitivos centrales: configuración para rasgos intrínsecos, memoria para la persistencia contextual y las herramientas para capacidades expandidas, todo orquestado por un motor de razonamiento LLM. Esta arquitectura de principios se mueve más allá de los diseños de agentes ad-hoc y permite el análisis sistemático de cómo las opciones arquitectónicas específicas influyen en el comportamiento colectivo. Validamos nuestra metodología en un punto de referencia integral de 10 tareas y demostramos su poder a través de nuevas consultas científicas. Críticamente, establecemos la validez externa de nuestro enfoque modelando un choque arancelario de EE. UU. Real en el mundo, que demuestra que los comportamientos de los agentes se alinean con las reacciones de mercado observadas solo cuando su arquitectura cognitiva se configura adecuadamente con la memoria y las herramientas. Nuestro trabajo proporciona una base rigurosa y de código abierto para construir y evaluar agentes de LLM, destinados a fomentar una investigación más acumulativa y científicamente fundada.
Publicado Originalme en export.arxiv.org El 28 de septiembre de 2025.
Ver Fuente Original
