环境为何是 LLM 社会仿真的一等公民：可复现性与基础设施

1　被压缩成参数的那个环境

多智能体社会仿真长期遵循一条隐含分工：智能体负责「像人」，环境只负责「放东西」。研究者精心调校人格提示、记忆与决策规则，却常把制度、资源与外部冲击压缩成一组静态参数。这条分工看似高效，代价却隐蔽而昂贵——一旦环境不是被建模的对象，而只是舞台，仿真结论就无法在不同环境设定间复现，所谓「社会」也只不过是一次智能体属性的投影。

2026 年，一批出发点各异的研究开始追问同一个默认假设：环境究竟是不是陪衬。它们分别从建模（Li 与 Tao）、规范（Sarangi 等人）、设施（Piao 等人）与算力（Zhou 等人）四个方向给出否定答案。把这些答案并置，可以看到一条共同的论证：环境必须被提升为可参与决策的一等公民，而可复现性则必须从个人勤勉问题，转化为工程规范问题。以下四节依次展开这条论证，最后给出可复现仿真的工程契约。

2　环境缺席，偏差就无处归因

Li 与 Tao（2026）直截了当地指出：智能体单独（AI Agents Alone）尚不足以支撑社会仿真。仅让智能体扮演角色，得到的只是「角色扮演的似真性」，而非「人类行为的效度」。二者之所以不能混为一谈，根源在于环境是否进入决策回路。

他们主张把环境形式化为「环境参与的马尔可夫博弈」，把暴露机会与行动调度（exposure 与 scheduling）当作显式变量，使智能体的「能做什么」与「在何时何地能做」被同等对待。其要害在于归因：当环境只在事后被用来解释结果，任何偏差都无从定位——究竟是智能体判断错了，还是环境根本没给它机会？环境一旦缺席，偏差便失去了归因的落点，仿真也就无法被证伪。

这里需要正面回应一种常见的辩护：智能体只要足够强，环境细节事后补记即可，行为研究关心的终究是「人」而非「舞台」。但这恰恰取消了归因——若环境不进入决策回路，当同一群智能体在不同环境下给出不同结果时，我们无法判断差异来自「人」还是来自「舞台」，也就无法把行为归因于任何可检验的机制。

3　让「同一环境」成为可核对的合同

如果说 Li 与 Tao 说明了环境「为何要进决策回路」，Sarangi 等人（2026）则回答它「如何被固定下来」。他们提出 EASE 配置框架与 SiliSocS 协议，主张把模型、提示、环境、随机种子、指标定义等写成可核验的配置文件，使他人能够逐项复现，而非只能复述结论。

这一步的意义超出了技术细节：它把长期困扰该领域的「不可复现」问题，从个人勤勉问题转化为工程规范问题。换句话说，「同一环境」不应是研究者的口头承诺，而应是一份可逐条核对的合同——只有把影响结论的每一项设定显式外化，社会仿真才具备可累积、可反驳的科学形态。

4　从一次实验到一套设施

规范要落地，还需要承载它的设施。Piao 等人（2026）发布的 AgentSociety 2，把自身定位为「可执行社会科学」的集成研究环境：它不是单个仿真脚本，而是把环境构建、智能体运行、数据采集与结果分析打包为一套设施，使研究者能够在统一底座上组合不同的社会环境与人群设定。

这一转向值得单独标记：领域的重心，正从「造更强的智能体」移向「造更可靠的环境与实验平台」。这与前两节的论证互为呼应——一旦重心落在环境与设施上，可复现就不再是额外负担，而是基础设施的天然属性。

5　让重复扫描付得起

然而，环境越显式、设施越完备，计算负担就越重。Zhou 等人（2026，ACL）提出的 GASim，以图优化记忆（GOM）、图消息传递（GMP）与熵驱动分组（EDG）三项机制加速大规模社会仿真，报告了数量级的加速，并把 token 消耗压到基线之下。

其意义不止于省算力。当大规模、环境复杂、多次重复的仿真变得可负担时，稳健性审计与环境敏感性扫描才第一次具备可执行性——环境建模的主张因此获得了计算层面的落地条件。换言之，算力不是可有可无的后勤，而是「环境作为一等公民」能否兑现的前提之一。

