AgentSociety²：让社会科学研究真正“跑起来”

过去，人工智能更多被看作科研助手：帮助研究者检索文献、生成代码、处理数据、润色论文。但随着大语言模型和自主智能体的发展，AI 正在进入科研流程更深处。它不再只是完成某个孤立任务，而是开始参与问题拆解、流程组织、实验执行和结果整理。

对于社会科学而言，这种变化尤其重要。社会科学研究面对的不是分子、材料或代码，而是由人、关系、制度、空间和信息环境共同构成的复杂社会过程。研究者不仅要提出问题，还要组织文献、定义概念、构建机制、设计实验、准备数据、运行仿真、解释结果，并最终形成可信的研究结论。这个过程往往横跨多个工具、多个学科和多种能力，也使社会科学研究天然具有较高的组织成本。

如果 AI 不只是帮助研究者完成某个任务，而是能够参与组织完整的社会科学研究流程，社会科学研究会发生什么变化？

近日，由清华大学电子工程系李勇教授团队联合环境学院、公共管理学院、社会科学学院、计算社会科学与国家治理实验室，提出 AgentSociety²：一个面向可执行社会科学的一体化研究环境（Integrated Research Environment for Executable Social Science）。该系统将大语言模型智能体、真实社会环境、大规模社会仿真与 AI Social Scientist 式科研流程深度结合，旨在把文献检索、假设生成、实验配置、仿真执行、结果分析与论文写作纳入同一套智能化研究环境中，推动社会科学研究从“AI 辅助单个任务”迈向“AI 组织完整研究流程”。

2025 年，AgentSociety-1 已经迈出了重要一步。作为一个基于大语言模型智能体和真实社会环境构建的大规模社会模拟器，AgentSociety-1 将 LLM 驱动的智能体、真实社会环境与大规模仿真引擎结合在一起，使大量智能体能够在城市、社交和经济空间中持续行动、互动与演化，用于研究意见极化、信息传播、全民基本收入、飓风冲击和城市可持续性等复杂社会议题。

图1. 大规模社会模拟器 AgentSociety-1 发展历程

AgentSociety-1 的重要意义在于，它把“被研究的社会”放进了计算环境。智能体不再只是问卷中的回答者，也不只是规则模型中的参数，而是可以在模拟社会中移动、交流、消费、工作、接收信息并响应外部冲击的“硅基参与者”。研究者由此能够在可控环境中观察个体行为、群体互动和宏观社会动态如何逐步涌现。

但这也留下了一个新的问题：如果模拟社会已经可以被构建出来，那么社会科学研究流程本身是否也可以被纳入同一个系统？

在 AgentSociety-1 中，智能体社会已经开始运行，但更完整的研究过程仍主要发生在平台之外。研究者仍然需要自己完成文献综述、问题提出、理论建构、假设生成、实验设计、数据准备、结果分析和论文写作，并在多个工具和环节之间手动衔接。

AgentSociety² 正是在这一位置上继续向前推进。它的目标不是单纯扩大仿真规模，而是把社会科学研究流程本身也接入智能体系统。其核心变化在于：进一步将 AI 社会科学家（AI Social Scientists）与硅基参与者（Silicon Participants）放入同一个运行环境中，使研究流程与被研究的模拟社会直接连接起来。

图2. AgentSociety² 通过智能体整合四种经典研究范式，形成面向社会科学研究的“智能融合范式”

社会科学长期面临一个核心限制：许多重要问题无法在真实世界中反复实验。公共政策不能轻易试错，平台机制不能随意更改，灾害冲击无法人为重置，社会互动也很难被完整复现。

传统社会科学依靠调查、访谈、实验室实验、自然实验与统计分析理解社会现象，计算社会科学进一步引入大规模数据和仿真模型；但在实际研究中，理论、数据、实验、仿真和写作流程仍常常分散在不同工具中。研究者提出一个假设后，还需要手动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 要打通的正是这条断裂链路。它提出面向社会科学的一体化智能研究环境，使研究者能够从研究问题出发，逐步推进文献调研、假设生成、机制建模、实验配置、仿真运行、结果解释和研究呈现。

