Design of llm-driven meta-system for dynamic agent-oriented modeling

ТЕХНІЧНІ НАУКИ ТА ТЕХНОЛОГІЇ № 1(43), 2026 TECHNICAL SCIENCES AND TECHNOLOGIES DOI: https://doi.org/10.25140/2411-5363-2026-1(43)-229-245 УДК 004.94:004.8 Владислав Олексійович Прищепа1, Артем Олександрович Задорожній2 1аспірант кафедри інформаційних та комп’ютерних систем Національний університет «Чернігівська політехніка» (Чернігів, Україна) E-mail: . ORCID: https://orcid.org/0009-0002-7627-0456 2кандидат технічних наук, доцент кафедри інформаційних технологій та програмної інженерії Національний університет «Чернігівська політехніка» (Чернігів, Україна) E-mail: . ORCID: https://orcid.org/0000-0002-3424-7293. ResearcherID: F-6358-2016 ПРОЕКТУВАННЯ LLM-КЕРОВАНОЇ МЕТАСИСТЕМИ ДЛЯ ДИНАМІЧНОГО АГЕНТНО-ОРІЄНТОВАНОГО МОДЕЛЮВАННЯ У роботі представлено архітектурне проєктування LLM-керованої метасистеми для агентно-орієнтованого моделювання. Підхід дозволятиме створення агентно-орієнтованих моделей і виконання симуляцій на основі природномовних специфікацій. Запропоновано три рівні використання LLM у метасистемі та шість стратегій інтеграції LLM під час виконання симуляцій. Описано підходи до валідації й оцінювання якості моделей, а також проаналізовано напрями застосування, обмеження та виклики практичного впровадження. Ключові слова: агентно-орієнтоване моделювання; велика мовна модель; LLM; метасистема; мова програмування Go; мікросервісна архітектура; Java-технології; якість моделі; валідація симуляції. Рис.: 3. Табл.: 2. Бібл.: 23. Актуальність теми дослідження. Протягом останніх трьох десятиліть агентно-орієнтоване моделювання (Agent-Based Modeling, ABM) еволюціонувало від периферійного методологічного інструменту до визнаної дослідницької практики у широкому спектрі наукових дисциплін [1]. Bonabeau [1] характеризує ABM як підхід, за якого система концептуалізується як колекція автономних об’єктів, здатних до прийняття рішень. Проте традиційні підходи до побудови агентно-орієнтованих моделей потребують значних компетенцій у програмуванні та глибокого розуміння симуляційних фреймворків, що створює суттєві перешкоди для дослідників. Останні можуть володіти експертними знаннями про системи, які підлягають моделюванню, однак відчувають брак технічних навичок для практичної реалізації симуляцій. Водночас розвиток великих мовних моделей (Large Language Models, LLM) демонструє вражаючі можливості у розумінні природної мови, генерації коду та міркуванні [2; 3]. Наприклад, за даними Raschka [4], GPT-4, який навчений на основі 13 трильйонів токенів, має 1,8 трильйона параметрів, що дозволяє обробляти контексти обсягом до 32 768 токенів. Такі характеристики відкривають перспективи для інтеграції LLM у системи агентно-орієнтованого моделювання та потенційного спрощення доступу до симуляційних технологій. Незважаючи на це, наявні дослідження зосереджуються переважно на використанні LLM для аналізу результатів симуляцій або генерації окремих компонентів моделей [5; 6], залишаючи поза увагою питання створення повноцінних метасистем, здатних до комплексної інтеграції LLM на всіх етапах симуляційного процесу. Постановка проблеми. Центральна проблематика дослідження полягає у створенні метасистеми для агентно-орієнтованого моделювання, здатної суттєво спростити процес розробки, виконання та аналізу симуляційних моделей. Насамперед така система має забезпечувати можливість специфікації моделей природною мовою: дослідники повинні мати змогу описувати структуру моделі, типи агентів, їхню поведінку та характеристики середовища у формі діалогу з системою, без необхідності програмування. Це передбачає побудову схем агентів, правил поведінки, механізмів взаємодії та параметрів середовища симуляції, які можуть бути безпосередньо використані ядром агентно-орієнтованого моделювання. Зазначене зумовлює потребу в інтелектуальному шару інтерпретації, здатному узгоджувати семантику природної мови з формальними представленнями моделей. © В. О. Прищепа, А. О. Задорожній, 2026 229 ТЕХНІЧНІ НАУКИ ТА ТЕХНОЛОГІЇ № 1(43), 2026 TECHNICAL SCIENCES AND TECHNOLOGIES Наступною складовою проблеми є інтеграція великих мовних моделей безпосередньо в цикл виконання симуляції. У такому підході LLM виступає не лише інструментом попередньої генерації моделі, а й компонентом прийняття рішень агентами в реальному часі, що дає змогу моделювати складні, контекстно залежні та адаптивні форми поведінки, які важко формалізувати за допомогою жорстко заданих правил. Окремої уваги потребує проблема ефективності та масштабованості. Метасистема має підтримувати симуляції з тисячами й десятками тисяч агентів, поєднуючи LLMкеровану поведінку з традиційними механізмами, а також забезпечувати збереження великих обсягів симуляційних даних і надання інструментів для їх подальшого аналізу, візуалізації та прийняття рішень. Наявні агентно-орієнтовані фреймворки, такі як NetLogo, MASON та Repast, орієнтовані переважно на ручне програмування моделей і не підтримують природномовну специфікацію, автоматичну генерацію структур моделі та інтеграцію великих мовних моделей у цикл виконання симуляцій. У результаті дослідники змушені поєднувати різнорідні інструменти та підходи, що ускладнює розробку моделей, обмежує їхню адаптивність і знижує відтворюваність результатів. Таким чином, відсутність цілісної системи, що поєднувала б природномовну специфікацію моделей, автоматизовану побудову агентно-орієнтованих структур, інтелектуальне виконання симуляцій і масштабовану обробку результатів, зумовлює необхідність розробки нових підходів до створення та використання агентно-орієнтованих симуляційних систем. Аналіз останніх досліджень і публікацій. Bonabeau [1] визначає ABM як підхід, у якому система моделюється як колекція автономних об’єктів, що приймають рішення, названих агентами. Кожен агент індивідуально оцінює свою ситуацію та приймає рішення на основі набору правил. Macal і North [7] деталізують цю концепцію, підкреслюючи, що більшість агентно-орієнтованих моделей складається з численних агентів, специфікованих на різних масштабах, евристик прийняття рішень, правил навчання або адаптивних процесів, топології взаємодії та середовища. Застосування ABM охоплює різноманітні наукові домени. В епідеміології цей підхід використовується для моделювання поширення захворювань на основі індивідуальних контактів [8]. Екологія застосовує ABM для моделювання взаємодій «хижак-жертва» та конкуренції за ресурси [9]. Соціальні науки звертаються до ABM для вивчення динаміки думок та поширення інформації [10]. Grimm et al. [9] наголошують на важливості патернорієнтованого підходу в контексті ABM, що дозволяє зіставляти результати симуляцій з емпіричними патернами. Архітектура трансформерів, на якій базуються сучасні LLM, використовує механізм уваги (attention mechanism), що дозволяє моделі обробляти відносини між усіма елементами послідовності одночасно [11]. Vaswani et al. [11] продемонстрували революційність цього підходу для обробки природної мови. GPT-4 навчався у два етапи: спочатку на великих наборах текстових даних для передбачення наступного ток (...truncated)