你有沒有想過，如果能在真實推出營銷活動之前，先在一個虛擬世界里測試效果會怎樣?論文做到了這一點——他們用大語言模型(LLM)創建了一個虛擬小鎮，讓大模型"居民"們像真人一樣生活、社交和消費。

圖片

為什么需要虛擬消費者?：傳統的營銷決策充滿不確定性。企業通常依賴銷售數據分析、問卷調查或A/B測試來評估促銷效果，但這些方法有個共同的問題:結果都是在活動執行之后才能看到。如果策略失敗了，企業已經付出了真金白銀的代價。

過去研究者嘗試用"基于規則的代理模型"來模擬消費者，但這些模型就像按照固定劇本演戲的機器人，無法捕捉人類行為的復雜性——比如社交影響、習慣養成、口碑傳播等等。

圖片

一個會"生活"的虛擬小鎮：論文構建了一個為期一周的虛擬小鎮實驗。小鎮里有11個大模型居民和10個地點(住宅、餐廳、咖啡店、工作場所等)。這些大模型居民不是簡單的程序，而是由DeepSeek-V3大語言模型驅動的"智能體"，他們能夠:

?規劃日程:每天安排工作、休息、用餐

?管理資源:跟蹤自己的金錢、食物庫存和體力

?社交互動:主動約朋友見面、聊天、記住對話內容

?做出購買決策:根據預算、需求和促銷信息選擇在哪里吃飯

最關鍵的是，這些行為都不是預先編程的，而是大模型根據情境自主產生的。

圖片

一場20%折扣實驗：論文在小鎮的"炸雞店"設置了一個周中20%的折扣活動，而其他餐廳保持正常定價。然后觀察這些大模型居民會如何反應。

結果令人驚訝地真實:

?營收暴漲51%:折扣日(第3天)炸雞店營收從100.6美元跳升到152.11美元，盡管價格降低了20%

?市場份額重新分配:炸雞店份額從30%增至41%，而"本地餐廳"從62%降至48%

?咖啡店穩如泰山:全程保持30-40美元的日營收，說明它服務的是不同的客戶群體

?效果持續2-3天:促銷影響在第4天后開始減弱

更有意思的是，銷售高峰出現在第3天而非第2天(折扣首日)，這反映了信息在社交網絡中的逐漸擴散——就像真實世界一樣，不是所有人都會立即知道促銷信息。

意外的發現:大模型也會"組局"：除了購買行為，研究還觀察到了未經編程的社交協調模式。

一個典型案例是:大模型居民David邀請妻子Lisa去咖啡店吃早餐，Lisa隨后又分別邀請了Sophie、Rebecca、Alex和Maria。有人爽快答應("算我一個!")，有人建議晚點見("好的!待會兒見")，展現出多樣但真實的社交反應。

圖片

這種"多人約飯"的模式完全是自發形成的，體現了口碑傳播和社交影響如何在消費決策中發揮作用——這正是傳統模型難以模擬的復雜動態。

忠誠度與習慣養成：通過追蹤每個大模型居民的選擇，研究者發現了明顯的忠誠度模式:

?某些居民(Kevin、Rebecca、Sophie)在折扣期間連續光顧炸雞店，表現出促銷驅動的習慣養成

?本地餐廳在沒有任何促銷的情況下，吸引了更廣泛的重復客戶，成為許多人的"默認選擇"

?不同大模型居民展現出探索型、習慣型和多樣化尋求型等不同的消費策略

這些行為的自然涌現(而非固定規則)證明了LLM能夠復制真實的消費者決策心理。

局限性:大模型還是替換不了人：論文也坦誠指出了系統的不足:

?LLM有時會"幻覺":盡管提供了詳細的地點列表，大模型偶爾還是會編造不存在的餐廳

?年齡刻畫不準:7歲兒童會表現得像成年人(比如累了要喝咖啡)，老年人也缺乏年齡特有的行為特征

?執行敏感性:大模型可能混淆"吃早餐"和"喝咖啡"，導致能量補充不足

這項研究展示了LLM驅動的多智能體系統在營銷策略預測試方面的巨大潛力。它不僅能模擬預期效果(如折扣帶來的銷量提升)，還能揭示意外的社交動態和消費習慣形成。

論文標題：LLM-Based Multi-Agent System for Simulating and Analyzing Marketing and Consumer Behavior

論文鏈接：???https://arxiv.org/abs/2510.18155??

本文轉載自??AI帝國??，作者：無影寺