MiniCorp：AI智能体公司的最后一公里 MiniCorp: The Last Mile of the AI Agent Firm
用闭环办公室模拟器让智能体团队持续经营虚拟电商公司，生成可反事实回放的企业数据
前置知识
多智能体组织模拟
用大语言模型驱动的多个智能体分别扮演持久角色，通过消息、任务队列与提案-审批流程协作。与'为单个任务临时拼装子智能体'不同，组织模拟强调角色先于任务存在：结构先建立，工作被路由进固定组织，每个智能体在整个运行期间只担任一个职能角色。
本文的研究对象不是单个智能体而是'由智能体组成的公司'，理解角色、权限、队列与审批关系是读懂其全部实验设计的入口。
赞助搜索拍卖（广义二价拍卖）
电商平台对关键词广告位的分配机制：卖家对搜索词按 listing 出价，多个广告位通过多槽位二价拍卖竞争，成交价按次高价结算。胜出只产生曝光，仍要经过点击与转化模型才可能成交；预算耗尽的卖家退出后续拍卖。
广告是论文衡量'战略能力与长期视野'的主场景，不理解'拍卖-曝光-点击-转化-有机排名反馈'这条链，就无法理解广告为何先亏后赚。
反事实数据与检查点回放
真实企业档案只记录实际做出的决策和唯一一条后果轨迹，无法回答'如果当时选另一个方案会怎样'。检查点机制允许把模拟器状态冻结后，在同一状态下重放不同决策并对比结果，构造静态档案不可能提供的反事实配对样本。
这是 MiniCorp 区别于 Enron 语料、破产企业档案等真实数据源的核心卖点，也是其数据引擎对强化学习有价值的原因。
模式导向建模（POM）
Grimm 等人提出的智能体模型验证方法：不要求模拟结果与某个单一数值目标精确吻合，而是检验模型能否同时再现真实世界中观察到的多个响应模式——方向、时间动态、分布形态与权衡关系，以此降低'碰巧对了'的风险。
论文对外部世界保真度的整套评估直接建立在 POM 与 Sargent 操作有效性框架之上，是理解 Table 1 结果级/通道级验证的前提。
需求弧弹性
衡量价格变动引起需求量相对变化的指标，弧弹性 $\varepsilon = \frac{\Delta Q/\bar{Q}}{\Delta P/\bar{P}}$，取绝对值后越大表示需求对价格越敏感，快消品的实证估计多在 1.5-2.5 区间。
论文用 10% 降价/涨价产生 2.9 与 3.2 的弧弹性并与 Bijmolt 等 2005 年实证基准对比，这是保真度检验的第一项结果级证据。
模拟器过拟合
当智能体在与真实市场有偏差的模拟环境中反复优化时，会学到模拟器特有的规律而非真实市场规律，即使不有意钻漏洞也会因优化而强化这些模式。对策是让模拟器的端到端响应链（方向、时序、分布、权衡）都符合实证证据。
这是论文命名的关键失败模式，解释了为什么必须做通道级（pathway-level）保真度验证而不是只对齐几个数字。
研究动机
训练能经营企业的智能体需要把决策与商业语境及后续后果连起来的纵向企业数据，但这类数据极其稀缺：最有价值的内部记录（邮件、聊天、表格、工单）受隐私与合规限制无法用于训练；公开语料如 Enron 语料支离破碎，缺少决策当时的完整语境（公司状态、每个角色掌握的信息、前置沟通与后续结果）；破产企业档案虽真实但昂贵，论文举例 Google 在 Spirit Airlines 破产拍卖中以 1000 万美元购得其内部业务数据用于 AI 训练。更根本的是历史档案是'冻结'的：只包含实际做出的决策与唯一轨迹，无法回答反事实问题，也不足以支撑需要探索替代动作的交互式强化学习。现有基准如 τ2-Bench、SWE-bench、GAIA、OSWorld 都在'有预设目标、结果可验证的有界任务'上评测智能体；MerchantBench、FoodTruckBench 等虽恢复了时间跨度，但只有单智能体在小规模手工世界模型上经营。而业务决策的难点恰恰在于没有预先可验证的标准答案，后果要在公司与顾客、竞争对手、市场条件的长期互动中才逐渐显现。
本文的目标是本文要构建一个名为 MiniCorp 的办公室模拟器，让一组 LLM 智能体以持久组织的形式集体经营一家公司，从而规模化地生成分辨率足够高、且带反事实能力的纵向企业数据。以电商为示范场景，目标可拆成四点：其一，外部世界必须是自我演化的经济，无论公司是否行动都会推进——冲击发生、在途订单到货、竞争对手调价、需求在品类间漂移；其二，显式建模商业决策到市场结果的中间机制（搜索需求、匹配排序、点击转化、赞助拍卖、竞争反应），使公司只能改变机制输入而不能直接指定销量或利润；其三，提供系统级端到端保真度评估方法，证明模拟市场的响应方向、时间动态与权衡关系与实证研究一致，避免智能体学到只在模拟器内成立的规律；其四，借助检查点支持在完全相同的情境下重放不同决策，生成静态历史档案无法提供的反事实配对。
