AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
“凡我無法創造的，我就無法真正理解。” -- 費曼
智慧時代呼嘯而來，正深刻改變著人們生產、生活和學習的方式。過去幾十年裡，社會科學家和相關領域的研究者，一直致力於透過實證資料與模型揭示人類行為和智慧社會執行的基本規律，試圖找出隱藏在各種社會現象和治理痛點背後的因果機制，從而回答 “是什麼？為什麼？如何治” 等一系列問題。然而，在社會科學研究從 “解釋世界” 向 “改造世界” 演進的正規化轉型中，研究者們始終面臨著一個根本性挑戰 —— 如何突破傳統實證主義方法的侷限，實現對人類行為模式與社會執行規律的可計算、可干預、可預測的深度理解。正如物理學家費曼所說的那句經典名言：“凡我無法創造的，我就無法真正理解。” 真正的理解，不僅是觀察和解釋，更在於能否透過 “生成式” 的方式，自底而上地模擬復現人類行為的複雜模式與社會系統的執行規律，從而模擬、預測和研判智慧社會治理演化路徑和潛在社會風險，推動基於前瞻性實驗主義智慧社會治理最佳路徑。
正如複雜性科學先驅霍蘭德所指出的：“社會系統的本質在於其構成元素間的非線性湧現。” 這一論斷揭示了傳統還原論方法在應對社會複雜性時的固有侷限，也催生了 “生成式社會科學”（Generative Social Science）這一研究正規化的迅速崛起，該正規化將社會視為複雜自適應系統，從微觀層面出發，透過模擬個體的行為和互動來探索複雜社會系統的內在機制，強調透過自底向上的計算實現對社會數字孿生的構建。其中，智慧體建模（Agent-Based Modeling）是目前廣泛應用的一種方法，它透過構建 Agent 以及多 Agents 之間的互動關係，動態再現社會的執行狀態。這種方法已被廣泛應用於社會科學、政治學、經濟學等領域，幫助研究者更深入地理解人類行為及社會的複雜性。
儘管這一領域取得了重要進展，仍面臨一個亟待解決的核心問題：這樣的模擬究竟能在多大程度上真實還原現實社會的複雜性？因此，如何在保證模擬規模足夠龐大以支援複雜性研究的同時，提升模擬的真實性，使其更貼近現實社會的執行邏輯，仍是亟待突破的重要方向。
近日，清華大學電子系城市科學與計算中心研究團隊，聯合清華大學智慧社會治理研究院、公共管理學院、社會科學學院等跨學科團隊深度協作，充分發揮大模型智慧體、真實社會環境模擬與大規模模擬加速框架的技術優勢，結合智慧社會治理的前沿理論與實踐探索，成功構建了基於大模型的 “大型社會模擬器 AgentSociety” 1.0 版本，可精確模擬社會輿論傳播、認知觀點極化、公眾政策響應等。AgentSociety 從社會學第一性原理出發，以助力推動社會科學研究正規化變革，推動了社會學領域從行為模擬到心智建模、從靜態推演到動態共生、從實驗室工具到社會基礎設施的發展。具體而言，該模擬器包括：
大模型驅動的社會人智慧體：基於社會學理論，構建具有 “類人心智” 的社會人智慧體，賦予其情感、需求、動機與認知能力，並在這些心智驅動下進行復雜社會行為，如移動、就業、消費、社互動動等。
真實城市社會環境：精準模擬社會人賴以生存的城市空間，重現交通、基礎設施和公共資源，使智慧體能在真實環境約束下互動，形成逼真的社會生態。
大規模社會模擬引擎：採用非同步模擬架構與 Ray 分散式計算框架，結合智慧體分組和 MQTT 高併發通訊，實現高效、可擴充套件的智慧體互動與社會行為模擬。
智慧社會科學研究與治理工具箱：全面支援實驗、訪談、問卷調查等一系列社會學研究方法，提供多種自動化資料分析工具，從定性研究到定量分析全面助力社會科學研究的深入開展。
文章地址：https://arxiv.org/abs/2502.08691
官方文件：https://agentsociety.readthedocs.io/en/latest/
