在《三體》式的科幻想象中，文明可以被遙遠地觀察，社會可以被冷靜地記錄，人類行為仿佛成為一個可被推演的復雜系統。

而在 AI Scientists 正在進入科學研究的今天，一個更現實的問題正在浮現：如果我們能在計算機中構建一個可運行、可干預、可復現的「社會」，社會科學研究會不會擁有一種全新的實驗方式？

2025 年，清華大學團隊提出的 AgentSociety 已經邁出了重要一步。基于大模型智能體和第一性原理構建的大型社會模擬器，AgentSociety 將大語言模型驅動的智能體、真實社會環境和大規模仿真引擎結合起來，生成超過萬級智能體并模擬其千萬次智能體以及智能體與環境之間的交互，用于模擬意見極化、信息傳播、全民基本收入、颶風沖擊和城市可持續性等復雜社會問題。

圖 1. 大規模社會模擬器 AgentSociety-1 發展歷程

AgentSociety 的關鍵意義在于，它讓 AI 智能體第一次以較大規模進入社會模擬，使研究者能夠在計算環境中觀察社會行為和群體動態如何從個體互動中涌現。

如今，AgentSociety 系列迎來新的躍遷，清華大學團隊進一步提出 AgentSociety2:面向可執行社會科學的一體化研究環境（An Integrated Research Environment for Executable Social Science）。

• 論文鏈接：https://agentsociety2.fiblab.net/paper/AgentSociety2.pdf
• 官網鏈接：https://agentsociety2.fiblab.net/
• GitHub: https://github.com/tsinghua-fib-lab/agentsociety/

歡迎在平臺提交自己的研究提案。平臺會為優秀提案提供 100 元使用代金券，支持大家把想法真正跑起來！

如果說AgentSociety-1回答的是「如何讓 AI 智能體組成一個社會」，那么 AgentSociety2 進一步回答的是「如何讓這個 AI 社會成為一間真正可以開展社會科學研究的實驗室」。這也是 AgentSociety2 最核心的突破：它不再只是模擬社會，而是讓社會科學研究本身變得可執行。

圖 2.AgentSociety2 通過智能體整合四種經典研究范式，形成面向社會科學研究的「智能融合范式」。

AgentSociety2 將 AI 社會科學家（AI Social Scientists） 與 硅基被試（Silicon Participants）放入同一個運行環境，使文獻理解、假設生成、實驗設計、仿真執行、結果分析和論文撰寫能夠與被研究的模擬社會直接連接起來。

從「模擬社會」到「可執行社會科學」

社會科學長期面臨一個根本難題：許多重要問題無法在真實世界中反復實驗。

傳統社會科學依靠調查、訪談、實驗室實驗、自然實驗和統計分析來理解社會現象，計算社會科學進一步引入大規模數據和仿真模型。但在實際研究中，理論、數據、實驗、仿真和寫作往往分散在不同工具中。研究者提出一個假設后，還需要手工把它翻譯成實驗協議、智能體設定、環境規則、干預方案和分析腳本，這一過程既復雜又難以復用。

AgentSociety2 的目標，正是打通這個斷點。它提出一種面向社會科學的一體化智能研究環境，讓研究者從一個研究問題出發，逐步完成文獻調研、假設生成、機制建模、實驗配置、仿真運行、結果解釋和研究呈現。

與一般 AI Scientist 系統不同，社會科學中的 AI 不只是研究者一側的助手，因為社會科學研究對象本身就是「人」和「社會過程」。因此，AgentSociety2 中的大模型智能體承擔兩種角色：一類是AI Social Scientists，幫助研究者組織研究流程；另一類是Silicon Participants，作為被研究的社會參與者，在可配置的社會環境中行動、互動、響應干預并產生行為數據。

圖 3. AgentSociety2：從以仿真為中心的硅基被試模擬系統，走向硅基被試與硅基科學家協同的雙角色研究生態。

這種雙角色設計，是 AgentSociety2 最具學術突破性的地方。它意味著 AI 不只是幫助人類寫代碼、查文獻或生成報告，而是同時進入「研究者側」和「被研究對象側」。

