From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-based Agent

这篇论文《From Individual to Society: A Survey on Social Simulation Driven by Large Language Model-based Agents从个体到社会：基于大语言模型代理的社会模拟综述》主要综述了基于大语言模型（LLMs）的社会模拟研究。其核心内容包括：

1. 研究背景：

   • 传统社会学研究依赖于人类参与，如问卷调查和心理实验，但成本高、难以扩展，并存在伦理问题。
   • LLMs 具备类人推理与规划能力，可作为自主代理（agents），模拟人类行为。

2. 研究分类：

   • 个体模拟（Individual Simulation）：模拟特定个体或群体的行为，关注个体特征再现，如性格、偏好等。
   • 场景模拟（Scenario Simulation）：组织多个代理在特定场景下协作完成目标，如软件开发、自动诊断等。
   • 社会模拟（Society Simulation）：构建代理社会，研究群体行为和社会动态，如舆论传播、宏观经济现象等。

3. 研究方法：

   • 讨论各类模拟的架构、目标、评估方法，并总结常用数据集与基准测试。

4. 应用与前景：

   • 这些模拟可帮助理解社会现象、验证社会科学理论，并为政策制定和社会管理提供决策支持。

摘要：
传统社会学研究通常依赖人类参与，尽管有效，但成本高、难以扩展，并涉及伦理问题。近年来，大语言模型（LLMs）展现出模拟人类行为的潜力，可用于再现个体反应，并促进跨学科研究。在本文中，我们对该领域进行了全面综述，探讨 LLM 代理驱动的社会模拟的最新进展。我们将模拟划分为三类：(1) 个体模拟，即模仿特定个体或人口群体；(2) 场景模拟，多个代理在特定背景下协作实现目标；(3) 社会模拟，模拟代理社会内的互动，以反映现实世界的复杂动态。这些模拟按照层级递进，从精细的个体建模发展到大规模的社会现象。我们详细探讨每种模拟的架构、目标分类及评估方法，并总结常见数据集和基准测试。最后，我们分析三类模拟的研究趋势，并提供相关资源库链接：https://github.com/FudanDISC/SocialAgent。

1. 引言

社会学研究长期以来依赖于人类参与，如问卷调查、访谈、实验研究等。这些方法虽然能够提供丰富的数据和洞见，但通常面临成本高昂、难以规模化以及伦理约束等问题。例如，在社会心理学实验中，受试者的行为可能受到实验环境的影响，导致结果偏差。此外，一些研究涉及敏感话题，使得数据收集更加困难。

近年来，**大语言模型（LLMs, Large Language Models）的崛起为社会科学研究提供了新的可能性。LLMs 具备强大的自然语言处理能力，并且能够生成连贯、类人的文本，这使得它们可以作为自主智能体（Agent）**来模拟个体和群体的行为。例如，研究人员可以使用 LLM 代理来重现社会互动，研究群体行为模式，甚至探索社会动态的长期演化趋势。

本综述系统地总结了**基于 LLM 代理的社会模拟（Social Simulation）的最新研究进展，并从个体（Individual）、场景（Scenario）和社会（Society）**三个层次进行分类。具体而言，我们的贡献包括：

1. 提出一个新的社会模拟分类框架，将现有研究划分为个体模拟、场景模拟和社会模拟，并分析各自的目标、方法和挑战。
2. 综述 LLM 代理的关键技术，包括自主决策、情境推理、角色设定等，并探讨其在社会科学中的应用。
3. 总结当前的评估方法与基准测试，包括代理行为一致性、任务完成度、社会动态再现能力等指标。
4. 讨论社会模拟的未来发展方向，如更高拟真度的代理建模、增强互动的多智能体系统、结合物理世界数据的混合模拟等。