GitHub 連結：https://github.com/tsinghua-fib-lab/agentsociety/
圖 1 AgentSociety 總覽（互動案例見：https://agentsociety.fiblab.net/exp/1a4c4fa5-04c1-4973-9433-b8b696f2fda0）大型社會模擬器透過數字化和虛擬化的方式，使研究者能夠在無需進行實際實驗的情況下，模擬並觀察社會現象的變化過程，顯著降低了研究的風險與成本。同時，模擬器能夠在不同情境下進行多維度的資料採集和實驗設計，克服傳統研究因受限於時間、空間和資源等因素所帶來的侷限。團隊提供視覺化互動工具和智慧社會治理研究工具箱，支援實時監測、主動干預和資料收集，助力社會研究和治理實驗。社會模擬器的應用不僅限於具體的社會實驗，它還可以作為社會科學研究的核心方法工具，輔助開展前期研究和假設驗證，輔助政策決策者和公共事務參與主體進行智慧決策。研究團隊可以利用其進行初步的理論構建、實驗設計和政策效果評估，為後續的實證研究提供依據。這種工具的靈活性和可擴充套件性使得研究者能夠在不同的社會情境和變數條件下，快速測試理論假設並驗證其可行性，為學術研究的精準性和實用性提供有力支援。為了展示大規模社會模擬器在社會科學研究中的價值，團隊開展了一系列典型社會實驗，涵蓋干預實驗、訪談和調查問卷等方法。實驗聚焦觀點極化、煽動性訊息傳播與治理、全民基本收入（Universal Basic Income, UBI）政策和颶風衝擊下的社會動態，深入探討個體與群體行為在不同社會機制下的演化規律。基於 AgentSociety 的實驗，有效模擬了真實世界中常見的 “迴音室效應”、煽動性資訊具有更強的傳播性和情緒引導力、UBI 政策在個體消費和改善心理健康方面的效果、以及颶風衝擊下的人群流動的受限與恢復，研究結果與真實世界高度一致，證明了 AgentSociety 作為低成本實驗場地驗證政策的有效性。社會人智慧體是 AgentSociety 的核心。團隊提出的大模型驅動的社會人智慧體，旨在透過結合大模型智慧體技術與心理學、經濟學和行為科學理論，模擬具有複雜社會行為的智慧體，並透過模擬大規模智慧體間及智慧體與環境的互動，探索社會現象的演變和集體行為。具體而言，團隊將社會人智慧體設計分為三個層面：心智、心智 - 行為耦合和行為。 圖 2 社會人智慧體的基本構成，分為心智、心智 - 行為耦合和行為在心智層面，為每個智慧體構建穩定的個體畫像（如性格、年齡、性別）和動態的個人狀態（如情感、經濟狀況和社會關係），以確保智慧體在不同情境下展現個性化的行為模式。在此基礎上，團隊引入情感（Emotions）、需求（Needs）和認知（Cognition） 三大核心心理過程，共同決定智慧體的決策推理、行為模式和社會適應能力。具體而言，情感反映智慧體對外部刺激的即時反應，影響其短期決策和社互動動，例如在正面反饋下增強合作意願，或在負面情境中表現出迴避行為；需求是行為的內在驅動力，基於馬斯洛需求層次理論，智慧體在滿足基本生存需求後，會逐步追求安全、社交、尊重乃至自我實現，從而塑造其長期行為軌跡和社交策略；認知決定了智慧體如何理解外部世界，包括對社會事件、政策環境和群體行為的態度，這一過程不僅受其個性和過往經歷影響，還會因長期社會互動不斷演化。智慧體的行為並非隨機或被動響應，而是由其情感、需求和認知共同驅動，並根據個人狀態與外部環境的互動不斷調整。團隊基於馬斯洛需求層次理論（Maslow’s Hierarchy of Needs）和計劃行為理論（Theory of Planned Behavior, TPB），構建從心理狀態到行為執行的完整路徑，使智慧體的行為更符合人類的動機模式。按照馬斯洛需求層次理論，智慧體會優先滿足生存和安全需求，在此基礎上逐步追求社交等更高階目標。與此同時，基於計劃行為理論，智慧體在形成目標後，會結合自身認知和環境因素主動規劃行動，使其行為既具適應性，又能展現長期連貫性。