与一般人工智能科学家（AI Scientist）系统不同，社会科学中的 AI 不只是研究者一侧的助手，因为研究对象本身就是“人”和“社会过程”。因此，AgentSociety² 让大模型智能体承担两类角色：AI Social Scientists 负责组织研究流程，Silicon Participants 则在可配置的社会环境中行动、互动、响应干预并产生行为数据。

图3. 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

这种双角色设计，使 AI 同时进入“研究者侧”和“被研究对象侧”。过去，社会科学假设通常停留在论文表述中，再依赖调查、实验或数据分析来检验。

而在 AgentSociety² 中，假设可以被转化为智能体行为、环境规则、干预程序和测量指标。推荐系统与信息茧房可以被写成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写成参与者、收益结构、惩罚机制和重复互动过程；灾害预警与人群移动可以被写成城市空间中的事件冲击、信息发布和行动响应。由此，社会科学问题不再只是被描述，而是可以被构造、运行、干预和比较。

在 AgentSociety² 中，硅基参与者被进一步扩展为生成式社会智能体（Generative Social Agents）。如果说 AgentSociety-1 主要构建的是能够在城市、社交和经济空间中行动的“社会人智能体”，那么 AgentSociety² 进一步将其改造为更通用的“硅基被试”：它们不仅可以参与城市和社交场景中的长期模拟，也可以适配实验室实验、心理学调查、社交媒体平台和城市空间等多类社会科学研究任务。

图4. 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. 从角色提示到技能模块

许多大模型社会模拟容易被理解为“写一段人设提示词，让模型扮演某类人”。但真正可用于社会科学实验的硅基被试，不能只是一次性的角色扮演者，而需要具备稳定身份、动态状态、记忆积累和任务适配能力。AgentSociety² 因此把智能体能力从复杂提示词中拆分出来，组织为技能化架构（skill-based architecture）：观察、认知、计划、记忆等基础能力被设计为可复用技能，特定实验中的决策规则、交互协议和工具调用也可以封装为技能模块。

每个技能包含能力说明、适用场景、输入输出约束、执行步骤、日志记录和必要的脚本资源；智能体先通过轻量级技能目录判断是否需要激活某项能力，再在执行时加载完整技能规范。这样既减少上下文冗余，也让智能体能力可以被组合、替换和复用，成为实验设计中的一部分。

2. 从行为描述到行动执行

AgentSociety² 中的硅基被试不只是“描述自己会做什么”，而是在 ReAct 循环（ReAct loop）中持续完成观察、推理、行动和反馈更新。每个仿真步中，智能体会根据当前任务、环境观察、历史记忆和已加载技能形成行动意图；随后，系统可以让智能体直接行动，也可以调用工具或激活技能完成更复杂的操作。

执行结果会被写回智能体状态与工作区，成为后续决策的依据。这使行为不再停留在自然语言回答层面，而成为一个带有外部反馈、状态更新和连续影响的过程。对于社会科学研究来说，这一点非常关键：研究者不仅可以看到最终结果，还可以追踪每一步行为、工具调用、状态变化和环境反馈如何共同生成宏观模式。

3. 从隐式记忆到可审计工作区

长期社会模拟要求智能体在多轮交互中保持连续性。AgentSociety² 为每个智能体维护独立工作区（workspace），用于保存画像、状态、记忆、日志和检查点，并通过文件系统式管理记录行为轨迹、技能调用和中间产物。

与只依赖提示词携带历史信息不同，工作区使智能体的状态演化变得可追踪、可回放、可比较，也便于后续机制分析。系统还提供读写、检索、脚本执行等工具接口，使智能体可以在执行过程中访问自身状态与历史记录。由此，硅基被试不再是一次性文本生成器，而是具有持续状态和外部记录的社会行动主体。