2. LLM 代理驱动的社会模拟分类

基于 LLM 代理的社会模拟可以按照层级复杂度进行分类，主要包括以下三类：

2.1 个体模拟（Individual Simulation）

个体模拟的目标是让 LLM 代理模仿特定个体或群体的行为。这种模拟强调个体特征的再现，如人格特质、偏好、价值观等。例如：

• 人格建模（Personality Modeling）：为 LLM 代理赋予特定性格，使其在对话或决策中展现一致的行为风格。
• 情感反应模拟（Emotion Simulation）：让 LLM 代理具备情绪感知能力，并能根据输入信息作出合理的情感表达。
• 特定人群建模（Demographic Modeling）：如模拟不同年龄段、文化背景或职业群体的行为模式。

2.2 场景模拟（Scenario Simulation）

场景模拟指多个 LLM 代理在预设情境下协作或竞争，完成某种任务或目标。常见应用包括：

• 任务驱动对话（Task-oriented Dialogue）：如软件开发团队的协作模拟，测试 LLM 代理在开发任务中的沟通与决策能力。
• 专家系统（Expert System）：如医疗诊断，多个 LLM 代理分别扮演医生、患者、家属等角色，共同完成诊疗过程。
• 社会实验（Social Experiment）：如模拟法庭辩论、公司会议等复杂情境，以研究群体行为和决策过程。

2.3 社会模拟（Society Simulation）

社会模拟关注大规模智能体交互，探索宏观社会现象的形成和演化。例如：

• 舆论传播（Opinion Dynamics）：研究信息如何在 LLM 代理构成的社会网络中传播，并影响群体观点。
• 政策模拟（Policy Simulation）：测试不同政策对社会系统的影响，如税收政策、公共卫生措施等。
• 经济市场（Economic Market）：模拟虚拟市场，研究消费者、企业和监管机构的互动。

3. LLM 代理的核心技术

基于 LLM 的社会模拟需要一系列核心技术支持，包括：

1. 角色设定（Character Setting）：定义代理的身份、背景、性格，使其行为更具一致性。
2. 情境推理（Contextual Reasoning）：让 LLM 代理理解并适应不同场景，提高模拟的真实性。
3. 长期记忆（Long-term Memory）：存储并利用过往互动数据，使代理具备“长期行为一致性”。
4. 多智能体交互（Multi-agent Interaction）：增强代理间的协作与竞争能力，提高群体行为的合理性。

4. 评估方法与基准测试

LLM 代理驱动的社会模拟需要可靠的评估方法，目前主要有以下几类：

• 行为一致性（Behavior Consistency）：测试代理在长期交互中的角色稳定性。
• 任务完成度（Task Performance）：评估代理在特定任务中的表现，如完成率、正确率等。
• 社会动态再现能力（Social Dynamics Reproduction）：衡量模拟能否再现真实社会现象，如意见极化、群体决策模式等。

此外，研究人员已经开发了一些基准测试（Benchmark），用于衡量 LLM 代理的社会模拟能力，例如 MetaGPT、AutoTQA、DERA 等。

5. 未来展望

尽管 LLM 代理在社会模拟中展现出巨大潜力，但仍面临一些挑战，如拟真度不足、长期记忆受限、伦理问题等。未来可能的发展方向包括：

1. 更真实的个体代理：结合多模态数据（文本、语音、图像）提升代理的表现力。
2. 更复杂的群体互动：增强代理间的沟通能力，使其能够自发形成社会关系。
3. 更强的决策能力：引入强化学习、自主推理机制，使 LLM 代理能在复杂环境中自主学习与适应。

6. 结论

本文系统回顾了基于 LLM 代理的社会模拟研究，提出了一个新的分类框架，并总结了该领域的关键技术、评估方法与挑战。LLM 代理的社会模拟不仅能帮助研究人员更好地理解社会现象，还能为政策制定、企业管理、教育培训等领域提供新的解决方案。

相关资源
本研究相关代码与资源已开源，访问链接：https://github.com/FudanDISC/SocialAgent。