首页
/ AgentSociety从零搭建指南：智能体社会模拟平台的核心配置与实战教程

AgentSociety从零搭建指南：智能体社会模拟平台的核心配置与实战教程

2026-04-10 09:37:44作者：冯梦姬Eddie
agentsociety
AgentSociety: Large-scale Social Simulation to Understand Human Behaviors and Society through LLM-driven Agents
项目地址：https://gitcode.com/gh_mirrors/ag/agentsociety

AgentSociety是一个开源的智能体社会模拟平台，通过大语言模型（LLM）驱动的智能体来模拟人类行为和社会现象。本教程将帮助你从零开始搭建这个强大的工具，掌握核心配置方法，并通过实际案例验证模拟效果。无论你是研究人员、开发者还是对社会模拟感兴趣的爱好者，都能通过本指南快速上手这个开源项目的配置与使用。

问题导入：为什么需要AgentSociety智能体模拟平台

在当代社会科学研究和人工智能应用中，我们面临着如何理解复杂社会系统、预测群体行为的挑战。传统的社会模拟方法往往受限于固定规则和简化模型，难以捕捉人类行为的复杂性和不确定性。

核心痛点：

  • 社会系统研究缺乏可复现的实验环境
  • 政策制定需要低成本、低风险的模拟验证
  • 人工智能伦理研究需要可控的社会交互场景
  • 复杂系统动态演化过程难以预测和解释

AgentSociety通过结合大语言模型（能够理解和生成人类语言的AI系统）与多智能体技术，为这些问题提供了创新解决方案。它允许研究人员创建由AI驱动的虚拟社会，观察智能体之间的交互，分析社会现象的涌现，并测试不同政策干预的效果。

AgentSociety架构概览

AgentSociety架构概览 - 展示了系统的核心组件和应用场景，包括社会环境、智能体、大规模交互等关键模块

核心价值：AgentSociety的技术优势与应用场景

AgentSociety作为开源的智能体社会模拟平台，具有独特的技术优势和广泛的应用场景，能够为不同领域的研究和应用提供强大支持。

核心概念：智能体社会模拟的工作原理

AgentSociety的核心是基于大语言模型的社会智能体，这些智能体具有以下特点：

  • 认知架构：每个智能体拥有模拟人类思维的心理过程，包括情感、需求和认知能力
  • 社会行为：智能体能够表现出移动、社交互动、就业消费等多种社会行为
  • 记忆系统：记录客观事件和主观体验，影响智能体的决策和行为
  • 环境交互：智能体与虚拟社会环境持续互动，相互影响

社会智能体架构

社会智能体架构 - 展示了智能体的个人资料与状态、心理过程、社会行为以及记忆系统之间的关系

操作指南：技术选型决策树

在决定是否使用AgentSociety之前，请根据以下决策树判断是否符合你的需求：

  1. 研究目标：是否需要模拟人类社会行为或社会现象？
  2. 技术依赖：是否能够访问大语言模型API或部署本地模型？
  3. 资源条件：是否具备至少16GB内存和10GB存储空间？
  4. 系统环境：是否使用Linux或MacOS系统（或WSL2）？
  5. 技术背景：是否具备基本的Python编程和配置文件编辑能力？

如果以上问题的答案大部分为"是"，AgentSociety将是一个适合你的工具。

常见误区：对智能体模拟的认知偏差

  • 误区1：认为智能体可以完全复制人类行为

    • 正确认识：智能体是对人类行为的简化模拟，用于研究宏观社会现象，而非个体精确复制

  • 误区2：期望模拟结果直接对应现实社会

    • 正确认识：模拟结果是在特定条件下的涌现现象，需结合现实数据解读

  • 误区3：认为越多智能体模拟效果越好

    • 正确认识：模拟质量取决于智能体设计和交互规则，合理规模更重要

实施路径：AgentSociety的安装与配置指南

本章节将按照"基础配置→场景化配置→性能调优"的进阶式结构，引导你完成AgentSociety的安装与配置过程。

核心概念：安装流程与配置体系

AgentSociety的配置体系包括环境准备、LLM配置、智能体定义和实验设置四个层级，各层级相互关联，共同构成完整的模拟系统。

操作指南：基础配置步骤

目标：完成AgentSociety的安装并验证基本功能

步骤1：环境准备

# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/ag/agentsociety
cd agentsociety

# 创建并激活虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/MacOS
# venv\Scripts\activate  # Windows (WSL2)

# 安装核心包
pip install .

验证标准：虚拟环境成功激活，无错误提示

步骤2：基础安装

# 安装核心包
pip install agentsociety

# 验证安装
agentsociety --version

验证标准：命令输出显示AgentSociety版本号，无错误信息

步骤3：启动WebUI

# 创建基础配置文件
cat > ui.yaml << EOF
addr: 127.0.0.1:8080
env:
  db:
    enabled: true
    db_type: sqlite
  home_dir: ./agentsociety_data
EOF