在行為層面，提出的社會人智慧體不僅能夠執行簡單行為，還能夠展現多層次的複雜社會行為，包括移動、社交和經濟活動。簡單行為主要涵蓋睡眠、飲食、娛樂和休息等基礎活動，這些行為雖然不涉及複雜的決策，但對智慧體的整體狀態和長期行為模式至關重要。例如，睡眠不足可能影響情緒和社交意願，而良好的飲食和娛樂體驗則可能提升幸福感，進一步塑造智慧體的社交和工作行為。複雜社會行為方面，智慧體能夠在移動、社交和經濟活動中展現高度的自主智慧。移動行為不僅涉及簡單的地點切換，還包括出行方式選擇、路徑規劃以及對交通環境的動態調整，使智慧體的移動模式更符合現實社會的出行習慣。社交行為不僅限於基本互動，還涉及社交關係的建立、維持和演變，智慧體會根據自身需求、情感狀態和外部環境調整社交策略，從而形成類似人類的社交網路。經濟行為方面，智慧體不僅理解資源交換的基本概念，還能根據自身經濟狀況、市場環境和個體偏好進行工作、消費等經濟決策，展現出符合社會規則的經濟行為模式。為了驗證智慧體的自主決策能力及其行為模式的合理性，團隊模擬了社會人智慧體的一日生活，觀察其在移動、社交和經濟活動 方面的決策和適應能力（如下表所示）。透過 24 小時的模擬，智慧體在需求、情感和認知 的驅動下自主規劃日常任務，並動態調整行為，以符合現實社會中的時間節奏和互動邏輯。為了讓智慧體的行為更加貼近現實世界，團隊構建了一個高度真實、可互動的城市社會環境，支援移動、社交和經濟活動等核心行為的模擬。與僅依賴大模型推理不同，團隊的環境結合物理約束、社會規則和資源限制，確保智慧體的行為符合現實邏輯，避免大模型生成的“幻覺”影響。1.精準建模現實世界機制：融合物理約束、成本反饋和社會執行規則，讓智慧體在時間、資源、經濟等多維度受到真實限制，使其行為更具合理性和連貫性。2.資料來源自現實，確保行為邏輯一致：環境資料直接來源於真實世界，或基於現實社會原則構建，保證模擬結果具有現實參考價值，避免虛擬環境脫離社會規律。3.智慧體可互動介面，支援真實決策：智慧體不僅能夠感知環境，還可直接與其互動，實現路徑規劃、社交關係演變、經濟交易等動態決策，確保行為不僅是文字推理的結果，而是真實行動的模擬。此外，團隊將環境劃分為城市空間、社交空間和經濟空間，共同構建完整、動態的社會系統，為智慧體行為的模擬提供精準支撐，使其更符合人類社會的執行模式。為了驗證真實城市社會環境在大規模社會模擬中的適應性和執行效率，團隊進行了效能測試，評估其在不同規模的智慧體數量和高併發查詢場景下的表現。實驗模擬了 1,000、10,000、100,000 和 1,000,000 個智慧體在城市、社交和經濟空間內的互動，並採用典型工作日出行模式，在 8:30 早高峰啟動模擬。測試過程中，團隊設定查詢執行比為 1:999（即每 999 次資料查詢後進行 1 次環境狀態更新），貼近智慧體的真實互動模式，同時控制模擬程序數為 2、4、8、16 和 32。每種實驗條件下，團隊重複測試五次，每次持續 10 秒，並記錄查詢速率（QPS） 在 10^2 至 10^5 之間的變化情況。實驗結果表明，即使智慧體數量和查詢速率顯著增加，系統仍保持穩定執行，能夠高效處理大規模智慧體互動，為大規模社會模擬提供實時、可靠的計算支援。為了實現真實、高效地大規模社會模擬，團隊構建了一個高效、可擴充套件、支援大規模社會人智慧體並行執行的社會模擬引擎。該引擎不僅結合了 LLM 驅動的多智慧體系統和真實城市社會環境，更在系統架構上進行了深度最佳化，以確保模擬結果既具備現實合理性，又能大規模、高效執行。傳統多智慧體框架（如 CAMEL、AgentScope）通常依賴嚴格的訊息傳遞機制來組織智慧體間的互動，以保證任務的執行順序。然而，在現實社會中，個體的行為決策並非總是受外部輸入直接驅動，而是源自個體記憶、認知狀態和環境約束的自主整合。