AgentSociety 2：清华开源的多智能体仿真平台

AgentSociety 2 Logo

AgentSociety 2 项目 Logo，图源：项目仓库

一、研究者的「数字社会实验室」：一个真实痛点的回应

想象一下，社会学家想研究谣言如何在社交网络中扩散，传统做法是做问卷调查或控制实验——成本高、周期长、且难以重复。AgentSociety 2 正是为解决这个难题而生：它让你可以在计算机里搭建一个「数字社会」，让 LLM 驱动的智能体扮演不同的社会角色，模拟他们的交互行为，从而量化观察各种社会现象。

这是清华大学 FIB 实验室（Future Intelligence Benchmark）推出的开源平台，GitHub 收获 1,224 颗星，在多智能体仿真领域已是不可忽视的存在。

二、从城市仿真到 LLM 原生：版本演进与核心定位

AgentSociety 项目包含两个主要版本：

AgentSociety 1.x 是早期版本，定位为城市级仿真框架，通过 gRPC 集成城市场景模块（出行、经济、社交），基于 Ray 分布式计算引擎支撑大规模智能体并发运行。

AgentSociety 2（推荐） 则是完全重构版本，最大的改变是从底层为 LLM 驱动智能体设计——v1 的智能体还依赖规则或传统 AI 模型，v2 的智能体直接由大语言模型驱动，行为更自然、仿真结果更有说服力。

v2 目前的稳定版本为 2.8.4（2026-07-27），从 2025 年 2 月上线至今保持着高频迭代。

三、技术架构：从推理模式到科研工具链的完整覆盖

多种推理路由器

v2 默认使用 CodeGen 推理模式——智能体通过生成代码来完成任务，而非简单的文本对话。这一设计让智能体的行为更加可验证、可复现。同时平台内置了 ReAct、Plan-Execute（计划-执行）、Two-Tier（双层）、Search Router 等多种推理模式，开发者可以根据仿真需求自由切换。

无状态智能体 + Ray 并发

AgentSociety 2 的智能体设计非常独特：每个智能体是 workspace 绑定的无状态 record，真正的工作负载由 Ray Task 执行。通过一个统一的 ServiceProxy，环境模块、LLM 客户端、trace 记录和回放句柄被统一注入。这种架构让大规模并发仿真成为可能——理论上，你可以同时运行成百上千个智能体。

科研工具链：做完整的社会科学研究

这是 AgentSociety 最打动人的部分。平台内置了完整的科研技能模块：

文献检索：自动搜索相关领域论文
假设生成：基于数据提出研究假设
实验设计：自动规划实验方案
论文写作：生成规范的学术文本（集成 LaTeX + LibreOffice 工具链）

此外还支持 MCP（Model Context Protocol） 扩展，让第三方工具可以无缝接入。平台同时发布至 PyPI（pip install agentsociety2），安装门槛极低。

丰富的数据基础设施

v2 提供了实验回放能力：基于 Catalog-driven 的 JSONL 格式存储所有仿真数据，用 DuckDB 进行高效读取，配合分布式 trace 机制，让研究者可以随时回溯任意时刻的智能体状态。

四、Web UI 与扩展工具：降低使用门槛

React 前端

前端基于 React 19 + TypeScript + Ant Design 构建，配合 deck.gl（地理可视化）和 mapbox-gl（地图渲染），可以直观地呈现仿真结果中的空间分布和社会网络关系。对于习惯了图形界面的社会科学研究者来说，这比纯 Python 脚本友好得多。

VSCode 扩展

项目还提供了一款 VSCode 扩展，内置 Claude Code 和 OpenAI Codex CLI 工具，开发者可以在 VSCode 内直接调试和运行智能体仿真实验。这是目前同类项目中少见的开发者体验设计。

五、部署体验：中等难度，适合有经验的开发者

好消息：项目有完整的 Dockerfile，支持 Docker 部署。

需要注意：

Dockerfile 为多阶段构建（Node.js 22 编译 VSCode 扩展 + Python 3.12 运行时），需要 BuildKit 支持
镜像包含完整的 LaTeX + LibreOffice 工具链，体积较大（约数 GB）
LLM API 配置是硬性前置条件（支持 OpenAI / Anthropic / 任何 LiteLLM 兼容接口）
没有 docker-compose.yml，无法一键启动完整服务栈，需要手动编排

推荐路径：pip install agentsociety2 最小化安装 → 配置环境变量 → 运行示例脚本 → 有需求再 Docker 部署完整版。

六、真实使用场景与代表案例

项目在 examples/ 目录下提供了多个演示实验：

polarization（极化）：模拟观点极化过程
rumor_spreader（谣言传播）：研究虚假信息的扩散机制
UBI（全民基本收入）：经济政策的社会影响评估
inflammatory_message（煽动性消息）：群体情绪演化
hurricane_impact（台风影响）：自然灾害下的社会响应

这些案例覆盖了社会科学的核心议题，且都有配套的学术论文支撑（配套 arXiv:2607.11895）。

七、局限与挑战：不完美但诚实的评估

LLM 成本不可忽视：运行大规模仿真意味着大量 LLM API 调用，费用可能成为研究瓶颈。
仿真真实性验证难：智能体行为由 LLM 驱动，其输出是否符合真实人类社会行为，目前缺乏系统性的验证框架。
Windows 兼容性问题：历史版本存在 Windows 平台兼容问题（已在新版本中修复）。
中文社区资源偏少：大部分文档和讨论为英文，中文社会科学研究者上手需要额外成本。
生态依赖较重：Ray、LiteLLM、DuckDB 等依赖较多，生产环境运维复杂度较高。

八、行业意义：一个值得关注的技术趋势

AgentSociety 的出现代表了 AI + 社会科学的深度融合方向。随着 LLM 能力的持续提升，用 AI 智能体模拟人类社会行为已从科幻走向可工程化实现。这不仅对社会科学研究者有意义，对 AI 从业者来说也是观察 LLM 在复杂社交场景下行为的重要窗口。

如果你在研究多智能体系统、AI Agent 架构，或想探索 LLM 的社会科学应用，AgentSociety 2 值得放进你的技术雷达。

分析基于 GitHub 仓库 2026-08-24 快照。项目由清华大学 FIB 实验室（tsinghua-fib-lab）开发和维护，采用 Apache 2.0 开源许可。