4. 从长上下文到长期仿真

随着仿真持续推进，环境反馈、工具结果、推理记录和状态更新会不断累积。如果全部放入当前上下文，智能体容易受到窗口限制，也可能丢失当前决策最相关的信息。

AgentSociety² 因此引入面向长时程仿真的上下文管理机制：系统会根据上下文占用情况触发分级压缩，轻度压力下清理重复工具结果和低价值历史信息，中度压力下将旧内容压缩为结构化摘要，高度压力下进一步维护滚动摘要。压缩并不意味着历史丢失，完整线程会被写入工作区日志，当前上下文则由结构化摘要、关键状态、持久记忆和最近交互共同重建。这样，系统既能支撑长时间、大规模仿真，也能保留完整历史以保证可复查性。

AgentSociety² 继承了 AgentSociety-1 对“社会人”的行为建模思路：智能体具有相对稳定的身份画像和动态状态，状态中包含心理、经济和社会关系等维度，并通过情绪、需求、认知和记忆连接移动、社交、就业、消费等社会行为。

不同的是，AgentSociety² 不再把这些能力固定在一个全局工作流中，而是重组为观察、认知、计划、记忆四类内置技能。它们构成硅基被试的基本心智—记忆—行动循环，也可以根据不同实验假设被替换、扩展或组合。由此，AgentSociety² 将社会人智能体升级为通用硅基被试智能体：既保留行为连续性，又具备跨实验场景迁移的灵活性。

如果说生成式社会智能体回答“谁在行动”，智能体化环境（Agentic Environments）回答的就是“行动发生在什么规则、空间和制度条件下”。在社会科学中，环境从来不是背景板：公共品实验中的收益结构与惩罚规则、社交媒体中的推荐算法与曝光机制、城市移动中的空间约束与突发事件，都会直接影响个体行为和群体现象。

AgentSociety² 将这些社会情境封装为可调用、可组合的环境模块，包括公共品博弈、囚徒困境、信任博弈、心理实验、社交媒体空间、事件空间、经济空间和移动空间等。研究者可以围绕不同问题组合实验场景、交互规则和干预条件，使理论假设不只是被描述，而是被转化为可运行的实验结构。

系统通过统一的智能体—环境接口连接智能体决策与环境执行。智能体可以用自然语言表达行动意图，也可以通过结构化上下文传递精确参数；环境则返回文本反馈和结构化结果，便于后续记录和分析。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，并结合抽象语法树解析（AST parsing）、代码缓存和安全执行机制，保证环境调用可以被校验、复用和追踪。

图5. 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

在模块接入上，AgentSociety² 采用轻量化机制：已有模拟器可以通过继承基础环境类、添加工具装饰器、补充类型标注和文档说明，被注册为可调用环境模块。系统还为高频请求设计代码预生成和语义缓存机制，例如观察类请求可直接走预绑定路径，统计类请求可预生成并缓存代码片段，结构相似的请求也可复用已有模板。由此，环境不再只是“模拟发生的地方”，而成为可扩展的机制实验容器。

为了真正实现“可执行社会科学”，AgentSociety² 构建了面向社会科学的 AI 社会科学家工作流（AI Social Scientist workflow）。它并不是让大模型零散地完成文献检索、方案生成或报告写作，而是通过编排层（harness layer）、技能库、子智能体、工具接口和阶段化流程，将研究主题界定、文献检索、假设生成、实验设计、仿真配置、仿真执行、结果分析和论文撰写组织成一条连续的研究链路。

在这一流程中，AI Social Scientist 承担的是“研究转译”角色：它把开放性的社会科学问题，逐步转化为理论依据、变量关系、实验条件、干预方式、测量指标和分析路径。由此，原本依赖研究者手动衔接的文献、假设、实验、仿真和写作环节，被整合进同一个可执行、可检查、可追踪的研究闭环。