因此，團隊的社會模擬引擎採用了更接近現實的非同步模擬架構，讓每個智慧體作為獨立的模擬單元，不依賴特定的執行順序，而是透過訊息系統進行資訊交換，實現智慧體之間的相互影響。為了提升大規模並行模擬的計算效率，團隊基於 Ray 分散式計算框架，結合 Python 的 asyncio 機制進行非同步執行，使模擬任務能夠高效利用多核計算資源，並支援分散式叢集擴充套件。同時，為了降低智慧體間通訊的系統開銷，團隊引入了智慧體分組（Agent Group）機制，使多個智慧體可以在單個程序中執行，從而減少程序間通訊開銷，提高計算效率。此外，為了實現大規模社會智慧體的高併發、可靠訊息傳輸，團隊引入了 MQTT 通訊協議，該協議廣泛應用於物聯網場景，具備高吞吐量和低延遲的特點，非常適用於大規模社會模擬中智慧體間的資訊交換。在系統架構上，團隊採用模組化設計，包括共享服務層、模擬任務管理層和可選的 GUI 互動層。共享服務層包括 LLM API 介面、MQTT 訊息伺服器、資料庫儲存和指標管理系統，確保模擬過程中資料傳輸高效、智慧體行為可記錄、結果視覺化。模擬任務管理層則基於 Ray 框架，提供高效的智慧體管理和任務排程能力，使得不同實驗能夠獨立執行，同時共享計算資源，提升可擴充套件性和複用性。大型社會模擬器透過數字化和虛擬化的方式，使研究者能夠在無需進行實際實驗的情況下，模擬並觀察社會現象的變化過程，顯著降低了研究的風險和成本。同時模擬器能夠在不同情境下進行多維度的資料採集和實驗設計，解決傳統研究因受限於時間、空間和資源等因素所帶來的侷限。團隊提供視覺化互動工具與社會學研究工具箱，支援實時監測、主動干預和資料收集，助力社會實驗研究。- 實時視覺化監測：直觀展示社交網路、經濟活動、移動軌跡 等核心變數，支援實驗引數調整，精準跟蹤社會演化過程。
- 訪談（Interviews）：研究者可實時向智慧體提問，獲取基於記憶、當前狀態和環境的回答，不影響其正常行為。
- 調查問卷（Surveys）：支援 批次分發結構化問卷，智慧體按預設規則作答，確保資料一致性，便於趨勢分析。
- 干預實驗（Interventions）：提供三種行為干預方式，測試社會情境下的個體與群體響應，包括：1）智慧體配置：預設性格、目標和關係，影響初始行為傾向；2）記憶操控：修改情緒和認知，觀察對決策與社互動動的影響。3）外部資訊干預：傳送特定資訊（如災害預警）測試應急響應與傳播模式。
社會模擬器的應用不僅限於具體的社會實驗，它還可以作為社會科學研究的核心方法工具，輔助開展前期研究和假設驗證，輔助政策決策者和公共事務參與主體進行智慧決策。研究團隊可以利用其進行初步的理論構建、實驗設計和政策效果評估，為後續的實證研究提供依據。這種工具的靈活性和可擴充套件性使得研究者能夠在不同的社會情境和變數條件下，快速測試理論假設並驗證其可行性，為學術研究的精準性和實用性提供有力保障。為了評估社會模擬引擎的擴充套件性和計算效率，團隊進行了大規模測試，模擬不同數量的智慧體，並測量系統在高併發場景下的表現。在訊息通訊系統方面，團隊測試了 MQTT、Redis Pub/Sub 和 RabbitMQ，比較了它們的並行處理能力、吞吐量（msg/s）和輔助工具支援。實驗結果顯示，MQTT 和 Redis Pub/Sub 滿足高吞吐需求。在大規模智慧體模擬方面，團隊在 64 核伺服器上執行實驗，32 核分配給模擬引擎，32 核用於智慧體執行，並測試了 1,000 和 10,000 智慧體在不同程序數（8、16、32） 下的執行情況。實驗測量了 總執行時間、LLM API 響應時間、模擬器 API 響應時間和令牌消耗，結果表明 Ray 分散式計算框架和智慧體分組機制大幅提高了模擬效率，確保系統在 高併發負載下仍能穩定執行。上表展示了隨著智慧體數量增加，系統在分散式計算下的可擴充套件性及效能表現。