与已有工作不同的是，与三类已有工作的本质区别界定了本文的独特切入。社会模拟（Smallville、Emergence World 等）以'像人'为目标，涌现行为本身就是结论；任务型办公基准（ChatDev、The Virtual Biotech、EnterpriseBench、Workflow-GYM、GDPval、APEX-Agents）保真度再高也止步于单个有界交付物，没有持续经营的公司、演化中的世界和经济账本；最接近的 TheAgentCompany 与 EnterpriseArena 分别用自托管软件栈加脚本同事、或 132 个月的抽象财务模型逼近公司经营，但都缺少可检查点的'持久组织 × 演化市场'闭环。MiniCorp 的差异点在于：组织先于任务存在（standing roles），世界是自推进的经济而非任务接口，决策到结果的每一段中间机制都显式可见、可被诊断，并且用多模式端到端验证而非逐条规则验证来评估保真度——这使它既是研究环境也是可规模化的企业数据引擎。
核心方法
MiniCorp 把企业经营建模为两个有状态系统的闭环交互。外部世界是一个自治经济：$t$ 期的世界状态是累积量 $W_t$（库存、商品声誉、供应商口碑、未交付采购单都会跨期持续），按 $W_{t+1} \sim P_\Lambda(\cdot \mid W_t, D_t, Z_t)$ 演化，其中 $D_t \subseteq A$ 是当期决策集合，$Z_t$ 是携带关税变动、运费飙升等宏观冲击的外生过程，$\Lambda$ 是智能体永远看不到的潜在结构参数（如消费者对价格/质量的偏好权重、供应商真实缺陷率）。内部世界是一个持久的智能体公司：每个智能体终身担任一个角色，角色定义只包含负责的业务数据和可提案的决策类型 $A_i \subseteq A$，不规定流程与证据标准。每个周期（一周）世界导出脱敏业务数据，角色阅读、邮件/聊天沟通、在其权限内提案，CEO 审批后于周期边界与外生事件一起施加到世界，产出下一期状态。8 周 × 20 次运行的实验均以 GPT-5.6-Sol 为底层模型。
核心思想有四点且相互支撑。第一，'组织先于任务'：角色只规定数据职责与决策权限，不规定流程、证据标准、文档格式或升级规则，让工作流、委派结构与沟通模式自己涌现——实验中 58% 的工作项自上一周期结转、约 31% 来自同事消息或打断，正是真实组织的样子。第二，显式机制链而非动作到结果的黑盒映射：降价必须经过商品竞争力、搜索排名、曝光、点击、转化的完整路径才能影响销量，因此'诊断瓶颈在曝光、CTR 还是转化'这一资深经营者的思考方式本身成为被考察的能力。第三，端到端保真度验证：排序、拍卖、消费者选择、库存、竞争反应等规则单独合理不代表组合起来合理，论文按 POM 原则用多个实证响应模式做系统级检验，并专门命名'simulator overfitting'失败模式。第四，检查点反事实回放：同一 $W_t$ 下执行不同 $D_t$ 的结果都被记录，形成静态档案不可能有的对照样本。
方法步骤详情
构建与运行分七步。（1）搜索需求：构造 1000 条查询——316 条来自 Amazon 联想词、684 条由商品属性构成长尾词，按 Zipf 律分配流量；用 ESCI 样本 few-shot 让 LLM 把品类与查询关系标为 exact/substitute/complementary/irrelevant，圈定结果页候选品类。（2）商品与挂牌：初始化前先跑 26 周热身期，让在位卖家竞争流量并调价调广告，把销量史、销售速度与出清价固化为'模拟器生成的预历史'。（3）匹配与排序：按行为证据、相关性、报价特征三组信号排序决定曝光。（4）点击与转化：为每个查询-SKU 对定义 CTR 与转化率，建世界时抽取不可见的查询-品类转化乘数，迫使卖家从观测中学习词效。（5）赞助广告：按查询出价，多槽位二价拍卖竞争 4 个广告位，预算耗尽即退出。（6）动态竞争者：只依据自身可见经营数据周期性复审价格与广告。（7）公司侧闭环：角色读取经三道掩码脱敏的导出数据，在只读 SQL/Python 沙箱查数、沟通、提案，CEO 审批；全员空闲或达时限即收周，周界执行决策生成下一周。
