arXiv：AgentSociety²——重塑社会科学研究范式

导语

在《西部世界》中，人类曾想象过一个被精心构造出来的人工乐园：其中的“居民”拥有身份、记忆、关系和日常生活，在预设的环境中相遇、交谈、选择，并在一次次循环中留下自己的行为轨迹。这个故事之所以迷人，不只是因为它描绘了高度拟真的人工智能个体，更因为它提出了一个关于“社会”的想象：如果我们能够构建一个由智能个体组成的世界，并持续观察其中的行动、互动和演化，那么人类社会中的许多复杂问题，是否也可以在这样一个可运行的环境中被重新理解？

关键词：大语言模型智能体（Large Language Model Agents），AI 科学家（AI Scientist），社会模拟（Social Simulation），计算社会科学（Computational Social Science）

论文题目：AgentSociety 2: An Integrated Research Environment for Executable Social Science 论文链接：http://arxiv.org/abs/2607.11895 发表时间：2026年7月11日 论文来源：arXiv 官网：https://agentsociety2.fiblab.net/ GitHub：https://github.com/tsinghua-fib-lab/agentsociety/

2025 年，清华大学团队提出的 AgentSociety，已经为这一方向迈出了关键一步。这个基于大模型智能体与第一性原理构建的大规模社会模拟器，将语言模型驱动的智能体、真实社会环境和大规模仿真引擎连接起来，能够生成万级智能体，并模拟千万量级的智能体交互及其与环境之间的互动。借助这一系统，研究者可以在计算环境中研究意见极化、信息传播、全民基本收入、飓风冲击、城市可持续性等复杂社会问题。AgentSociety 的重要意义在于，它让 AI 智能体第一次以如此大规模、系统化的方式进入社会模拟，使研究者得以观察个体如何在互动中形成行为模式，并进一步涌现出群体动态与宏观社会现象。

图1. 大规模社会模拟器 AgentSociety-1 发展历程

在 AgentSociety-1 的基础上，AgentSociety² 进一步完成了一次面向“被研究对象侧”的关键改造：将原本服务于社会模拟的“社会人智能体”，扩展为能够适配多种实验场景的通用硅基被试智能体。它们不是一次性生成答案的文本模型，也不是只会回答问题的对话机器人，而是一群能够在社会环境中持续行动、互动、记忆并响应干预的生成式社会智能体（Generative Social Agents）。研究者可以将这些硅基被试放入公共品博弈、心理实验、社交媒体平台、城市移动、灾害响应和经济空间等不同情境中，观察它们如何在规则约束、信息反馈、社会关系和外部干预下形成行为模式与群体动态。

但要让这样的硅基社会真正服务于社会科学研究，仅仅“能模拟”还不够。社会科学中的许多重要问题无法在真实世界中反复实验，而理论、数据、实验、仿真和写作又往往分散在不同工具中。研究者提出一个假设后，还需要手工将其转化为实验协议、智能体设定、环境规则、干预方案和分析脚本。AgentSociety² 试图打通的，正是这个从“模拟社会”到“可执行社会科学”的断点：它不仅提供可观察、可干预、可复现的硅基参与者（Silicon Participants），也引入能够组织研究流程的 AI 社会科学家（AI Social Scientist），使社会科学假设能够被转化为硅基被试、环境规则、干预程序、行为轨迹和测量指标。

图2. AgentSociety²：从以仿真为中心的硅基被试模拟系统，走向硅基被试与硅基科学家协同的双角色研究生态

硅基参与者：

从社会人智能体到通用硅基被试智能体

要让硅基被试真正成为可研究的社会实验对象，关键不只是让它们拥有类人的语言能力，而是让它们具备可组合、可执行、可记录的社会行动能力。在 AgentSociety² 中，每个硅基被试都可以被看作生活在硅基社会中的“硅基人类”：它拥有身份画像、内部状态、长期记忆、社会关系和行为轨迹，会在规则约束、信息反馈、局部互动和外部干预中持续形成选择与反应。

图3. AgentSociety² 将社会人智能体扩展为通用硅基被试智能体，每个智能体通过独立工作区记录状态、记忆与行为轨迹，并在 ReAct 循环中按需调用观察、规划、记忆、认知等技能，支持长期、可追踪、可复现的社会实验

1. 从 Prompt 到 Skill：让硅基被试能力模块化

在 AgentSociety² 中，硅基被试的能力不再主要依赖一段复杂提示词，而是被组织为可组合、可复用、可审计的技能模块。观察、认知、规划、记忆，以及特定实验中的决策规则，都可以作为独立能力被按需调用。面对公共品博弈、心理学调查、社交媒体平台、城市移动和灾害响应等不同研究任务，研究者可以通过组合不同技能，快速构建适配特定场景的硅基被试。更重要的是，技能本身也可以成为实验变量：研究者可以控制哪些能力对哪些被试开放，从而构造处理组、对照组或干预条件。