图6. 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

1. 文献驱动的假设生成

假设生成是社会科学研究中最容易“看似合理、实则难以检验”的环节。一个有价值的假设，需要说明行为结果可能在什么社会条件下出现，并对应怎样的理论机制。

因此，AgentSociety² 不把假设生成简单交给大模型自由发挥，而是通过内部知识库与外部学术检索服务提供文献支撑。在当前实现中，系统构建了包含 2 万余篇精选顶刊文献的内部数据库，覆盖经济学、政治学、社会学、管理学、行为科学、环境与城市研究、计算科学等领域，来源包括 Nature、Nature Human Behaviour、American Economic Review、American Sociological Review 等期刊，并结合 arXiv、OpenAlex 和 CrossRef 等外部来源，从已有理论、经验发现、变量定义、实验范式和研究空白中提炼假设线索。

最终，系统会将研究意图整理为结构化假设包，包括假设表述、理论依据、实验组设计和可调用的仿真模块，使假设从一句自然语言判断，转化为可以追踪、可以版本管理，并能够进入后续实验配置的研究单元。

图7. AgentSociety² 将文献检索结果转化为结构化证据，再形成可验证、可追踪、可进入仿真的假设包

2. 从研究语义到可执行配置

有了假设之后，AI Social Scientist 会进一步把研究问题转化为仿真系统可以运行的实验结构。AgentSociety² 将实验设计分为两个层次：研究描述层记录研究假设、实验组定义、智能体类型和环境模块等高层语义信息；可执行配置层则生成初始化配置、实验步骤、干预条件和评价指标，用于驱动仿真系统实际运行。这样的分层设计，使系统不是简单地让大模型“写一段实验代码”，而是在研究语义与系统执行之间建立转换机制，研究者也可以在仿真前检查、修正和确认实验配置，确保实验既符合理论意图，也能够被仿真引擎稳定执行。

图8. AgentSociety² 将开放研究问题自动化转化为可运行的计算仿真实验

3. 从仿真结果到分析报告

仿真运行结束后，AgentSociety² 会将分散的实验记录转化为可理解、可比较、可回溯的分析材料。系统会汇总数据库中的数值结果、实验上下文、假设描述、实验设置、运行状态、交互记录和运行日志，并将这些材料重新对应到研究问题和实验条件中。

分析模块并不只是做结果汇总，而是识别每个实验组所代表的理论条件，提取关键变量和评价指标，比较不同条件下的行为差异与涌现模式；对于包含多组实验或多个假设的研究，系统还可以进行批量分析和跨实验综合，帮助研究者提炼共同规律、条件差异和机制线索。

图9. AgentSociety² 将实验上下文、运行记录、数据表和可视化结果整合为研究者可检查的分析报告

4. 从分析报告到论文草稿

在研究呈现阶段，AgentSociety² 的论文生成模块会汇集研究主题、假设、实验配置、分析摘要、图表和文献等材料，构建论文叙事框架，并进一步建立论断登记表和图表论证映射，将关键论断与支撑证据对应起来，也为每张图表确定其在论文论证中的作用。

初稿形成后，多个审查智能体会从不同角度检查文本：校准意义陈述，避免结论被过度放大；检查写作精度、术语一致性和数字表述；从证据角度判断现有实验和分析是否足以支撑相应结论。最后，系统还会通过质量门控，对元信息、叙事完整性、论断—证据一致性、图表完整性和 PDF 编译结果进行检查，生成研究者可以继续审阅和修改的论文草稿。

图10. AgentSociety² 将假设、实验、分析和文献等研究产物整合为论文写作蓝图，通过叙事规划、证据审计、论断—证据对齐、多视角审查和发布门控，最终编译生成可供研究者审阅和修改的论文 PDF 草稿

因此，AI Social Scientist 的价值不在于替研究者直接给出结论，而在于把社会科学研究中最繁重、最容易断裂的流程组织起来。它将文献证据、理论假设、实验配置、仿真记录、分析结果和论文写作连接为一条连续链路，使研究者能够在关键节点检查、修正和解释，而不是在多个工具之间反复手动衔接。

除了硅基被试、智能体化环境和 AI 社会科学家，AgentSociety² 还构建了面向社会科学的数据基础设施。这里的数据不只是实验前的输入文件，而是连接真实世界、智能体社会和研究结论的基础层：它既可以用于刻画参与者画像、初始化社会环境和设定制度参数，也可以用于校准仿真结果、对照真实观测，并支撑后续分析与解释。

