微软及合作者发布了一篇关于为智能体生成企业数据的新论文。

如果你在训练或评估智能体处理长时间运行的业务工作，这篇论文值得一读。

（收藏它）

MiniCorp 是一个办公室模拟器。一队智能体经营一家电商公司，通过消息和会议讨论决策，并设定价格、库存和广告支出。一个模拟市场包含客户和自适应竞争对手，市场会对此做出响应，公司再根据结果做出反应。

该市场已与已发表的真实市场研究进行对照验证。一次为期四周、20% 的折扣使销量提升了 71%，并且在价格恢复正常后，销量仍比对照组高出 31%。

检查点功能允许在同一市场状态下重放并做出不同决策，从而产生真实企业记录无法提供的成对结果。

论文：https://arxiv.org/abs/2610.05912

与论文对话：https://academy.dair.ai/papers/minicorp-the-last-mile-of-the-ai-agent-firm-2610.05912…

MiniCorp：AI 智能体企业的最后一公里

来源：https://arxiv.org/html/2610.05912 Zhenwei DaiJinning LiChangho ShinDylan ZhangYuxuan LuQi HeDakuo WangKai-Wei Chang 所属机构：Microsoft 所属机构：University of Illinois Urbana-Champaign 所属机构：Princeton University 所属机构：Northeastern University 所属机构：UCLA 网站：https://agents-minicorp.com/

摘要

摘要

通向企业级 AGI 的最后一公里是一家能自我运转的公司。训练和适配此类智能体需要纵向的企业数据，而这些数据一直稀缺、获取成本高昂，且常受隐私限制。历史档案往往也不完整，仅记录实际发生的事情，无法展示不同决策的结果。我们提出了 MiniCorp，一个用于研究智能体如何协同运营公司并大规模生成企业数据的办公室模拟器。以一家电商公司作为示例，MiniCorp 连接了两个相互作用的世界。外部世界建模了客户、动态竞争对手和市场机制。内部世界由智能体组成，它们观察事件、讨论选项并做出战略决策。这些决策对市场产生持久影响，而由此产生的反馈又为公司后续决策提供信息。随着公司与市场的互动，MiniCorp 持续记录智能体的沟通和决策。这些记录保留了当时的可用信息以及随后的业务结果。检查点功能允许在不同决策下重放同一情境，提供静态档案无法提供的对比。我们针对真实市场的实证研究报告的模式对端到端保真度进行了评估。这些评估为智能体提供了逼真的市场反馈，降低了它们学会利用模拟器缺陷的风险。我们的实验表明智能体能够在不同角色之间协调，并根据市场反馈调整决策。在明确的长期战略指导下，它们还能在早期回报微弱的情况下持续进行广告探索。因此，MiniCorp 提供了一个研究 AI 运营公司的环境，以及一个可扩展的纵向和反事实企业数据来源，用于智能体的训练和评估。

图 1：模拟电商环境中，自主智能体运营的公司与一个外生外部世界进行交互。

**脚注：同等贡献。

1 引言

从聊天机器人到长时间运行的智能体，通向 AGI 的路径可以视为分阶段展开：(i) 聊天机器人：回答问题的系统；(ii) 自主智能体：能够行动、使用工具、操作软件并端到端完成长周期任务的系统；(iii) 组织自主性：一个智能体系统超越被分配的任务，通过设定战略方向、在不确定性下做出业务决策、跨角色协调工作，并使组织长期存续且盈利，从而集体运营一个组织的能力。在企业场景中，这一演进指向一家能自我运转的公司。我们将这样的公司视为通向企业级 AGI 的最后一公里。然而，现有智能体主要被设计来完成分配的任务，而非作为一个设定自身优先级、跨角色协调决策以追求长期盈利的组织而持续存在。

以任务为导向的智能体的局限性在商业运营中尤为明显——这是一个具有重大经济后果的领域，其中决策复杂、依赖上下文，并通过随时间展开的结果来评判。与许多编码或数学任务不同（其正确性通常可以通过测试或预定义答案来评估），商业决策很少有单一的、可提前验证的正确动作。其结果通过公司、客户、竞争对手和市场条件之间的相互作用产生，可能在数月甚至数年后才能完全显现。