2. 从“描述行为”到“执行行为”

通用硅基被试不仅要能够回答问题，更要能够在社会环境中真正行动。在 AgentSociety² 中，智能体并不是简单生成一段“我会怎么做”的文本，而是在观察、推理、行动和反馈的循环中持续决策：它会根据当前环境、任务目标和过往经验形成判断，调用相应能力完成动作，并把结果写回自身状态。由此，硅基被试生成的不只是文本回答，而是在具体社会环境中的选择、互动、关系和反应。这些行为轨迹可以被记录、回放和比较，使研究者不仅能看到最终结果，也能分析群体行为如何从微观个体差异和局部互动中逐步形成。

3. 从隐式记忆到可审计工作区

长期社会模拟还需要稳定的记忆与状态管理。随着实验推进，硅基被试会持续积累交互历史、任务上下文和环境反馈。AgentSociety² 为每个硅基被试维护独立工作区，用于保存身份画像、状态、记忆、日志、行为轨迹和检查点，使记忆不再只是提示词中的背景材料，而成为可审计、可回放、可比较的数据资产。相比传统基于规则的社会仿真，硅基被试能够结合语言理解、情境感知、长期记忆和任务技能，在更复杂的社会场景中生成行为，从而成为可运行、可记录、可比较的社会研究主体。

智能体化环境：

为硅基被试搭建可调用、可组合的社会实验场

硅基被试要像“硅基人类”一样行动，必须生活在具有规则、空间和反馈的社会环境中。智能体化环境（Agentic Environments）正是为这些行动提供场景容器：公共品博弈定义收益与惩罚，社交媒体空间定义推荐与曝光，城市移动空间定义位置与约束，灾害响应场景定义事件冲击与行动选择。通过这些环境模块，研究者可以把抽象的社会科学问题转化为硅基被试能够进入、行动并留下轨迹的实验场。

系统中的代码生成路由器（CodeGenRouter）进一步将自然语言意图转化为可验证的环境操作。研究者不必从零开始编写复杂模拟代码，而可以用更高层的语言定义实验要求，再由系统生成可运行的环境调用。其背后通过统一接口、AST 解析、代码缓存和安全执行机制，将智能体提出的操作要求映射为可检查、可重复的环境动作。

图4. 智能体化实验环境通过统一接口、AST 解析、代码生成路由器、代码缓存和安全执行机制，将智能体的自然语言意图转化为可执行的环境操作

从技术层面看，AgentSociety² 的关键意义就在于，它把硅基参与者与智能体化环境放入同一套研究基础设施：前者提供可运行的硅基被试，后者提供可配置的制度与场景容器，再通过编排层把研究流程接入其间。这样形成的，不是一个单点 demo，而是一套包含智能体架构、环境接口、代码生成路由、执行安全机制和长周期状态管理的社会实验系统。

AI 社会科学家：观察“硅基世界”的研究透镜

当硅基被试进入可配置社会环境，并在其中持续行动、互动和响应干预之后，社会科学研究的关键问题就变成：如何把这些行为过程转化为可分析的社会科学证据？AgentSociety² 中的 AI 社会科学家，正是作为观察、组织和解释这一硅基社会的“硅基科学家”而存在。它读取硅基被试留下的行为轨迹、交互记录和环境反馈，帮助研究者理解个体选择如何逐步形成群体动态与宏观现象。

图5. AI 社会科学家支持从研究主题界定、假设生成、实验设计、仿真配置、仿真运行到结果分析和报告生成的完整科研流程

AI 社会科学家的任务不是简单写综述、生成方案或整理表格，而是把开放的社会科学问题转化为可观察、可运行、可分析的研究流程。通过编排层（harness layer），系统将技能库、子智能体、工具接口和阶段化流程连接起来：在研究前期，它帮助研究者澄清问题、检索文献、整理理论脉络并生成可检验假设；在实验设计阶段，它将研究想法转化为硅基被试设定、环境模块、实验变量、干预条件、运行计划和评价指标；在仿真完成后，它再读取硅基被试留下的行为轨迹、交互记录和运行日志，完成结果分析、图表整理和论文草稿生成。