在社会科学研究中，许多关键变量都来自异构数据：人口统计信息、职业与收入、居住与出行、价值观与偏好、风险感知、信任水平、历史行为记录等，都会影响智能体如何行动，也会影响实验结果如何被解释。如果这些数据每次都依赖研究者临时整理和手动拼接，研究过程就很难复用、比较和积累。

为此，AgentSociety² 提出智能体化数据基础设施（Agentic Data Foundation），将不同来源、不同结构的数据整理为可调用、可管理、可复用的数据资产。系统通过 AgentSociety 数据资产包（AgentSociety Dataset Asset Package）、在线数据集注册表（dataset registry）和本地数据集技能（dataset skills），让数据能够被研究流程主动调用，并与智能体画像、环境配置、实验设计和结果分析连接起来。这样，数据不再只是附在实验之后的表格，而成为支撑可执行社会科学运行的研究资产。

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11. AgentSociety² 实验案例展示

在微观层面，AgentSociety² 支持社会规范实验、公共品博弈和心理调查。社会规范实验观察惩罚、报复和群体规范如何在互动中形成；公共品博弈研究合作、条件合作和自由搭便车；心理调查用于比较硅基被试在自我评价、行为偏差和认知任务中的表现。

在中观层面，AgentSociety² 支持社交媒体场景下的信息茧房和观点极化实验。研究者可以控制推荐规则、用户选择、内容曝光和社交结构，分析信息环境如何影响群体分化，也可以检验不同干预策略对内容多样性和观点变化的影响。

在宏观层面，AgentSociety² 进入城市移动和灾害响应场景。硅基被试不再只是回答问卷或参与文本互动，而是在具有空间结构、时间约束和事件冲击的城市环境中行动。研究者可以观察居民日常出行如何形成，也可以模拟灾害事件下人群移动的抑制、转移和恢复过程。

图12. AgentSociety² 研究案例实验结果

这些实验说明，AgentSociety² 不是只适用于小型对话实验的系统。它能够连接个体心理、群体互动、平台机制、城市行为和公共治理问题，使研究者在同一平台中构建人群、设计环境、施加干预、观察涌现、分析结果，并形成可复查的研究证据。

对计算社会科学而言，AgentSociety² 的意义在于，它为研究复杂社会系统提供了一种新的基础设施。

传统社会科学能够观察真实世界，但难以频繁干预；传统仿真模型能够控制机制，却往往简化人类行为；大模型社会智能体让研究者有机会构建更接近真实行为的模拟个体。AgentSociety² 进一步把模拟个体、社会环境、研究流程和数据资产连接起来，让研究者能够在同一平台上构建人群、设计环境、施加干预、观察涌现、分析结果并形成研究证据。

更重要的是，AgentSociety² 并不是为了让 AI 替代社会科学家，也不是主张 Silicon Participants 可以直接取代真实人类。相反，它强调 human-in-the-loop 的研究方式，让人类研究者在关键节点保留判断与控制。AI Social Scientist 负责拓展可探索的机制空间并降低工程负担；人类研究者则提供理论判断和最终解释。

图13. AgentSociety²：面向人机协同的一体化研究环境

在 AI for Science 快速推进的今天，AI Scientist 已经进入多个科学领域。但社会科学的对象更复杂，它研究的是由人、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，而应是一个连接 AI 社会科学家、硅基被试、实验环境与数据资产的一体化智能研究系统。

它让社会科学从人类手工组织流程，走向人机协同执行实验；从事后分析社会现象，走向主动测试社会机制；从单次研究项目，走向可积累、可复用、可审计的研究基础设施。

这也正是 AgentSociety² 带来的变化：AI 不只是进入社会，AI 开始帮助我们研究社会。它的目标不是取代真实世界，而是在真实世界之外，为社会科学打开一个更可控、更可复现、也更容易积累的实验室。