在城市多模态出行的代理仿真中，传统做法让代理人（即模拟的居民）通过离散选择模型、基于结构化出行调查数据的机器学习模型，或专家手写规则来决定出行方式。这类方法在建模前就固定了代理人的行为空间，导致未在变量或规则中出现的因素无法影响决策。实际出行模式选择是一个多维决策过程，客观因素与主观感受交织并随时间变化，将这种复杂性引入城市尺度的仿真仍是难点。
生成式代理（Generative Agents，GAs）基于大语言模型（LLM），能够携带调查未记录的决策启发式，因而被视为突破口。但如何让其决策与真实的家庭出行调查保持一致仍未得到验证。
本文以法国图卢兹为案例，构建了日常多模态出行的代理模型，并在真实的家庭出行调查上评估了十五种决策器的表现，包括：
- 简单基线（随机、最常见模式等）
- 基于调查数据拟合的机器学习模型
- GAs 使用最小提示和调优提示
- 最近发布的 Jev‑1.13 TypeSafe 分类器
实验结果显示，在无交通中断的模拟日中，调优提示的 GAs 在整体模式占比上接近拟合模型，但在逐趟出行层面仍有差距。面对突发事件时，GAs 能够产生合理响应。更令人惊讶的是，TypeSafe 分类器在不生成文本的前提下也取得了极佳的匹配效果，说明文本生成并非唯一的决策途径。
这些发现对交通政策制定者和出行服务提供商具有参考价值，表明生成式代理可以在提升城市出行服务的同时，保持与真实调查数据的对齐。
点评：本文展示了生成式代理在城市出行仿真中的潜力，尤其是通过提示调优实现的行为逼近，但仍需在逐趟精度和可解释性上进一步提升。