# 启动WebUI
agentsociety ui -c ./ui.yaml

验证标准：命令行显示"Server started"，浏览器访问http://127.0.0.1:8080能打开Web界面

常见误区：安装过程中的常见问题

  • 依赖冲突：确保Python版本为3.11或更高，建议使用虚拟环境隔离依赖
  • 端口占用：如果8080端口被占用，可修改ui.yaml中的addr配置，如"127.0.0.1:8081"
  • 权限问题：避免使用root用户安装，可能导致文件权限错误

操作指南：场景化配置

目标：配置适合不同场景的AgentSociety环境

开发环境配置

适用于功能开发和代码调试，注重易用性和调试便利性。

# 开发环境配置示例
llm:
- api_key: your-dev-api-key
  model: gpt-3.5-turbo  # 使用成本较低的模型
  provider: openai
  semaphore: 50  # 较低的并发限制
env:
  db:
    enabled: true
    db_type: sqlite  # 轻量级数据库
  debug: true  # 启用调试模式
agents:
  citizens:
  - agent_class: citizen
    number: 10  # 少量智能体加速调试
exp:
  name: dev-experiment
  environment:
    start_tick: 28800
  workflow:
  - day: 1
    type: run

测试环境配置

适用于功能验证和性能测试，配置接近生产环境但规模较小。

# 测试环境配置示例
llm:
- api_key: your-test-api-key
  model: gpt-4o
  provider: openai
  semaphore: 100
- api_key: your-backup-api-key
  model: qwen-max
  provider: qwen
  semaphore: 100  # 配置多个LLM提高可用性
env:
  db:
    enabled: true
    db_type: postgresql  # 使用生产环境数据库类型
    host: test-db.example.com
    port: 5432
    username: test-user
    password: test-pass
    database: agentsociety-test
agents:
  citizens:
  - agent_class: citizen
    number: 100  # 中等规模智能体
exp:
  name: test-experiment
  environment:
    start_tick: 28800
  workflow:
  - day: 7  # 较长时间运行
    type: run

生产环境配置

适用于正式实验和研究，注重性能和稳定性。

# 生产环境配置示例
llm:
- api_key: prod-key-1
  model: gpt-4o
  provider: openai
  semaphore: 200
- api_key: prod-key-2
  model: qwen-max
  provider: qwen
  semaphore: 200
- api_key: prod-key-3
  model: deepseek-chat
  provider: deepseek
  semaphore: 200  # 多LLM配置实现负载均衡
env:
  db:
    enabled: true
    db_type: postgresql
    host: prod-db.example.com
    port: 5432
    username: prod-user
    password: secure-password
    database: agentsociety-prod
  cache:
    enabled: true  # 启用缓存提高性能
agents:
  citizens:
  - agent_class: citizen
    number: 1000  # 大规模智能体模拟
exp:
  name: production-experiment
  environment:
    start_tick: 28800
  workflow:
  - day: 30  # 长期运行实验
    type: run

操作指南：LLM配置详解

LLM配置是AgentSociety的核心，直接影响智能体的行为质量和系统性能。

LLM配置界面

LLM配置界面 - 展示了WebUI中创建LLM配置的表单，包括名称、提供商、API密钥和模型选择等选项

LLM参数配置表

参数名 默认值 取值范围 优化建议
api_key 无 字符串 使用环境变量存储，避免明文
base_url 无 URL字符串 私有部署模型时设置
model 无 字符串 根据任务复杂度选择，平衡效果与成本
provider 无 openai, qwen, deepseek等 至少配置两个不同提供商提高可用性
semaphore 100 1-1000 根据API速率限制调整，避免请求超限
timeout 30 5-120 网络不稳定时适当增加
temperature 0.7 0-2 高值产生更多样化输出，低值更确定
max_tokens 1024 100-4096 根据智能体任务复杂度调整

新手模式：使用默认参数，仅配置api_key、provider和model三个必要参数

专家模式：精细调整temperature和max_tokens控制智能体行为，配置多个LLM实现负载均衡和故障转移

常见误区：LLM配置中的性能问题

  • API密钥管理不当：避免在代码或配置文件中硬编码密钥，建议使用环境变量
  • 并发设置过高：semaphore值不应超过API提供商的速率限制，否则会导致请求失败
  • 模型选择不当：复杂任务使用能力更强的模型（如GPT-4o），简单任务可使用效率更高的模型

