农户智能体 FarmerAgent

agri_sandbox/farmer_agent.py 中的 FarmerAgent 继承 AgentSociety² 的 AgentBase， 采用平台官方推荐的**"行为实验"模式**：不启用通用认知循环，而是手写 step，每季走 "观察 → LLM 决策 → 模板模式 ask_env 提交环境工具"的确定性流程。这样 LLM 调用少、行为可控、便于机制分析。

画像（profile）

每个农户在生成时带有异质属性（由 profiles.make_farmer_profiles 按统计分布生成）：

属性	说明
区域	华北 / 东北 / 长江中游 / 西南
经营规模	小农 <10 亩 / 中农 10–50 亩 / 大户 >50 亩
风险偏好	连续值（影响保守/冒险种植倾向）
初始资产	家庭资产基线
家庭兼业收入	年兼业收入（按季折算 1/4 计入净收入）
年龄 / 教育	影响信息获取与采纳
可用作物	受区域约束的可种植作物集合

画像基于统计分布生成，不代表任何具体个体；论文中声明抽样逻辑，避免刻板印象。

每季决策流程

observe_market ──▶ LLM 依画像 + 观察输出决策 JSON ──▶ ask_env 提交工具
       │                                                      │
       │            {"plan":{作物:亩}, "insured":{作物:亩},    │
       │             "transfer_in":亩, "transfer_out":亩}     │
       ▼                                                      ▼
   获取价格/补贴/保险/天气                          decide_planting / buy_insurance / transfer_land

• observe_market：每季开始观测当前市场价格、补贴、保险、天气冲击；
• LLM 依据画像与观察，输出结构化决策（生产结构、投保、土地流转）；
• 通过 ask_env（模板模式）提交 decide_planting / buy_insurance / transfer_land；
• 决策历史保留在智能体内（decision_history），供机制分析。

决策如何落到环境

工具参数使用 agent_id（int） 而非自然语言名字——这是 AgentSociety² 官方 economy_space 的同款设计， 避免 LLM 猜错农户名字导致决策错配。环境侧 AgriPolicyEnv 据此维护权威的农户状态字典。

行为实验模式的价值

• 可控：不启用自由认知循环，行为由模板约束，可复现；
• 可解释：每季决策是显式 JSON，配合 report_status 可在复盘时查看上一季核算与当前决策；
• 低成本：LLM 仅在每季决策时调用一次，配合 NANO 档模型做高频决策，在 200 元额度内可跑通 50 农户 × 8+8 季 × 3 重复。

下一步：政策环境 AgriPolicyEnv。