《The Energy Journal》：AI as Individualised Persona: A Useful Addition to the Economist’s Toolbox? The Case of “Stephen Littlechild AI Agent”
编辑推荐：
本文研究了对人工智能平台ChatGPT的检索增强生成（RAG）定制，利用经济学家Stephen Littlechild教授自20世纪60年代至今撰写的论文，创建了“SCL AI Agent”（SCL）。SCL旨在复现并应用Littlechild教授的思维。建立
本文研究了对人工智能平台ChatGPT的检索增强生成（RAG）定制，利用经济学家Stephen Littlechild教授自20世纪60年代至今撰写的论文，创建了“SCL AI Agent”（SCL）。SCL旨在复现并应用Littlechild教授的思维。建立Littlechild教授的论文语料库、将其上传至ChatGPT并指导ChatGPT如何理解这些信息并加以应用，这一过程中显现了实验与“干中学”的必要性。细致的配置力求减少幻觉现象（hallucination），并确保以Littlechild教授的风格提供信息充分的回应。与Littlechild教授有长期交往的监管专业人士对SCL进行了评估，评分较高，尤其在“洞察力”（insight）、“完整性”（completeness）和“准确性”（accuracy）方面。这些评估者对SCL复现Littlechild教授书面风格的能力评价较低。然而，如果用户向SCL提供问题的背景信息及回答受众的信息，SCL确实能够提供针对这些受众量身定制的回应。研究人员要求SCL本身和未定制的ChatGPT评估SCL对评估者问题的回答，二者均认同SCL相对于未定制ChatGPT的优越性。SCL展示了对Littlechild教授学术成就的复杂、抽象的理解，尽管其复现Littlechild教授想象力的能力尚不明确，值得进一步研究。创建其他经济学家的AI智能体并让它们相互评析对方的工作，可能有助于更快速地传播洞见和理解。JEL分类：A11，经济学的作用；经济学家的角色；经济学家市场；C45，神经网络及相关主题；D83，搜寻；学习；信息与知识；沟通；信念；无意识；I23，高等教育；研究机构；O33，技术变革：选择与后果；扩散过程。
**论文解读：个性化AI智能体在经济分析中的应用——以“Stephen Littlechild AI Agent”为例**
研究背景与问题：近年来，人工智能（AI）在经济研究中的应用日益受到关注，但现有探讨多集中于定量方法。鲜有研究探索将通用AI模型定制化，以复现和应用特定经济学家的思维。本文旨在填补这一空白，以著名经济学家Stephen Charles Littlechild教授为对象，探讨通过检索增强生成（retrieval-augmented generation, RAG）技术定制ChatGPT，构建“SCL AI Agent”（SCL），并评估其在经济分析与政策讨论中的应用价值。Littlechild教授是RPI-X价格上限模型的提出者，曾任英国电力供应总监，其学术思想对监管经济学影响深远。然而，其大量论文并未全部公开于互联网，通用ChatGPT仅能识别约四分之一的语料，这构成了研究的主要动机——即能否通过外部知识库增强AI的经济推理能力并复现特定学者的分析风格。
研究内容与意义：研究团队收集了Littlechild教授自1960年代至今的288篇文献，经OCR处理后形成可搜索的语料库。通过ChatGPT的Custom GPT构建工具进行配置与迭代，最终形成一个能够以Littlechild教授的口吻和思维框架回应监管经济学问题的AI智能体。十位监管专业人士（其中九位为经济学家）对SCL进行了评估，平均综合评分为4.2/5，其中“洞察力”得分最高（4.6/5），表明SCL在提供创新性批判方面表现出色。该研究表明，个性化AI智能体可以成为经济学家工具箱中的有效补充，尤其在快速理解学术论文、政策文件及提供初步批判性分析方面具有明显潜力。
主要关键技术方法：研究人员采用检索增强生成（RAG）技术定制ChatGPT，核心流程包括：建立包含288篇文献的语料库（源自Littlechild教授本人及公开渠道，多数论文未在互联网公开）；通过OCR技术转化为约500万token文本文件；利用ChatGPT的Builder工具进行迭代配置，以减少“幻觉”并保持Littlechild教授风格；设置文件检索层级与规则，必要时启用互联网增补；评估采用十名监管专业人士（均为经济学家或长期与Littlechild教授共事的专家）进行主观评分。该方法未涉及生物样本或实验试剂。
研究结果：本文通过四个子研究环节得出结果：
**5.1 相关文献回顾**：梳理了AI个性化及经济学推理评估文献，指出当前缺乏针对此类定制化AI的系统性客观评估方法，故采用人工主观评估。
**5.2 独立评估**：十名评审人就六个维度（完整性、保真度、准确性、洞察力、实用性、盲归属）为SCL评分。结果显示：平均分4.2，众数5；洞察力平均分最高（4.6），盲归属最低（3.5），保真度第二低（4.1）。这表明SCL在实质性分析方面接近Littlechild教授，但其语言风格仍未完全逼真。
**5.3 评估者的附加书面评论**：九位评估者提供了意见。有称SCL“杰出且高度可信”，也有指出“口头禅及呈现风格难以在文字形式中捕捉”，多数人认可其经济分析内容的一流水平，但认为其回答有时过于冗长且缺乏对受众细微差别的把握。
**5.4 SCL与ChatGPT的比较**：让SCL与ChatGPT互相评估对方对同一组问题的回答。结果双方均认为SCL优于ChatGPT，SCL给自己的平均分4.4，ChatGPT给SCL的评分为4.5，而两者对ChatGPT自身回答的评分仅为4.0和3.2。值得注意的是，ChatGPT因无法获取Littlechild与Coase的信件而在“准确性”上误判SCL的答案为虚构，但事实却正确，体现出通用LLM局限性与RAG增强的价值。
讨论：SCL的“声音”（voice）问题贯穿始终。评估者对SCL风格复现的看法不一，有的认为“感觉就像与Stephen对话”，另有认为“完全不像”，但表示这不影响其实用价值。Littlechild本人在审阅后认为，SCL善于从既定原则推导、总结和应用，但难以“退后一步”思考全新路径，如从边际成本定价转向私有化与竞争。尽管如此，SCL的“洞察力”得分最高，表明其具备一定原创性。研究者认为将SCL定义为“AI Agent”而非“Avatar”更为准确，因其尚未完全“体现”一个人的特质。该研究也表明，RAG定制对于语料库中大部分作品未被互联网覆盖的经济学家收益更大，且对语料库真实性的信任至关重要。
结论：本研究表明，通用AI模型可通过RAG技术获取未参与训练的信息，从而更忠实地复现和应用特定人物的思维。SCL在“洞察力”、“完整性”和“准确性”上获得高度评价，但在风格保真与盲归因方面仍有不足。SCL的应用已融入研究团队日常工作中，用于快速获取对论文和报告的批判性见解。未来，让不同经济学传统的AI智能体相互评价，可能促进知识更快传播与理解深化。本论文发表于《The Energy Journal》。