因此，训练、适配和评估能够运营企业的智能体需要纵向的企业数据，将决策与其业务背景和下游后果联系起来。此类数据极为稀缺，因为最有价值的记录是内部记录，通常因隐私和合规限制而无法用于训练。破产公司的档案可以提供真实的企业数据，但获取专有数据集可能成本高昂。例如，Google 在一场破产拍卖中被选为中标方，以 1000 万美元收购了 Spirit Airlines 的内部业务数据，包括员工电子邮件、Microsoft Teams 消息、电子表格、日历和运营记录，计划用于产品开发和 AI 训练。^1 Yahoo Finance 报道（https://finance.yahoo.com/technology/ai/articles/google-buy-spirit-airlines-business-212308890.html）此类档案之所以有价值，是因为它们保留了真实的组织沟通和有据可查的业务决策。然而，它们在两个重要方面仍存在局限。第一，来自破产公司的记录和公开可用的数据集（如 Enron 语料库^2 https://www.cs.cmu.edu/~enron/ [Klimt and Yang, 2004]）往往是碎片化的，无法提供重建决策时情境所需的完整上下文。缺失的上下文可能包括公司及其市场的状态、每个角色可用的信息、先前的沟通、资源约束以及后续的结果。第二，历史档案是冻结的：它们只包含实际做出的决策以及随后唯一的轨迹。因此，它们无法回答反事实的“如果……会怎样“问题，因为不同决策的结果是未被观测到的。因此，此类档案本身不足以支持交互式强化学习——后者要求智能体采取不同的行动并观察其后果。

现有的智能体基准，包括 τ²-Bench [Barres et al., 2025]、SWE-bench [Jimenez et al., 2024]、GAIA [Mialon et al., 2024] 和 OSWorld [Xie et al., 2024]，主要评估智能体在有限任务上的表现——具有预定义目标和可验证的结果——而非要求它们在一个不断演变的市场中持续运营一家公司。运营一家公司则要求智能体在较长时间内行动、在没有预设正确答案的情况下做出决策、通过持久的组织角色进行协调，并适应早期决策的持久影响。长周期环境也已被开发用于多智能体社会模拟 [Akkil et al., 2026] 以及具有预定义市场事件的单智能体商业运营，包括 MerchantBench [Shi et al., 2026] 和 EnterpriseArena [Han et al., 2026]。即使在现有基准中出现了多个智能体，它们通常是围绕特定任务临时组建的，任务完成后便不再重要。因此，所缺少的是一个可检查点的办公室模拟器，将持久的组织与不断演变的外部市场结合起来，使两者共同演化并生成纵向的企业数据——将组织决策与其变化的上下文和下游后果联系起来，同时支持在不同决策下重放。

MiniCorp 通过实例化耦合两个交互世界的办公室模拟来弥合这些差距：一个不断演变的外部市场和一个持久的智能体公司。以电商为示例（图 2），外部世界由客户、自适应竞争对手、供应商、市场平台以及它们运行所处的宏观经济条件组成。内部世界提供了持久的组织结构：常设角色在决策周期之间进行沟通、协调并保留其职责，而非为单个任务临时创建。不断演变的外部世界捕捉长周期后果——无论智能体公司是否行动，它都持续运行，使早期决策产生延迟且持久的市场影响。它们的闭环交互支持生成有上下文的反事实企业数据：市场事件和状态流入智能体公司，智能体公司的决策改变外部世界，由此产生的结果成为下一轮的观察。检查点进一步允许在同一状态下以不同决策重放。最后，MiniCorp 应对了模拟逼真市场响应的挑战——通过显式建模业务决策如何通过可检查的运营路径产生市场结果。例如，一个模拟客户提交搜索查询，收到包含赞助和自然搜索结果的结果页面，选择是否点击某产品，然后决定是否购买。建模此路径需要显式机制来处理查询-产品匹配和排序、赞助搜索拍卖、点击行为和转化行为。我们根据实证研究和真实市场数据来构建这些组件，同时从 Capitalism II^3 商业模拟引擎（其事件和经济逻辑经过多年游玩调优）中借鉴了更广泛的商业机制。

