社会实验作为一种典型的社会科学研究方法，通过观察人、组织或社会群体在真实或模拟环境中的行为反应，以研究特定社会现象或政策的影响。进一步地，基于ABM（Agent-based Modeling）的模拟仿真方法而通过自下而上的模拟，以可扩展、可复制且系统化的计算方法取代了成本高昂、定制化弱的传统实验，而大模型智能体依靠大语言模型的类人感知、推理、决策能力进一步革新了这一研究范式。本次报告将针对基于大模型智能体的社会模拟仿真，介绍社交网络模拟、宏观经济模拟等重要问题上的研究进展，并进一步介绍大模型智能体社会模拟平台AgentSociety以及核心技术、关键应用和平台生态。
随着大模型技术的迅速发展，人们逐渐发现，与传统技术相比，大模型在越来越多的任务中展现出类人智能。社会科学以个体或群体为研究对象，而大模型的发展正为这一领域带来全新的研究工具与方法。在众多社会科学分支中，社会模拟是一种通用且重要的研究范式。因此，利用大模型构建社会模拟环境，成为大模型时代赋予社会科学的一项独特机遇。本报告将围绕大模型智能体在社会模拟环境构建中的关键问题与核心技术展开探讨，系统梳理当前基于大模型的社会模拟研究进展，并展望该领域未来的发展方向。
传统的社会科学研究通过问卷调查和行为实验等方法来研究社会现象。对于人类实验员的依赖，使得传统实验方法在可扩展性、成本控制和伦理风险规避等方面存在局限性。大模型的发展使得模拟复杂的人类行为成为可能，为社会模拟带来了新的机遇。过去几年，学术界也见证了generative agents，electionsim等社会模拟器的出现。本次讲习班将从个体模拟、场景模拟和社会模拟这三个层级，系统性介绍大模型智能体驱动的社会行为模拟的相关研究，探讨其中的关键技术、挑战以及未来发展方向。
基于大语言模型（LLM）的代理已经被广泛应用于不同任务，如个人助手或活动规划。目前大多数的研究集中在代理间的合作与协作上，对竞争这一促进社会和经济发展的重要机制的关注较少。本文提出了一个适用于LLM代理的竞争框架 CompeteAI，并深入探讨了LLM代理之间的竞争动态；以此为窗口，探索智能体如何帮助社会科学研究。
大语言模型的快速发展涌现出了与人类相似的小样本学习和通用推理能力。近期研究表明智能体工作流（Agentic Workflows）是充分释放大语言模型能力的重要途径，并且具有训练资源需求低、有自主决策能力等诸多优势，成为了一个重要的研究方向。然而，开放、复杂的城市场景与简单的虚拟沙盒环境有很大差别，大模型智能体面临推理开销大、行为生成和决策质量低等诸多挑战。在本次报告中，讲者将介绍城市环境下大模型智能体高效推理与拟人行为决策机制研究，探讨大模型驱动的城市动态模拟研究方向。
本文提出了一种以人为中心的大模型Agent社会交互模拟方法，以更好地理解用户、内容创作者和系统之间的动态互动过程。基于宏观和微观两个层面的模拟框架，本文深入探讨了推荐系统在不同社会环境中的演化机制，揭示了推荐系统对多方角色的潜在影响和风险。