操作指南：性能调优

目标：优化AgentSociety性能，提高模拟规模和运行效率

步骤1：数据库优化

env:
  db:
    enabled: true
    db_type: postgresql
    host: db-host
    port: 5432
    username: user
    password: pass
    database: agentsociety
    pool_size: 20  # 连接池大小
    cache:
      enabled: true
      ttl: 3600  # 缓存超时时间(秒)

优化效果：数据库操作响应时间减少40-60%

步骤2：LLM调用优化

llm:
- api_key: key1
  model: gpt-4o
  provider: openai
  semaphore: 150
  cache: true  # 启用LLM响应缓存
  temperature: 0.5
- api_key: key2
  model: qwen-max
  provider: qwen
  semaphore: 150
  cache: true

优化效果：重复请求减少60-80%，API成本降低40-50%

步骤3：智能体调度优化

agents:
  scheduler:
    type: batch  # 批处理调度
    batch_size: 50  # 每批处理智能体数量
    interval: 10  # 调度间隔(秒)

优化效果：系统资源利用率提高30-50%，支持智能体数量增加50%

场景验证：AgentSociety模拟实验实战

通过实际案例验证AgentSociety的功能和配置效果，展示如何设计和运行社会模拟实验。

核心概念：模拟实验设计流程

一个完整的AgentSociety模拟实验包括实验设计、智能体配置、环境设置、运行监控和结果分析五个阶段，形成闭环的实验流程。

操作指南：创建你的第一个模拟实验

目标：创建一个包含100个市民智能体的城市社会模拟

步骤1：准备配置文件

# experiment_config.yaml
llm:
- api_key: your-api-key
  model: gpt-4o
  provider: openai
  semaphore: 200
env:
  db:
    enabled: true
    db_type: sqlite
map:
  file_path: ./map_data/city_map.geojson  # 替换为实际地图文件路径
agents:
  citizens:
  - agent_class: citizen
    number: 100
    profile_file: ./profiles/basic_citizen_profiles.json
exp:
  name: first-simulation
  description: A basic city social simulation with 100 citizens
  environment:
    start_tick: 28800  # 模拟开始时间(秒)
    end_tick: 28800*7  # 模拟持续7天
  workflow:
  - day: 1-7
    type: run
  metrics:
    - social_interaction_count
    - mobility_patterns
    - economic_activities

步骤2：准备智能体画像文件

创建profiles/basic_citizen_profiles.json文件，定义智能体的基本属性：

[
  {
    "id": "base_profile",
    "personality": "neutral",
    "age": {"min": 18, "max": 65},
    "occupation": ["teacher", "engineer", "doctor", "business", "service", "unemployed"],
    "income": {"min": 20000, "max": 150000},
    "social_connections": {"min": 5, "max": 20}
  }
]

步骤3：运行模拟实验

# 检查配置文件
agentsociety check -c experiment_config.yaml

# 运行实验
agentsociety run -c experiment_config.yaml

验证标准：命令行显示实验进度，无错误提示，数据库中生成实验数据

常见误区：实验设计中的常见问题

  • 智能体数量过多：初次实验建议从少量智能体开始，逐步增加规模
  • 实验周期过长：先进行短周期测试，验证配置正确后再进行长期实验
  • 缺乏对照组：设计对比实验时，保持单一变量变化，便于分析结果

操作指南：实验结果分析

目标：通过WebUI查看和分析模拟实验结果

步骤1：访问实验结果界面

  1. 启动WebUI：agentsociety ui -c ui.yaml
  2. 访问http://127.0.0.1:8080
  3. 在导航栏选择"实验"，找到"first-simulation"

步骤2：分析关键指标

  • 社会互动频次：智能体之间的交互次数和模式
  • 移动模式：智能体在地图上的移动轨迹和聚集区域
  • 经济活动：就业、消费等经济行为的分布和变化

AgentSociety模拟结果展示

AgentSociety模拟结果展示 - 地图上显示了智能体的分布和活动情况，可直观观察社会现象的涌现

步骤3：导出实验数据

# 导出实验数据
agentsociety export -e first-simulation -f csv -o experiment_results/

验证标准：在experiment_results目录下生成多个CSV文件，包含不同维度的实验数据

深度拓展：AgentSociety高级应用与社区资源

AgentSociety提供了丰富的高级功能和扩展机制，支持更复杂的社会模拟场景和研究需求。

核心概念：高级功能架构

AgentSociety的高级功能包括自定义智能体开发、复杂场景设计、多智能体协作机制和大规模模拟支持，通过模块化设计实现灵活扩展。

操作指南：自定义智能体开发

目标：创建具有特定行为模式的自定义智能体

步骤1：创建智能体类

# agents/custom_agent.py
from agentsociety.agent.agent_base import AgentBase

class CustomCitizenAgent(AgentBase):
    def __init__(self, agent_id, profile, llm_client, environment):
        super().__init__(agent_id, profile, llm_client, environment)
        # 自定义初始化逻辑
        
    def decide_action(self, observation):
        # 自定义决策逻辑
        # 1. 分析观察到的环境信息
        # 2. 结合自身状态和记忆
        # 3. 调用LLM生成行为决策
        prompt = self._build_decision_prompt(observation)
        response = self.llm_client.generate(prompt)
        return self._parse_response(response)
        
    def _build_decision_prompt(self, observation):
        # 构建自定义提示词
        return f"""
        You are a citizen in a simulated city. Based on the following observation,
        decide your next action:
        
