摘要：模拟包含许多大型语言模型（LLM）智能体的社会成本高昂，但对这类模拟提出的问题通常是宏观层面的：相行为、典型化事实，以及随智能体数量 \(N\) 的标度行为，而非单个智能体的认知。我们将一个统计物理观察转化为一种方法：用从几百到几千次廉价查询中拟合出的低参数模型替换每个 LLM 智能体，然后在笔记本电脑上以任意 \(N\) 运行该社会模拟。这种方法是否有效，在模拟运行之前就已决定，主要取决于每个智能体的感知内容。我们引入了一个 [交互顺序 × 记忆] 分类法，将感知和记忆映射到有效理论，并预测替代误差随 \(N\) 变化的趋势。我们在忠实复现的 LLM 宏观经济体 EconAgent 以及另外七个具名 LLM 模拟上验证了该方法，其中智能体决策克隆自真实的 LLM 引出（主要为 DeepSeek），成本仅需几美元；预测的误差趋势逐格成立，而两个被推翻的预测——均涉及强饱和响应并追溯到其曲率——也由该理论在无自由参数的情况下定量匹配。