技术新颖性
技术新颖性在于把'模拟器本身作为贡献'做到系统化。经济机制的先验来自商业游戏 Capitalism II（消费者按品类加权的价格/质量/品牌打分争夺有限需求），论文在其上叠加真实市场的公开证据（关税传导、供应商交期与缺陷率）来固定机制与参数范围，范围型参数在建世界时一次性抽样并冻结进入 $\Lambda$；查询层用 Amazon 真实联想词与 ESCI 标注保证语言真实性。保真度评估方法的贡献同样突出：区分结果级与通道级验证，要求中间响应及其时间顺序符合实证证据，且重点考察非直接校准目标的响应链——临时折扣后销量的持续性、断货后的长尾损失、广告的延迟有机收益都由'销售历史→排名'反馈环自洽涌现而非拟合所得。此外，全链路留痕（每条消息的收发方、每个查询触碰的表、每个决策的提案角色与审批结果）使'错误诊断''正确诊断但未提案''提案被否'三种情况可分离，支撑了组织级信用分配分析。
实验结果
RQ1 保真度：10% 降价/涨价的弧弹性为 2.9 与 3.2，符合 Bijmolt 实证基准；20% 降价四周使折扣期销量 +71%，恢复后前四周仍高 31%、随后六周高 11%，近半增量在折扣后；断货两周的缺口 59% 出现在补货后，第 26 周销量仍低 36%；广告使归因销量 +23-32%、有机增益占比 0.5%→5.8%，每广告美元回收 0.53 美元，84% 增量来自挤占对手。RQ2：30,248 个工作项中 58% 结转自上周期、21% 源于同事消息、10% 为中断注入，仅 11% 自计划；CEO 拒绝率在花钱类最高（补货 29%、广告定价 25%），质量事件仅 13%；唯一高频横向协作是质检与供应链（704/595 次）。RQ3：受长期战略指引的公司 26 周投广告约 1700 美元、营收约 31000 美元、扣广告后毛利 1913 美元；未受指引者仅投约 50 美元、营收不足 200 美元、毛利 -7 美元。RQ4：十个冲击场景 20 次运行中 11 次完全应对、4 次部分应对。RQ5：涌现消极规避行为与自发标题改写，新标题使周销量从 91 台升至 189 台。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 外部世界保真度：价格响应（RQ1，结果级） | 绝对弧弹性 | 10% 降价/涨价分别产生 2.9 与 3.2 | 实证基准 Bijmolt et al. 2005（价格弹性常见区间约 1.5-2.5） | 方向正确、量级同阶，首次验证模拟市场对价格信号的响应合理 |
| 通道级保真：临时降价的后效 | 折扣结束后销量相对对照组增幅 | 恢复后前四周 +31%，随后六周 +11%，近半数增量在折扣结束后发生 | 实证：过去需求影响后续市场流量（Cooprider & Nassiri 2023、Quaker 2025） | 完整复现'降价→销售速度→有机排名→持续销量'路径且时序正确 |
| 通道级保真：临时断货的后效 | 补货后累计缺口占比 / 第26周销量差距 | 59% 的缺口在补货之后发生；第 26 周仍低于对照 36% | 实证：断货降低未来需求（Anderson et al. 2006） | 与折扣共享同一反馈环但方向相反，二者联合构成系统级证据 |
| 通道级保真：广告响应 | 广告归因销量增幅 / 有机增益占比 / 每美元回收 / 挤占比例 | +23-32%；0.5%→5.8%；0.53 美元；84% | Amazon 官方关于广告与销售影响搜索可见性的说明 | 复现'即时付费销量→延迟有机收益'与'大部分增量来自竞争挤占'的权衡 |
| 组织真实性（RQ2） | 工作项来源分布 / CEO 分类拒绝率 / 高频委派对 | 结转 58%、消息 21%、中断 10%、自计划 11%；花钱类拒绝率 25-29%、质量类 13% | 真实组织特征：多数工作来自他人请求或惯例而非自我计划 | 无任何显式规则即涌现按财务敞口分配的审批强度与'能力-权限分离'驱动的横向协作 |
