社会科学研究长期以来面临一个根本性难题：许多重要问题无法在真实世界中反复实验。传统社会科学靠的是调查、访谈、实验室实验、自然实验和统计分析来理解社会现象，计算社会科学则进一步引入了大规模数据和仿真模型。但在实际研究中，理论、数据、实验、仿真和写作往往分散在不同的工具里。研究者提出一个假设后，还得手工把它翻译成实验协议、智能体设定、环境规则、干预方案和分析脚本，这个过程既复杂又难以复用。

如果有一种方法，能让计算机自己“跑”出一个社会，在里面做实验、观察结果、反复验证，那会怎样？2025年，清华大学团队提出的AgentSociety已经朝着这个方向迈出了重要一步。它基于大模型智能体和第一性原理，构建了一个大型社会模拟器，将大语言模型驱动的智能体、真实社会环境和大规模仿真引擎结合起来，能生成超过万级智能体，模拟它们之间以及与环境之间千万次的交互，从而模拟意见极化、信息传播、全民基本收入、飓风冲击和城市可持续性这些复杂的社会问题。AgentSociety的关键意义在于，它让AI智能体第一次以较大规模进入了社会模拟，使得研究者能在计算环境中观察社会行为和群体动态如何从个体互动中涌现出来。

图1. AgentSociety²通过智能体整合四种研究范式（经验研究、理论建模、计算仿真和数据密集型），形成面向社会科学研究的「智能融合范式」

现在，这个系列迎来了新的跃迁。如果AgentSociety-1回答的是“如何让AI智能体组成一个社会”，那么AgentSociety²进一步回答的是“如何让这个AI社会成为一间真正可以开展社会科学研究的实验室”。这才是AgentSociety²最核心的突破：它不再只是模拟社会，而是让社会科学研究本身变得可执行。

AgentSociety²将AI社会科学家（AI social co-scientists）与硅基被试（silicon participants）放进了同一个运行环境，使得文献理解、假设生成、实验设计、仿真执行、结果分析和论文撰写能够与被研究的模拟社会直接连接起来。

图2. 大规模社会模拟器 AgentSociety-1 发展历程

从「社会模拟」到「可执行社会科学」

AgentSociety²的目标，是打通从理论到实验的这个关键断点。它提供了一种面向社会科学的集成研究环境，让研究者从一个高层问题出发，能逐步完成文献调研、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，因为社会科学研究对象本身就是“人”和“社会过程”。所以，AgentSociety²中的大模型智能体承担了两种角色：一类是AI social scientists，帮助研究者组织研究流程；另一类是silicon participants，作为被研究的社会参与者，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，是AgentSociety²最具学术突破性的地方。它意味着AI不只是帮人类写代码、查文献或生成报告，而是同时进入了“研究者侧”和“被研究对象侧”。研究者提出问题，AI social scientists帮忙梳理文献、形成假设、设计实验并组织分析；silicon participants则在模拟社会中行动，生成可观察的行为轨迹和群体结果。二者被放入同一个可审计的运行环境，使得社会科学假设能够被转化为智能体行为、环境规则、干预程序和测量指标。

换句话说，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。这也是“可执行社会科学”的真正含义。过去，一个社会科学假设通常写在论文中，依赖后续调查、实验或数据分析来检验。AgentSociety²希望进一步把假设变成可运行的实验结构。比如，“推荐系统是否会强化信息茧房”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；“公共品博弈中的合作为何衰退”可以被转化为参与者、收益结构、惩罚机制和重复互动过程；“灾害预警如何影响人群移动”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。

AI社会科学家：从文献、假设、实验、数据到论文的闭环

为实现这一目标，AgentSociety²构建了面向社会科学的AI social scientist工作流。系统通过编排层（harness layer）、技能库、子智能体、工具接口与阶段化流程，将社会科学研究中的多个环节连接为一个可执行的完整流程：从研究主题界定到文献检索，从假设生成到实验设计，再到仿真执行、结果分析与论文撰写。

研究者并不会被排除在流程之外，而是在关键节点保留控制权，包括假设修订、参数设定、干预方案改进和结果解释。AgentSociety²因此更像一位“AI社会科学副驾驶”：AI负责处理海量文献、组织流程、运行仿真和整理结果，人类研究者则负责提出重要问题、判断理论价值和解释机制含义。

图4. 硅基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

智能体化环境：把社会规则转化为可运行的实验场景

AgentSociety²的另一个关键创新，是将社会环境变成了可调用、可组合、可生成的实验模块。社会科学中的环境非常复杂：公共品博弈需要规则，社交媒体需要推荐机制，城市移动需要空间约束，灾害响应需要事件演化，心理实验需要任务流程。AgentSociety²将公共品博弈、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封装为agentic environments，让研究者能够根据不同问题组合实验环境。

系统中提出的CodeGenRouter进一步将自然语言意图转化为可验证的环境操作，让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。

图5. 智能体化实验环境通过统一接口、AST解析、CodeGenRouter、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

硅基被试：让社会实验拥有可运行的人群

在智能体设计上，AgentSociety²也从传统的长提示词或固定工作流，走向了基于技能的架构。随着社会实验复杂度提升，角色背景、实验规则、环境状态、工具说明、历史交互和阶段目标会不断增长。如果全部塞进prompt，不仅成本高，也容易丢失关键约束。AgentSociety²将观察、认知、计划、记忆以及特定实验中的决策规则拆解为可复用技能，让智能体按需加载与当前任务相关的能力。

同时，每个智能体都拥有独立工作空间，用于保存画像、状态、记忆、日志和检查点。这意味着AgentSociety²中的智能体不是一次性文本生成器，而是在长期仿真中持续保留状态、更新记忆并记录轨迹的可追踪行为主体。

图6. 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

七类实验验证：从个体心理到城市灾害

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，覆盖了微观行为实验、中观网络动态和宏观城市情境。

图7. 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，系统模拟信息茧房和意见极化，让研究者可以改变推荐规则、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则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。

这些实验表明，AgentSociety²并不是一个只适用于小型对话实验的系统。它可以连接个体心理、群体互动、平台机制、城市行为和公共治理问题。从这个角度看，AgentSociety²的真正意义，是为计算社会科学提供了一种新的基础设施：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，并形成可复现的研究证据。

图8. AgentSociety²研究案例实验结果

AI时代社会科学基础设施

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。计算社会科学一直试图理解宏观社会现象如何从微观个体行为和互动中涌现，例如社会规范为何形成，公共合作为何衰退，信息茧房为何加深，灾害响应为何呈现群体差异。传统社会科学能够观察真实世界，但干预困难；传统仿真模型能够控制机制，但往往简化人类行为。

大模型智能体的出现，使研究者有机会构建更接近真实行为的模拟个体，而AgentSociety²进一步将这些模拟个体、社会环境和研究流程连接起来，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、分析结果并形成可复现证据。

更重要的是，AgentSociety²并不是实现AI替代社会科学家，也不是主张silicon participants可以无条件替代真实人类。相反，它强调human-in-the-loop的研究模式，让人类研究者在关键节点保留判断和控制。AI social scientists负责扩展可探索的机制空间，降低工程负担，提高实验组织效率；人类研究者则提供目标、约束、理论判断和最终解释。这样的协作关系，使社会科学有可能从“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9. 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给出了一个面向这一特殊领域的答案：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 social scientists、silicon participants和agentic environments的集成研究环境。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。

这正是AgentSociety²所带来的碘伏性变化：AI不只是进入社会，AI开始帮助我们研究社会。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，为理解复杂社会系统提供新的计算工具和实验空间。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大、更可控、更可复现的实验室。