        Observation: {observation}
        Your profile: {self.profile}
        Your current state: {self.state}
        
        Possible actions: move, interact, work, rest, shop
        """

步骤2：注册自定义智能体

# agents/__init__.py
from .custom_agent import CustomCitizenAgent

def register_agents():
    from agentsociety.agent.agent import register_agent_class
    register_agent_class("custom_citizen", CustomCitizenAgent)

步骤3：在配置中使用自定义智能体

agents:
  citizens:
  - agent_class: custom_citizen  # 使用自定义智能体类
    number: 50
    profile_file: ./profiles/custom_profiles.json

验证标准：运行模拟时，自定义智能体被正确加载并表现出预期行为

操作指南：多智能体协作模拟

目标：模拟不同类型智能体之间的协作与互动

# 多智能体配置示例
agents:
  citizens:
  - agent_class: citizen
    number: 200
    profile_file: ./profiles/citizen_profiles.json
  firms:
  - agent_class: firm
    number: 20
    profile_file: ./profiles/firm_profiles.json
  government:
  - agent_class: government
    number: 1
    profile_file: ./profiles/government_profile.json
interactions:
  - type: employment
    between: [firms, citizens]
  - type: regulation
    between: [government, firms]
  - type: taxation
    between: [government, citizens, firms]

优化建议：对于复杂的多智能体交互，建议逐步增加交互类型，每次添加一种并验证稳定性

常见误区：高级功能使用问题

  • 过度定制：优先使用内置功能，仅在必要时进行定制开发
  • 忽视性能影响：自定义智能体逻辑应注意效率，避免复杂计算影响模拟规模
  • 文档不足：为自定义组件编写清晰文档，便于复现和共享

下一步学习路径

  1. 智能体开发进阶：深入学习AgentBase类和智能体生命周期管理
  2. 场景设计模式：掌握复杂社会场景的建模方法和最佳实践
  3. 数据分析方法：学习如何从模拟结果中提取有意义的社会现象规律
  4. 大规模模拟优化：研究分布式模拟和性能优化技术

社区资源导航

  • 官方文档：项目中的docs目录包含完整的使用指南和API文档
  • 示例代码：examples目录提供多种场景的配置和代码示例
  • 社区扩展：agentsociety-community包提供额外的智能体类型和场景
  • 基准测试：agentsociety-benchmark包提供性能测试和评估工具
  • 贡献指南：项目README.md包含贡献代码和参与社区的方法

通过本指南，你已经掌握了AgentSociety的安装配置和基本使用方法。这个强大的开源智能体社会模拟平台为社会科学研究、人工智能伦理研究和政策模拟提供了全新的可能性。随着你对系统的深入了解，你将能够创建更加复杂和真实的社会模拟场景，探索人类行为和社会现象的奥秘。

记住，模拟结果的解读需要结合领域知识和现实数据，模拟工具是辅助研究的手段，而非替代实际观察和实验。通过不断优化配置和模型，AgentSociety可以成为你探索复杂社会系统的得力助手。

agentsociety
AgentSociety: Large-scale Social Simulation to Understand Human Behaviors and Society through LLM-driven Agents
项目地址：https://gitcode.com/gh_mirrors/ag/agentsociety
登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
656
4.26 K
kernelkernel
deepin linux kernel
C
27
14
pytorchpytorch
Ascend Extension for PyTorch
Python
500
606
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
390
284
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
890
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
939
861
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件，通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求，让密码技术应用更简单，同时探索后量子等先进算法创新实践，构建密码前沿技术底座！
C
1.07 K
557
flutter_flutterflutter_flutter
暂无简介
Dart
902
218
MindSpeed-MMMindSpeed-MM
华为昇腾面向大规模分布式训练的多模态大模型套件，支撑多模态生成、多模态理解。
Python
132
207
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR（Multi-Level Intermediate Representation）构建的，面向昇腾亲和算子编译时使用的中间表示，提供昇腾完备表达能力，通过编译优化提升昇腾AI处理器计算效率，支持通过生态框架使能昇腾AI处理器与深度调优
C++
123
195