文章总结与翻译一、主要内容本文聚焦美国洪水保险参保率低（高风险区域仅18%参保）的问题，旨在通过大语言模型（LLM）赋能的智能体模拟个体洪水保险购买决策，揭示背后的行为机制。研究首先基于美国墨西哥湾沿岸居民的调查数据构建基准数据集，包含社会人口特征、房屋所有权、距海岸距离、风险感知等四类关键因素的边际概率和双变量概率分布；随后评估现有LLM（如Llama-3.3 70B）的决策模拟能力，发现其虽能定性理解影响因素，但存在风险规避偏差，无法准确进行定量概率估算。为此，提出LLM赋能的智能体InsurAgent，整合感知、检索、推理、行动和记忆五大模块，通过检索增强生成（RAG）结合实证调查数据，利用LLM常识外推上下文信息，并通过记忆模块支持动态决策轨迹模拟。实验表明，InsurAgent在边际概率和双变量概率估算上与基准数据高度吻合（双变量R²=0.778，MAE=0.024），显著优于ChatGPT-4o等主流LLM，且能捕捉居住城市、职业、社会环境等回归模型无法覆盖的上下文信息，模拟个体在生命周期中随事件演变的决策动态。二、创新点构建专项基准数据集：基于已有回归模型，通过蒙特卡洛模拟生成包含10类关键因素的边际概率和双变量概率分布数据集，为洪水保险决策模拟提供量化评估标准。提出模块化智能体架构：设计InsurAgent五模块架构，检索模块结合RAG锚定实证数据解决定量估算问题，推理模块利用LLM常识实现上下文外推，记忆模块支持时序决策演变，突破传统回归模型的静态局限。