招商政策与一人公司互相听得见：中介智能体双向传话，政府综合目标较八基线均值高42.4%
核心概要
区域招商政策与一人公司之间多了一条双向反馈通道：一人公司由个人借数字平台与AI智能体运营、可在区域间比较，过去政策端与公司端各按自己的估计行动。PolicyMediator把这条通道做成受认知约束的领导者—多跟随者Stackelberg框架，中介智能体向公司解释已核验的政策以建立认知与信任，再把需求与未解疑虑报回政府用于政策学习。在中国六区域、五类一人公司、五套场景与三种模拟器骨干共15组组合中排名第一，政府综合目标较八个基线均值提高42.4%。
深度剖析
政策回路里多了一个双向传话的角色，一人公司对政策的理解可以回到政策端，不再只由公司自己估摸。 此前的政策学习方法在固定认知下优化资源，共识形成方法只汇集各方看法、不把认知变化送回政策学习，选址与区域政策调整因此对不上。 政府综合目标把经济表现、就业收益和政策获取公平合并计算，PolicyMediator在这一目标上较八个基线均值提高42.4%，一人公司平均效用提高40.9%。
中介两头传递：向一人公司解释已核验的政策以建立认知与信任，把需求与未解疑虑报回政府；它自己的技能也随过程变化，按核验、分配、容量和目标轨迹保留、修订或剪除策略，而不只看调解是否成功。 承载这套流程的是受认知约束的领导者—多跟随者Stackelberg框架，政府作领导者、一人公司作跟随者，中介夹在中间传话。 检验设在中国六区域的模拟里，五类一人公司、五套场景与三种一人公司模拟器骨干组合出15组，PolicyMediator在每一组中排名第一。
启示与展望
这套双向调解的检验全部在中国六区域的模拟中完成，覆盖五类一人公司、五套场景与三种一人公司模拟器骨干，评分落在政府综合目标与一人公司平均效用两项上。所展示的范围限于模拟，面向的读者是研究智能体调解、多智能体协商与区域政策设计的人。
认知偏差是这套设计要处理的前提：一人公司可能因为对政策的理解不准确而拒掉本可落户的地方，中介的解释能否消解这种偏差，摘要只给出模拟中的结果。检验里的公司与政策互动由三种模拟器骨干扮演一人公司，而非真实创业者，这一点限定了结论的适用范围。本次报道依据的是摘要，方法细节与完整实验设置未逐条核对。