實驗表明，令牌使用模式（包括輸入和輸出）保持穩定，分散式並行框架能夠有效支援大規模智慧體的執行，充分利用多核計算能力，成功緩解了 CPU 瓶頸，確保了系統的可擴充套件性。同時，實驗結果也表明，在完全並行的條件下，執行效率主要受限於大模型 API 呼叫的效能。為了展示大規模社會模擬器在社會科學研究中的價值，團隊開展了一系列典型社會實驗，涵蓋干預實驗、訪談和調查問卷等方法。實驗聚焦 觀點極化、煽動性訊息傳播與治理、UBI 政策和颶風衝擊下的社會動態，深入探討個體與群體行為在不同社會機制下的演化規律。觀點極化指社會群體內部的觀點逐漸分化，形成難以調和的對立陣營。本實驗以槍支管控政策為議題，模擬社會智慧體的觀點演化過程。實驗設計包含對照組和兩個干預組：在對照組中，智慧體透過相互討論更新觀點，沒有外部干預，觀點的演化完全依賴於智慧體之間的自主社交互動；在同質資訊組中，智慧體僅接收到與其立場相同的資訊，從而模擬資訊繭房效應；在對立資訊組中，智慧體僅接收與其立場相反的資訊，旨在測試不同觀點的影響。透過這種實驗設計，研究人員僅需要書寫簡單實驗配置檔案，即可在模擬器中開展該實驗：如上圖所示，針對槍支管控這一政治議題，三種實驗設定下的觀點變化呈現出明顯的差異。在對照組中，智慧體之間進行自由討論，沒有外部干預，結果顯示 39% 的智慧體在互動後變得更加極化，而 33% 的智慧體則傾向於持更加溫和的觀點。與此相比，在同質資訊組中，觀點極化現象更加顯著，52% 的智慧體的觀點變得更加極端。這表明，與志同道合的個體過度互動可能會加劇觀點的極化，即真實世界中常見的 “迴音室效應”。而在對立資訊組中，89% 的智慧體的觀點變得更加溫和，11% 的智慧體甚至被說服接受了對立的觀點。這表明，接觸到不同意見的內容能夠有效緩解觀點極化，或可成為應對極化現象的一種有效策略。煽動性訊息指包含極端觀點或誤導性資訊的內容，這類資訊在社交網路中的快速傳播可能加劇群體衝突，影響公共討論環境。本實驗模擬 煽動性資訊在社交網路中的傳播，並測試不同的內容治理策略對其擴散模式和群體情緒的影響。實驗包括對照組和煽動性資訊組：在對照組中，智慧體僅傳播普通訊息，團隊觀察其自然擴散過程及情緒演化。在煽動性資訊組，團隊引入帶有強烈情緒表達的煽動性內容，分析其對資訊傳播速度和群體情緒的影響。針對煽動性資訊傳播的治理，團隊設計了節點干預和邊干預 兩種策略，其中節點干預 透過檢測並封禁反覆傳播煽動性內容的賬戶、以減少資訊源頭，邊干預則在發現煽動性內容傳播時切斷社交連線，以遏制其擴散。實驗還透過與智慧體的互動式訪談探究個體在分享煽動性訊息時的心理動因。在模擬器中開展該實驗的配置如下：實驗結果顯示，煽動性訊息在社交網路中具有更強的傳播潛力和更高的情緒反應。節點干預，即暫停頻繁傳播煽動性內容的賬戶，比邊干預更有效，能夠更好地控制煽動性訊息的擴散。情緒強度分析的結果表明，煽動性訊息顯著放大了網路中的情緒強度，而節點干預在調節情緒反應方面表現尤為突出。進一步，訪談結果揭示，強烈的情緒反應和社會責任感是推動煽動性資訊分享的主要驅動因素，使用者常因同情或擔憂而分享資訊，希望引起公眾關注或推動社會反應。總體來看，煽動性資訊具有更強的傳播性和情緒引導力，與真實人類社會中的觀測結果高度一致。同時，節點干預在資訊控制和情緒調節方面更為有效，為最佳化社交網路內容管理策略提供了有力支援。4.3 全民基本收入（Universal Basic Income，UBI）政策推演UBI 旨在緩解貧困、促進經濟穩定和提升社會福祉，儘管其高昂成本和經濟影響存在爭議，但作為 改善收入分配和增強社會保障的政策工具，已成為研究焦點。本實驗透過模擬 UBI 政策的干預效果，探討其對個體經濟行為和宏觀經濟環境的影響。實驗包括對照組和 UBI 干預組。對照組中，智慧體在無 UBI 政策的條件下進行經濟活動；干預組則模擬實施 UBI，每名智慧體每月獲得 $1,000 的無條件收入，以觀察其消費、儲蓄、就業選擇等行為變化。