这也是“可执行社会科学”的真正含义：AgentSociety² 不是让 AI 直接给出社会科学答案，而是让 AI 帮助研究者把社会科学问题变成可以运行的实验。例如，信息茧房可以被转化为社交媒体环境中的曝光规则和用户选择机制；公共品合作衰退可以被转化为硅基被试、收益结构、惩罚机制和重复互动过程；灾害预警影响人群移动则可以被转化为城市空间中的事件冲击、信息发布和行动响应。社会科学问题因此不再只是被描述，而是可以被构造、运行、干预和比较。

同时，AgentSociety² 并不把社会科学研究完全交给 AI 自动完成。系统保留 human-in-the-loop 的研究模式，使研究者能够在关键节点修订假设、设定实验参数、确认干预方案、检查变量映射，并解释最终结果。换句话说，硅基科学家负责扩展观察和机制探索空间，人类研究者仍然负责提出重要问题、判断理论价值和解释机制含义。

七类实验验证：从微观行为到宏观城市

为了展示这一系统的通用性，研究团队设计了七类多尺度社会科学实验，覆盖微观行为实验、中观网络动态和宏观城市情境。

图6. AgentSociety² 实验案例展示

在微观层面，AgentSociety² 支持社会规范涌现、公共品博弈和心理调查，用于研究合作、惩罚、自我偏差和间接认知过程。在中观层面，系统可模拟信息茧房和意见极化，使研究者能够调整推荐规则、用户选择和内容暴露机制，观察群体分化如何形成。在宏观层面，AgentSociety² 进入城市移动和灾害响应场景，用于模拟日常出行和危机冲击下的人群行为。

这说明 AgentSociety² 并不是一个只适用于小型对话实验的系统。它展示的是同一套“硅基被试—智能体化环境—AI 社会科学家”框架，如何跨越个体心理、群体互动、平台机制、城市行为和公共治理等不同尺度，支持多类型社会科学问题的建模与验证。

图7. AgentSociety² 研究案例实验结果

迈向 AI 时代的社会科学基础设施

对计算社会科学而言，AgentSociety² 的价值不只是提供一个新的社会模拟工具，而是把硅基被试、智能体化环境和 AI 社会科学家连接成一套可运行、可观测、可干预的研究基础设施。在这一框架中，硅基被试构成可追踪的行为主体，智能体化环境提供规则、空间与干预条件，AI 社会科学家则组织实验流程、分析行为证据，并帮助研究者理解个体行为如何逐步形成群体动态与宏观现象。

更重要的是，AgentSociety² 并不是要让 AI 替代社会科学家，也不是主张硅基被试可以无条件替代真实人类。它强调的是一种人机协同的研究模式：AI 社会科学家扩展机制探索空间，硅基被试提供可运行的实验对象，人类研究者则负责提出重要问题、设定理论边界并解释机制含义。由此，社会科学有可能从“发生了什么”的描述性研究，进一步走向“为什么会发生”以及“如果改变机制，会发生什么”的机制型研究。

图8. AgentSociety²：面向人机协同的一体化研究环境

在 AI for Science 快速发展的今天，AI Scientist 已经进入机器学习、生物医学、化学和材料等领域。但社会科学研究的对象，是由人、关系、制度、空间和信息环境共同构成的社会过程。AgentSociety² 给出的答案是：当 AI Scientist 进入社会科学，它不应只是一个会写论文的助手，而应成为连接 AI 社会科学家、硅基被试和智能体化环境的一体化研究环境。

这也正是“给社会科学一个西部世界”的含义：它不是取代真实世界，而是在真实世界之外构建一个由硅基被试持续行动、互动和演化的可运行社会。未来，AgentSociety² 有望应用于平台治理、公共政策、城市管理、灾害响应、群体决策、社会心理和 AI 安全等关键场景，让社会科学家能够以新的方式观察机制、测试假设，并重新理解复杂社会的生成过程。

博士后招募

诚挚欢迎有志从事社会模拟方向博士后研究的学者联系。博后申请材料请发送至 fiblab@tsinghua.edu.cn

欢迎前往 AgentSociety² 官网了解更多信息。平台现已开放研究提案提交通道，优质提案入选后可获得100 元平台使用代金券，支持研究想法快速验证与实际运行。

官网：https://agentsociety2.fiblab.net/

GitHub：https://github.com/tsinghua-fib-lab/agentsociety/

AI+Social Science读书会

集智俱乐部联合美国东北大学博士后研究员杨凯程、密歇根大学安娜堡分校博士候选人裴嘉欣，宾夕法尼亚大学沃顿商学院人力资本分析研究组博士后研究员吴雨桐、即将入职芝加哥大学心理学系的助理教授白雪纯子，共同发起。读书会已完结，现在报名可加入社群并解锁回放视频权限。

详情请见：

1.

2.

3.

4.

5.

6.

7.