AgentSociety 2：清华开源的多智能体仿真平台

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

1. 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。
2. 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。
3. 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）。
4. 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。
5. 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。