大语言模型（LLMs）凭借日益成熟的自然语言理解和生成能力，吸引了基于代理建模（ABM）社区的关注。LLM 能够对文本进行摘要、生成、分析、分类、转写、翻译，回答问题、提供解释、维持对话、从非结构化文本中抽取信息，并执行逻辑推理和问题求解，这些特性使其在建模全过程中具备潜在价值。
本文首先回顾了 LLM 在 ABM 中的已有应用，随后围绕建模周期的六个阶段——问题定义、概念模型构建、实现与验证、实验设计、结果分析、文档与传播——系统性地探讨了 LLM 可能的介入点。具体而言，LLM 可用于：
- 在问题定义阶段快速梳理文献、生成研究问题的自然语言描述；
- 在概念模型阶段帮助抽象代理行为、自动化生成伪代码或 UML 图；
- 在实现阶段提供代码片段、调试建议以及对模型参数的解释；
- 在实验设计阶段提出实验方案、评估指标以及敏感性分析的思路；
- 在结果分析阶段对大量仿真输出进行文本化摘要、可视化说明和因果解释；
- 在文档与传播阶段自动撰写报告、生成演示稿并支持多语言翻译。
然而，本文也指出了若干挑战：LLM 的输出可能缺乏可验证性、受训练数据偏差影响、在专业领域术语上表现不稳定，且对模型内部机制的解释往往是“幻觉”。因此，在实际使用中需要结合人工审查、透明的提示工程以及对模型不确定性的量化评估。
综上，LLM 有望成为 ABM 工作流的辅助工具，但其应用必须保持批判性，充分评估可靠性与可解释性后方可推广。点评