Apollo
全部栏目

多智能体社会模拟

多智能体社会模拟在设定好的环境中观察角色互动，用来探索机制和情景；模拟中的行为不能直接当作真实人群结论。

返回概念图谱 →

理解与应用

多智能体社会模拟为一组虚拟角色设置环境、可见信息与行动方式，再观察互动如何演化。使用语言模型时，角色还可以结合记忆、计划和对话生成行为。它适合研究规则在某种设定下会带来什么结果，或为游戏与交互设计探索可能情景。

例如模拟办公楼里的消息传播：A 知道食堂临时关闭，B 只能联系 A 和 C，C 没有直接收到通知。模拟者需要决定每一轮谁先行动、消息是否一定转发、角色能否记住前一轮对话。这些看似实现细节的选择，会直接决定通知多久传遍整栋楼。

如果采用同步更新，每个角色本轮只能看到上一轮状态，消息从 A 到 C 可能需要两轮；若依次更新，B 刚知道消息，C 就可能在同一轮听说。加入语言模型后，转发意愿和措辞又会受角色提示、底层模型与采样影响。多个角色用同一模型时，输出还可能带有相关偏差，并非独立的人群样本。

因此，模拟结果首先说明的是这套规则和设定的后果。更换初始条件、更新顺序和随机种子，能检验结果是否稳健；若要解释现实，则还需要现实数据的校准与验证。故事看起来生动，不能让虚构员工的意见变成真实员工反馈，更不能据此认定某一群体通常会怎样行动。

关系速览
多智能体协作应用于 →多智能体社会模拟

交互角色可以通过多 Agent 建模，但模拟行为不等于真实人群因果证据。

动手试一试：同步更新时，一条消息需要几轮传播

程序规定消息一定转发，并使用上一轮状态同步更新，所以结果完全由网络和规则决定。它没有模拟人的心理或运行语言模型；C 在第二轮才知道消息，说明更新时间安排本身就能改变观察结果。

将代码保存为 example.py，使用 Python 3.10+ 运行 python3 example.py。仅使用标准库，无需密钥，不会调用外部模型。

Python 代码

neighbors = {"A": ["B"], "B": ["A", "C"], "C": ["B"]}
known = {"A": True, "B": False, "C": False}
for step in range(3):
    print(f"第 {step} 轮：", [name for name, value in known.items() if value])
    previous = known.copy()
    known = {
        name: previous[name] or any(previous[n] for n in neighbors[name])
        for name in previous
    }

运行结果

第 0 轮： ['A']
第 1 轮： ['A', 'B']
第 2 轮： ['A', 'B', 'C']

常见误区

  • 角色语言自然，不等于这些角色代表真实人群的行为分布。
  • 更新顺序、交互渠道和初始设定都会影响结果，不能当作无关实现细节。
  • 用同一模型生成多个角色，不会自动获得相互独立的社会样本。

前置与延伸

建议先读

相关概念

参考与版本

Apollo 原创讲解与教学示例。参考资料用于核对技术定义；核验日不代表资料的发布日期。