研究者提出問題，AI Social Scientists 幫助梳理文獻、形成假設、設計實驗并組織分析；Silicon Participants 則在模擬社會中行動，生成可觀察的行為軌跡和群體結果。二者被放入同一個可審計的運行環境，使社會科學假設能夠被轉化為智能體行為、環境規則、干預程序和測量指標。

換句話說，AgentSociety2 不是讓 AI 直接給出社會科學答案，而是讓 AI 幫助研究者把社會科學問題變成可以運行的實驗。

這也是「可執行社會科學」的真正含義。過去，一個社會科學假設通常寫在論文中，依賴后續調查、實驗或數據分析來檢驗。AgentSociety2 希望進一步把假設變成可運行的實驗結構。

比如，「推薦系統是否會強化信息繭房」可以被轉化為社交媒體環境中的曝光規則和用戶選擇機制；「公共品博弈中的合作為何衰退」可以被轉化為參與者、收益結構、懲罰機制和重復互動過程；「災害預警如何影響人群移動」可以被轉化為城市空間中的事件沖擊、信息發布和行動響應。社會科學問題因此不再只是被描述，而是可以被構造、運行、干預和比較。

「AI 社會科學家」：把研究流程接入智能體系統；

「硅基參與者」：讓社會實驗擁有可運行的人群

為實現這一目標，AgentSociety2 構建了面向社會科學的 AI Social Scientist 工作流。

具體而言，系統通過編排層（harness layer）、技能庫、子智能體、工具接口與階段化流程，將社會科學研究中的多個環節連接為一個可執行的完整流程：從研究主題界定到文獻檢索，從假設生成到實驗設計，再到仿真執行、結果分析與論文撰寫。同時，研究者并不是被自動化流程替代，而是在關鍵節點持續參與并保留控制權，包括修訂研究假設、設定實驗參數、優化干預方案，以及解釋和判斷最終結果。

AgentSociety2 因此更像一位「AI 社會科學副駕駛」：AI 負責處理海量文獻、組織流程、運行仿真和整理結果，人類研究者負責提出重要問題、判斷理論價值和解釋機制含義。

圖 4. 硅基社會科學家支持從研究主題界定、假設生成、實驗設計、仿真配置、仿真運行到結果分析和報告生成的完整科研流程。

AgentSociety2 的另一個關鍵創新，是將社會環境變成可調用、可組合、可生成的實驗模塊。社會科學中的環境非常復雜，公共品博弈需要規則，社交媒體需要推薦機制，城市移動需要空間約束，災害響應需要事件演化，心理實驗需要任務流程。

AgentSociety2 將公共品博弈、囚徒困境、信任博弈、心理實驗、社交媒體空間、事件空間、經濟空間和移動空間等封裝為智能體化環境（agentic environments），使研究者能夠根據不同研究問題，靈活組合實驗場景、交互規則與干預條件，從而構建可執行、可比較、可復現的社會科學實驗。系統中提出的 CodeGenRouter 進一步將自然語言意圖轉化為可驗證的環境操作，讓研究者不必從零開始編寫復雜模擬代碼，而可以用更高層的語言定義實驗要求，再由系統生成可運行的環境調用。

圖 5. 智能體化實驗環境通過統一接口、AST 解析、CodeGenRouter、代碼緩存和安全執行機制，將智能體的自然語言意圖轉化為可執行的環境操作。

在智能體設計上，AgentSociety2 也從傳統的大提示詞或固定工作流，走向基于技能的架構。隨著社會實驗復雜度不斷提升，角色背景、實驗規則、環境狀態、工具說明、歷史交互和階段目標都會持續累積。如果將這些信息全部塞進提示詞，不僅成本高，也容易遺漏關鍵約束。

為此，AgentSociety2 將觀察、認知、計劃、記憶，以及特定實驗中的決策規則，拆解為可復用的技能模塊，使智能體能夠根據當前任務按需加載相關能力。同時，每個智能體都擁有獨立工作空間，用于保存畫像、狀態、記憶、日志和檢查點，從而支持長周期、可追蹤、可恢復的社會仿真實驗。