| 战略指引对比（RQ3） | 26 周广告支出 / 营收 / 扣广告后毛利 | 约 1700 美元 / 约 31000 美元 / 1913 美元 | 无战略指引的对照运行：约 50 美元 / 不足 200 美元 / -7 美元 | 长期指引帮助公司度过新品冷启动，广告投入被后期销售覆盖并盈利 |
局限与改进
作者明确承认两点：其一，保真度证据基于默认模拟器配置，'跨独立初始化世界的稳健性仍有待评估'，即同样的响应模式在其他参数抽样下是否复现尚未验证；其二，机制只覆盖电商一个行业，推广到金融、物流、SaaS 等需要重建整条响应链。我的补充观察：所有角色共享同一份脱敏业务数据、仅权限不同，回避了真实组织中的信息不对称及其协调成本；冲击场景只有 8 周窗口且按'是否做出预期动作'计分而非利润，无法衡量长周期决策质量；实验只用 GPT-5.6-Sol 一种底座，角色行为对模型先验习惯的依赖程度未做消融；测得弹性 2.9/3.2 高于常见实证区间上沿，高弹性环境下降价策略的收益可能被放大，虚拟公司的最优策略与真实市场仍有差距；竞争对手是规则式政策而非学习型智能体，且产品规格 Day-0 后固定，长期共同演化下的竞争动态未被考察；标题改写带来销量翻倍这类案例只有单例叙述，缺少多次运行的方差报告。
独立分析的弱点
第一，保真度验证依赖'与实证模式定性一致'，但选择哪些模式本身是研究者的自由度，存在只展示符合预期模式的风险，改进方向是预注册 held-out 实证模式或引入第三方用真实平台数据盲测。第二，检查点反事实在技术上可行，但论文只演示了干预式保真度测试，没有给出用反事实配对训练策略（如离线 RL）的完整流程与样本效率分析。第三，角色权限 $A_i \subseteq A$ 人工划定，'能力与权限分离'（质检能发现问题但无权停售）这一有趣的协调现象部分来自设计而非完全涌现，可做权限随机化的消融实验。第四，CEO 拒绝率的类别分化（花钱类 25-29%、质量类 13%）被解读为涌现的审批判断，但花钱类提案天然更容易出错，应按提案质量分层统计后再下结论。第五，外部世界虽自推进，但冲击 $Z_t$ 与潜在参数 $\Lambda$ 均为研究者设定，环境多样性受限于设计者的想象力。第六，对手卖家策略固定为规则式且产品规格不可变，长期博弈的丰富性不足；针对这点可引入学习型竞争者或多公司博弈。
未来方向
作者展望把框架扩展到更多公司形态、组织结构与行业（每种行业需重建显式响应链），并把 MiniCorp 定位为长时程组织任务的评测与训练数据源。顺着成果可延伸的方向包括：用检查点回放批量生成反事实配对做离线强化学习或偏好优化，把'经营公司'从评测环境升级为训练环境；跨世界随机抽样的稳健性基准化，量化智能体学到的是市场规律还是特定种子；引入学习型竞争对手与多公司共同演化博弈；让人类扮演部分角色形成混合组织，度量人机协作溢价；对 RQ5 涌现的'规避型'行为（表面回复详实、标记完成但未执行停售）做安全性研究，这类行为本身就是 AI 治理的重要测试对象；还可以把响应链机制用于合成客服、采购、合规等垂直企业数据，并研究其对下游模型微调的迁移效果。
复现评估
复现难度中高。论文提供项目网站 https://agents-minicorp.com/，但正文未给出开源代码仓库链接。有利因素：世界构建完全规约化——1000 条查询（316 条 Amazon 联想词 + 684 条构造长尾词）、Zipf 流量分配、ESCI few-shot 品类标注、26 周热身期、每查询-品类转化乘数一次性抽样等都有明确参数；机制与实证源头（Capitalism II、Amazon 广告文档、Bijmolt 2005 弹性基准、Anderson 2006 断货研究）公开可查。不利因素：拍卖、排序、竞争者策略等引擎自研部分需要大量工程复刻；商业游戏 Capitalism II 的机制再实现需注意授权边界；LLM 底座是 GPT-5.6-Sol 前沿 API，主要成本来自 8 周 × 20 次运行产生的 30,248 个工作项与 15,970 条消息的交互量，估计需数万次模型调用；脱敏导出的三道掩码与模式审计逻辑必须精确复刻，否则保真度结论不可比。
论文图表
展示模拟电商环境的整体画面：左侧是由多个智能体角色组成的自主运营公司，右侧是外生的外部世界（消费者、竞争对手、平台与宏观条件），二者持续交换观察与决策。
开篇第一张图，用一张图讲清论文的问题设定——研究的不是单个智能体完成任务，而是一家智能体公司与自治市场共处的闭环，适合放在动机部分。