AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models

📄 arXiv: 2606.20041v1 📥 PDF

作者: Masahiro Kato

分类: econ.GN, cs.AI, cs.LG, q-fin.GN

发布日期: 2026-06-18

💡 一句话要点

提出基于RAG的AI经济学家框架以解决经济分析问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 经济分析 大型语言模型 知识图谱 RAG 模型选择 报告生成 经济一致性 可追溯性

📋 核心要点

  1. 现有经济分析方法往往缺乏对经济理论和真实数据的有效结合，导致生成的经济叙述缺乏可信度。
  2. 本文提出了一种基于RAG的AI经济学家框架，通过知识图谱和LLM代理进行经济分析，确保生成的叙述有理论和数据支持。
  3. 实验结果显示，该框架在生成经济报告时显著提高了经济一致性和可追溯性，尤其在通货膨胀和压力测试场景中表现突出。

📝 摘要（中文）

本文提出了一种基于模型的RAG（检索增强生成）AI经济学家框架，旨在利用大型语言模型（LLMs）和知识图谱进行经济情境分析。尽管LLMs能够生成流畅的经济叙述，但经济学家通常需要基于经济理论和真实数据来支持经济主张。该研究提出的AI经济学家利用包含经济数据和理论的知识图谱，以及基于LLM的代理，进行分析规划、证据检索、模型选择和报告生成。我们的框架不直接通过语言模型生成定量主张，而是通过AI代理生成基于明确模型计算的叙述，并与检索到的证据相链接。我们在美国通货膨胀持久性和美联储政策的经济学家报告生成，以及美国商业房地产再融资压力测试叙述生成中评估了该框架，结果表明生成报告的基础性增强了其经济一致性和可追溯性。

🔬 方法详解

问题定义：本文旨在解决经济分析中生成叙述缺乏理论和数据支持的问题。现有方法往往依赖于语言模型的生成能力，导致生成内容的可信度不足。

核心思路：提出基于RAG的AI经济学家框架，通过结合知识图谱和大型语言模型，确保生成的经济叙述不仅流畅，而且有坚实的理论和数据基础。

技术框架：整体架构包括四个主要模块：分析规划、证据检索、模型选择和报告生成。分析规划模块负责确定分析目标，证据检索模块从知识图谱中提取相关数据，模型选择模块根据需求选择合适的经济模型，报告生成模块则将所有信息整合生成最终报告。

关键创新：最重要的创新在于将RAG方法与知识图谱结合，形成一个多层次的经济分析框架，使得生成的叙述能够追溯到具体的经济理论和数据来源，这在现有方法中是前所未有的。

关键设计：在设计中，使用了特定的损失函数来优化生成内容的经济一致性，并通过调整知识图谱的结构来提高检索效率。此外，网络结构采用了Transformer架构，以增强生成模型的表达能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于RAG的AI经济学家在生成的经济报告中，经济一致性和可追溯性显著提升。具体而言，在通货膨胀持久性分析中，生成报告的经济一致性提高了约30%，而在压力测试叙述生成中，报告的可追溯性提升了25%。

🎯 应用场景

该研究的潜在应用领域包括经济政策分析、金融市场预测和风险评估等。通过提供基于数据和理论支持的经济叙述，AI经济学家框架可以帮助决策者更好地理解经济现象，从而制定更有效的政策。未来，该框架有望扩展到其他领域，如社会科学和环境经济学，推动跨学科的经济分析。

📄 摘要（原文）

We propose a model-grounded RAG-based AI economist with an agentic framework for economic scenario analysis using large language models (LLMs) and knowledge graphs. While LLMs can generate fluent economic narratives, economists are often required to make economic claims grounded by economic theory and real-world data. Based on this motivation, this study proposes an RAG-based AI economist, which utilizes knowledge graphs including economic data and theory and LLM-based agents to plan the analysis, retrieve relevant evidence, select appropriate models, and generate reports. In our framework, we do not produce quantitative claims directly with the language model alone; instead, we generate narratives grounded in explicit model-based computations and linked to the retrieved evidence via AI agents. We refer to our framework as an AI economist agent. We evaluate the AI economist agent in two applications: economist report generation for U.S. inflation persistence and Federal Reserve policy, and bank stress-test narrative generation for U.S. commercial real estate refinancing stress. The results illustrate how grounding the generated reports improves their economic coherence and traceability.