這意味著AgentSociety2 中的智能體不是一次性文本生成器，而是在長期仿真中持續保留狀態、更新記憶并記錄軌跡的可追蹤行為主體。

圖 6. AgentSociety2 將社會人智能體擴展為通用硅基被試智能體，每個智能體通過獨立工作區記錄狀態、記憶與行為軌跡，并在 ReAct 循環中按需調用觀察、規劃、記憶、認知等技能，支持長期、可追蹤、可復現的社會實驗。

七類實驗驗證：微觀行為實驗、中觀網絡動態和宏觀城市情境

為了展示這一系統的通用性，研究團隊設計了七類多尺度社會科學實驗，覆蓋微觀行為實驗、中觀網絡動態和宏觀城市情境。

圖 7. AgentSociety2 實驗案例展示

在微觀層面，AgentSociety2 支持社會規范涌現、公共品博弈和心理調查，用于研究合作、懲罰、自我偏差和間接認知過程。

在中觀層面，系統模擬信息繭房和意見極化，讓研究者可以改變推薦規則、用戶選擇和內容暴露機制，觀察群體分化如何形成。

在宏觀層面，AgentSociety2 進入城市移動和災害響應場景，用于模擬日常出行和危機沖擊下的人群行為。

這說明 AgentSociety2 并不是一個只適用于小型對話實驗的系統。它可以連接個體心理、群體互動、平臺機制、城市行為和公共治理問題。從這個角度看，AgentSociety2 的真正意義，是為計算社會科學提供一種新的基礎設施：讓研究者能夠在同一平臺上構建人群、設計環境、施加干預、觀察涌現、分析結果，并形成可復現的研究證據。

圖 8. AgentSociety2 研究案例實驗結果

邁向 AI 時代社會科學基礎設施，放大社會科學家的能力

對計算社會科學而言，AgentSociety2 的意義在于，它為研究復雜社會系統提供了一種新的基礎設施。

計算社會科學一直試圖理解宏觀社會現象如何從微觀個體行為和互動中涌現，例如社會規范為何形成，公共合作為何衰退，信息繭房為何加深，災害響應為何呈現群體差異。傳統社會科學能夠觀察真實世界，但干預困難；傳統仿真模型能夠控制機制，但往往簡化人類行為。

大模型智能體的出現，使研究者有機會構建更接近真實行為的模擬個體，而 AgentSociety2 進一步將這些模擬個體、社會環境和研究流程連接起來，讓研究者能夠在同一平臺上構建人群、設計環境、施加干預、觀察涌現、分析結果并形成可復現證據。

更重要的是，AgentSociety2 并不是實現 AI 替代社會科學家，也不是主張 Silicon Participants 可以無條件替代真實人類。相反，它強調 human-in-the-loop 的研究模式，讓人類研究者在關鍵節點保留判斷和控制。AI Social Scientists 負責擴展可探索的機制空間，降低工程負擔，提高實驗組織效率；人類研究者則提供目標、約束、理論判斷和最終解釋。

這樣的協作關系，使社會科學有可能從「發生了什么」的描述性研究進一步走向「為什么會發生」以及「如果改變機制，會發生什么」的機制型研究。

圖 9. AgentSociety2：面向人機協同的一體化研究環境

在 AI for Science 快速發展的今天，AI Scientist 已經進入機器學習、生物醫學、化學和材料等領域。但社會科學的對象更復雜，它研究的是由人、關系、制度、空間和信息環境共同構成的社會過程。

AgentSociety2 給出了一個面向這一特殊領域的答案：當 AI Scientist 進入社會科學，它不應只是一個會寫論文的助手，而應是一個連接 AI 社會科學家和硅基被試者的一體化智能研究環境。它讓社會科學從人類手工組織流程，走向人機協同執行實驗；從事后分析社會現象，走向主動測試社會機制；從單次研究項目，走向可積累、可復用、可審計的研究基礎設施。

這正是 AgentSociety2 所帶來的顛覆性變化：AI 不只是進入社會，AI 開始幫助我們研究社會。

未來，AgentSociety2 有望應用于平臺治理、公共政策、城市管理、災害響應、群體決策、社會心理和 AI 安全等關鍵場景，為理解復雜社會系統提供新的計算工具和實驗空間。它的目標不是取代真實世界，而是在真實世界之外，為社會科學打開一個更大、更可控、更可復現的實驗室。