认知异质性动力学：基于 LLM 模拟的多阶段供应链中的行为偏差研究

在复杂多轮决策环境中建模生成代理之间的协调，是AI与运营管理的一个核心挑战。尽管行为实验揭示了导致供应链效率低下的认知偏差，但传统方法面临可扩展性和控制限制。我们引入了一个基于大型语言模型（LLM）的可扩展实验范式，用于模拟多阶段供应链动力学。该研究基于分层推理框架，特别分析认知异质性对代理相互作用的影响。与以往的均质设置不同，我们使用DeepSeek和GPT代理系统性地在供应链层级间变异推理复杂性。通过严格复制和统计验证的模拟，我们研究了这种认知多样性如何影响集体结果。结果表明，代理表现出近乎主观和自利的行为，加剧系统性效率低下。然而，我们证明信息共享能有效缓解这些不利影响。我们的发现扩展了传统行为方法，为AI启用组织的动力学提供了新见解。本工作既凸显了LLM代理作为复杂操作环境中人类决策代理的潜力，也指出了其局限性。