6　可复现仿真的三条工程契约

四条证据链到此汇成一条工程路径。socienceAI实验室认为，可复现社会仿真可压缩为三条彼此依赖的契约。第一，环境显式化：把制度、资源、暴露与调度写成可参与决策的一等变量，而非事后解释的背景板，使偏差可归因。第二，配置外化：以配置文件固化模型、提示、环境、种子与指标定义，使复现从「重跑脚本」升级为「核对配置」。第三，设施化与加速：把环境构建与实验运行沉淀为可复用设施，并用图加速把大规模、多重复的敏感性扫描变得可负担。

三条契约互为条件——环境不显式，则归因无从谈起；配置不外化，则设施无法复用；加速不到位，则审计流于形式。缺任何一条，社会仿真都会退回到「一次性的演示」。对相关研究方法的进一步讨论，见 研究方法技能库。

7　三处尚未闭合的缺口

承认这条路径，并不等于问题已解决。当前至少有三处缺口。其一是标准层：缺乏共享的环境与任务基线，跨团队的「同一环境」难以对齐，配置即使外化也未必可比。其二是成本层：环境复杂度一旦上升，仿真与敏感性扫描的计算量迅速膨胀，仍高度依赖并行与图级优化。其三是解释层：环境显式化后变量数量激增，如何在不牺牲可读性的前提下呈现因果，成了新的表达难题。

socienceAI实验室认为，下一阶段的突破仍在这三处：建立开放的环境基准与复现协议；把稳健性审计与配置核验工具化为仿真栈的默认组件；发展「环境—智能体」联合校准方法，使二者在同一实验框架内被共同检验，而不是各自为政。

8　常见问题

8.1　为什么说社会仿真里的环境常常被「降格」

多数研究把资源、制度与外部冲击写成静态参数或事后背景，用于解释结果而不参与决策。Li 与 Tao 指出，这样一来任何偏差都难以归因，无法区分「智能体判断错误」与「环境未提供机会」；环境被降格为舞台，仿真也就退化为智能体属性的一次投影。

8.2　可复现社会仿真需要固定哪些要素

按 Sarangi 等人的 EASE 配置框架，至少需外化模型与版本、提示模板、环境设定、随机种子、指标定义与交互规则，使他人能逐项核对而非复述结论。配置外化把「不可复现」从个人勤勉问题转为工程规范问题，是社会仿真成为可累积科学的前提。

8.3　计算加速为什么是环境建模的前提

环境越复杂、重复次数越多，计算成本越高；若成本高到无法反复扫描，稳健性审计就只能停留在口号。Zhou 等人的 GASim 用图优化记忆、图消息传递与熵驱动分组实现数量级加速，把大规模、多重复的环境敏感性实验变得可负担，从而使「环境作为一等公民」从主张落到可执行的工程条件。

参考文献

1. Yiming Li, Dacheng Tao. AI Agents Alone Are Not (Yet) Sufficient for Social Simulation[EB/OL]. arXiv:2603.00113 (2026-02-19)[2026-10-09]. https://arxiv.org/abs/2603.00113
2. Sneheel Sarangi, Maximilian Puelma Touzel, Aurélien Bück-Kaeffer, Zachary Yang, Jean-François Godbout, Reihaneh Rabbany. EASE Configuration Facilitates A Reproducible Science of LLM Social Simulations[EB/OL]. arXiv:2605.30258 (2026-05-28)[2026-10-09]. https://arxiv.org/abs/2605.30258
3. Jinghua Piao, Jun Zhang, Haoyu Huang, Keming Zhang, Jing Yi Wang, Xinran Zhao, Songwei Li, Boyuan Sun, Jiayi Chang, Fengli Xu, Chunyan Wang, Fang Zhang, Ke Rong, Jun Su, Tianguang Meng, Yi Liu, Qingguo Meng, Yu Wang, Yong Li. AgentSociety 2: An Integrated Research Environment for Executable Social Science[EB/OL]. arXiv:2607.11895 (2026-06-11)[2026-10-09]. https://arxiv.org/abs/2607.11895
4. Xuan Zhou, Yanhui Sun, Hantao Yao, Allen He, Yongdong Zhang, Wu Liu. GASim: A Graph-Accelerated Hybrid Framework for Social Simulation[C]//Proceedings of ACL 2026 (Long Papers). 2026: 12510-12528. https://aclanthology.org/2026.acl-long.569/