實驗基於 UBI 試點地區（如美國德克薩斯州）的人口分佈資料，並透過對比兩組模擬的 經濟和社會指標，評估 UBI 對個體和整體經濟的影響，分析其是否與現實 UBI 社會實驗的結果相符。實驗結果顯示，模擬中的經濟系統隨著時間推移逐漸穩定，實際 GDP 和智慧體消費水平的波動逐漸縮小。團隊在第 96 步引入了 UBI 政策，並比較了接下來 24 步內的經濟和社會指標，具體包括智慧體消費水平和抑鬱水平（使用 CES-D 量表進行調查問卷評估）。結果表明，UBI 政策顯著提高了消費水平並降低了抑鬱水平，這與德州 UBI 政策的影響相似，驗證了模擬的現實性。此外，透過對智慧體的訪談，分析了它們對 UBI 政策的看法。訪談結果顯示，UBI 政策的影響與利率、長期福利、儲蓄和生活必需品等關鍵因素密切相關，反映了現實中公眾對 UBI 政策的普遍認知。這些結果一方面支援了 UBI 政策在提高消費和改善心理健康方面的效果，另一方面也證明了模擬器作為低成本實驗場地驗證政策的有效性。颶風等極端自然災害對社會結構和個體行為產生深遠影響，理解此類事件對人口流動、基礎設施和社會穩定的衝擊對於最佳化應急響應和降低災害風險至關重要。本實驗模擬颶風來襲期間的社會動態，分析個體在災害環境下的行為模式。實驗基於 2019 年颶風多里安（Hurricane Dorian） 對美國東南部的影響，選取南卡羅來納州哥倫比亞市作為案例研究。資料來源包括 SafeGraph 移動資料（記錄城市內人群流動模式）和 Census Block Group（CBG）資料（提供人口統計特徵），用於構建 1,000 名社會智慧體，模擬其在颶風期間的行為變化。實驗結果顯示，模擬智慧體在颶風事件中的移動模式與真實資料高度一致，活動水平隨颶風來臨大幅下降，並在災後逐步恢復，符合實際人群出行趨勢。模擬資料與真實人口流動的時間演化相似，驗證了模擬器在復現極端天氣下人類行為的有效性，為最佳化災害應對策略提供支援。面向未來智慧社會治理探索，AgentSociety 將成為人機共生、治理創新、後稀缺經濟模式的試驗場，測試 AI 議員參與立法對民主決策的影響，模擬 UBI 與機器人稅組合政策，甚至在數字環境推演 AI 時代的法律與倫理框架，探討科技與社會的共存模式。團隊所提出的 AgentSociety 是一個基於大語言智慧體的大型社會模擬器，正在從 “預測與解釋工具” 逐漸進化為 “智慧社會治理實驗室”。其核心價值不僅在於分析社會現象，更在於構建一個實驗平臺，用於政策沙盒測試、危機預警和未來社會形態探索，助力社會治理與文明演化。 AgentSociety 同時提供線上使用和離線執行兩種智慧體部署方式，歡迎智慧社會治理同仁和社會科學研究人員關注使用。目前平臺正處於內測階段（詳見 https://agentsociety.readthedocs.io/en/latest/，https://agentsociety.fiblab.net/exp/1a4c4fa5-04c1-4973-9433-b8b696f2fda0）。研發團隊誠摯歡迎來自社會科學、大模型、智慧體等各個領域的學者嘗試平臺並提出寶貴建議和意見。平臺提供易用的線上實驗環境，包括智慧體、城市社會環境、社會科學研究工具箱、完善的手冊文件與實驗案例以及線上指導。後續內部評測後，將提供線上使用模式。使用者可以透過郵箱 agentsociety.fiblab2025@gmail.com 提交研究提案。經過團隊稽核和討論後，團隊將透過郵件傳送內測賬號，協助您順利完成實驗。期待與大家共同探索和推動社會科學研究的前沿發展！使用者可以在官方網站 https://agentsociety.readthedocs.io/en/latest/ 下載離線版本，在本地部署後進行智慧體的配置和實驗，平臺提供適用於 Linux、MacOS Arm 等不同型別作業系統的相應版本，方便模擬環境的快速部署和測試。
