当业界竞相追逐千亿参数的大模型时，一项基于Qwen2.5-3B的多智能体经济体实验给出了令人清醒的反例：小模型不仅能跑通复杂的经济模拟，其工程补丁甚至比大模型的“天生聪明”更具借鉴价值。开发者构建了五个独立运行的森林生物智能体，通过vLLM部署在Modal平台，以Gradio作为交互界面，模拟了一个包含食物交换、燃料囤积和季节危机的微型经济体。

该项目的核心矛盾在于：3B模型在100%的调用中都能输出符合JSON格式的决策，但在经济判断上却频频犯错——比如标价过低、交易逻辑混乱。开发者没有选择升级更大模型（如Qwen2.5-7B或32B），而是通过系统设计弥补推理缺陷。他们引入了三层稀缺性机制：食物品种限制（只有蜂蜜和浆果）、易腐坏设定（蜂蜜储存超过3轮变质）、冬季燃料危机（只有木柴可取暖）。这些约束迫使智能体在有限资源下做出权衡，变相降低了决策复杂度。

更关键的是提示词优化策略。开发者发现，单纯告诉模型“合理定价”收效甚微，因此加入了两条硬性规则：“禁止买入自产物品”以避免自循环交易；“给出价格示例”让模型模仿市场均价。这种“格式化加示例”的组合将错误定价率从40%以上降至15%以内。实验数据验证了稀缺性的效果：15轮模拟后，蜂蜜价格从10单位跌至3单位，木柴价格从4单位涨至7单位，财富基尼系数从0.14扩大到0.38，经济分化真实发生。

这个案例的行业价值在于它诚实面对了小模型的局限性，并用工程手段将其转化为可控变量。相比依赖大模型的高概率幻觉，小模型的“可靠格式化”+“不可靠推理”反而形成了一个可审计的缺口——开发者能精准定位模型在哪类决策上犯错，并通过规则设计修正。对于资源有限的团队，这种做法比堆算力更务实。此外，稀缺性设计提供了可迁移的经验：任何需要智能体模拟市场的场景（如供应链博弈、城市资源分配），都可以通过限制类别、模拟损耗、引入周期危机来提升模型的实际决策质量。

展望未来，小模型在多智能体模拟中的角色会愈发重要。当大模型成本持续高企，工程弥补推理短板的思路——提示裁剪、状态机约束、环境压力设计——可能成为标准化工具。这个实验最值得学习的地方不是它模拟出了什么经济学现象，而是它展示了“如何用系统的确定性去兜底模型的不确定性”。与其相信模型的推理能力，不如设计一个让模型难以犯错的系统。