由于这些企业记录是通过模拟市场交互生成的，其有用性关键取决于外部世界的保真度。因此，保真度评估不仅对评估模拟外部世界的有效性至关重要，还对引导模拟器的持续改进至关重要。看似逼真的市场快照和精确的数值对齐是不够的，因为市场条件和数值幅度因产品、公司、平台和时间段而异。原则上，一个高保真的外部世界模拟器应该支持所代表场景中人类运营公司可获得的业务决策范围，并提供相应的市场反馈。对于每一种此类决策，由此产生的市场响应应在三个方面与实证证据一致：其方向和时间动态、收益和损失在市场参与者之间的分配，以及改善一项业务成果是否以牺牲另一项为代价。此外，模拟器不仅应重现决策的最终结果，还应重现产生这些结果的中间响应路径。否则，智能体可能学会仅适用于模拟器的规律性，无法迁移到真实市场——我们将这种失败模式称为模拟器过拟合。因此，必须在系统层面评估保真度，因为排序、广告、定价和库存等各个单独有据可依的机制可能通过反馈回路相互作用，在组合时产生不现实的行为。我们针对多种实证响应模式对集成的外部世界进行了端到端评估，并利用所得证据识别需要进一步改进的缺失或错误的响应路径（第 3.5 节）。

在本工作中，我们的主要贡献如下：

• • MiniCorp，一个具有经实证评估的外部世界的闭环办公室模拟器。 MiniCorp 将不断演变的外部市场与持久的智能体公司耦合在一起，产生持续的企业数据流，将组织沟通和决策与其市场后果联系起来。以电商为示例，我们提出了一种构建行业特定外部世界的一般方法——将成熟的经济机制、实证证据和真实数据整合到具有自适应参与者的显式市场过程中。我们还提供了评估端到端保真度的方法论，以及实验性证据，表明集成的外部世界产生了与实证研究一致的市场响应模式。

• • 一个可扩展且高效的企业数据引擎。 由于公司持续运营，它留下的记录——如真实公司留下的记录（消息、电子邮件、会议、工单、文档等）——在规模和速度上是任何受隐私约束的数据集无法比拟的，且每个工件都通过完整的溯源信息与市场状态和产生它的决策相关联。由于其状态是可检查点的，同一情境可以在不同决策下重放，产生静态档案无法提供的反事实配对。

2 相关工作

社会模拟。 大量工作使用 LLM 智能体来模拟人类，以类人程度为目标，以涌现的集体行为为研究发现。关于生成式智能体的研究由 Stanford 的 Smallville [Park et al., 2023] 开创——一个包含 25 个具有记忆、反思和规划能力的智能体的沙盒小镇，个体涌现行为导致了无剧本的信息传播和社会协调。后续工作沿两个方向扩展。第一个方向是人设保真度和广度：基于对 1,052 名美国人两小时访谈的智能体，在约 85% 的程度上恢复了受访者的自身重测一致性 [Park et al., 2024]，MatrAIx [Li et al., 2026] 将人设构建扩展到跨 1,290 个维度的 83 亿条记录。第二个方向是周期和后果：Emergence World [Akkil et al., 2026] 在持续记忆和具有不可逆后果的自治下运行一个持续数周的世界，仅模型骨干的差异就能区分稳定治理与人口崩溃——使得安全性成为生态系统属性而非模型属性。在所有这些工作中，参照对象是人类，成功意味着类人性。

办公室工作和公司运营基准。 现有的工作场所基准在环境保真度和任务周期之间进行权衡，大多数通过缩小周期来解决这一矛盾，直到一家公司变成一个任务。ChatDev [Qian et al., 2024] 和 The Virtual Biotech [Zhang et al., 2026] 借用公司的组织架构图作为协调脚手架