大模型智能体做社会模拟时，真正难在哪
传统社会科学更多依赖问卷、访谈和心理实验。这些方法当然有效，但一到大规模、敏感话题或者强变量控制，成本和伦理风险就很难绕开。LLM 出来之后，事情变得不一样了：我们开始能用一组虚拟智能体去模拟人的行为、协作和群体演化。
这类工作通常会分成三个层次：个体模拟、任务模拟、社会模拟。层次越往后，问题就越不是'模型会不会说话'，而是'它能不能在足够长的时间里，保持像一个人，甚至像一群人'。
个体模拟：先把一个人站稳
个体模拟是最基础的一层。目标不是让智能体'聪明'，而是让它稳定地表现出某种身份、性格、经验和偏好。
这里最常见的做法是给智能体补齐角色设定：姓名、年龄、职业、性格特征、过往经历。实现方式可以是 Prompt Engineering，也可以靠微调模型。前者上手快，后者更稳一些，但成本也更高。做过一轮之后通常会发现，真正麻烦的不是角色开场，而是前后行为一致不一致。
记忆机制基本躲不开：
- 短期记忆：处理当前对话上下文。
- 长期记忆：用向量数据库保存关键事件和知识。
- 反思机制：回看自己的行为，修正认知偏差。
如果没有这些东西，智能体很容易变成'每轮都像新的人'。短对话还能糊过去，时间一长就露馅。
个体层面还要解决决策和规划问题。LLM Agent 框架，比如 ReAct、Plan-and-Solve，适合把一个目标拆成多步，再逐步执行。下面这个例子比较典型：
class IndividualAgent:
def __init__(self, persona, memory):
self.persona = persona
self.memory = memory
def plan(self, goal):
# 分解目标为子任务
steps = self.llm.generate_plan(goal)
return steps
def execute(self, step):
# 执行动作并更新环境
action = self.llm.decide(step)
return action
这段代码的重点不在类本身，而在它把'想'和'做'拆开了。只让模型直接回答，行为通常很飘；先规划再执行，至少能把动作链条拉直一点。
任务模拟：多智能体一起干活
当多个个体智能体放进同一个环境里，问题就从'像不像一个人'变成'能不能协作完成任务'。这就是任务模拟。
多智能体系统里，通信方式很关键。可以直接用自然语言交流，也可以用结构化消息传递信息。前者更灵活，后者更容易控住格式。实际选型时我会偏向后者，尤其是任务复杂、参与者多的时候，纯自然语言很容易把协作拖散。
协商机制也很重要。资源冲突、意见分歧、优先级不一致，这些都得处理。常见思路包括辩论式 AI、投票机制，或者干脆引入一个裁决角色。没有协商，多个智能体很容易各说各话，最后谁也没把事情做完。
工具使用是另一条线。模型本身的参数不可能覆盖所有实时信息，所以要让智能体会调用外部工具：搜索互联网、运行代码、操作 API 等。这个方向的价值很直接，它把模型和环境之间的缝补上了，也让任务模拟不至于只停留在'聊天像那么回事'。
社会模拟：从协作走向涌现
社会模拟是更高一层。这里关注的不只是单个智能体或者一组智能体完成任务，而是大量个体互动之后，宏观现象怎么出现，比如舆论传播、市场波动、文化演化。
