Simulating Generative Social Agents via Theory-Informed Workflow Design

📄 arXiv: 2508.08726v1 📥 PDF

作者: Yuwei Yan, Jinghua Piao, Xiaochong Lan, Chenyang Shao, Pan Hui, Yong Li

分类: cs.AI, cs.CY

发布日期: 2025-08-12

💡 一句话要点

提出基于理论的框架以设计生成社交代理

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 社交代理 大型语言模型 社会认知理论 行为模拟 机器学习

📋 核心要点

  1. 现有的社交代理实现多为特定场景设计，缺乏统一框架，限制了其泛化能力和一致性。
  2. 提出一个基于社会认知理论的框架，包含动机、行动规划和学习模块，系统化设计社交代理。
  3. 实验结果显示，理论驱动的代理在复杂条件下的行为偏差降低了75%，验证了方法的有效性。

📝 摘要（中文）

近年来，大型语言模型在推理和角色扮演方面的进展为基于代理的社交模拟开辟了新机遇。然而，现有代理的实现大多是针对特定场景的，缺乏统一的设计框架。这种缺乏通用社交代理的现象限制了它们在不同社交背景下的泛化能力和产生一致、真实行为的能力。为了解决这一挑战，本文提出了一个基于理论的框架，为基于大型语言模型的社交代理提供系统的设计过程。该框架基于社会认知理论的原则，引入了动机、行动规划和学习三个关键模块。这些模块共同使代理能够推理其目标、规划连贯的行动，并随着时间的推移调整其行为，从而产生更灵活和适应上下文的响应。实验表明，基于理论的代理在复杂条件下再现了真实的人类行为模式，与经典生成基线相比，在多个保真度指标上实现了高达75%的行为数据偏差降低。

🔬 方法详解

问题定义：本文旨在解决现有社交代理缺乏通用设计框架的问题，导致其在不同社交场景中的泛化能力不足和行为不一致。

核心思路：提出一个基于社会认知理论的框架，通过动机、行动规划和学习模块的结合，使代理能够更好地推理目标、规划行动并适应环境变化。

技术框架：整体架构包括三个主要模块：动机模块负责设定代理的目标，行动规划模块负责制定具体行动计划，学习模块则使代理能够根据环境反馈调整行为。

关键创新：本研究的创新点在于将社会认知理论应用于社交代理设计，形成系统化的设计流程，使代理能够在复杂社交环境中表现出更真实的行为。

关键设计：在模块设计中，动机模块使用了特定的目标设定算法，行动规划模块采用了基于状态的决策树，而学习模块则结合了强化学习策略，以优化代理的长期行为表现。

📊 实验亮点

实验结果显示，基于理论的社交代理在多个保真度指标上实现了高达75%的行为偏差降低，显著优于传统生成基线。同时，消除任一模块会导致错误增加1.5到3.2倍，验证了各模块的重要性。

🎯 应用场景

该研究的潜在应用领域包括虚拟社交平台、游戏开发、教育模拟等，能够为人机交互提供更自然的体验。通过提升社交代理的真实感和适应性，未来可能在心理学研究、社会行为分析等领域产生深远影响。

📄 摘要（原文）

Recent advances in large language models have demonstrated strong reasoning and role-playing capabilities, opening new opportunities for agent-based social simulations. However, most existing agents' implementations are scenario-tailored, without a unified framework to guide the design. This lack of a general social agent limits their ability to generalize across different social contexts and to produce consistent, realistic behaviors. To address this challenge, we propose a theory-informed framework that provides a systematic design process for LLM-based social agents. Our framework is grounded in principles from Social Cognition Theory and introduces three key modules: motivation, action planning, and learning. These modules jointly enable agents to reason about their goals, plan coherent actions, and adapt their behavior over time, leading to more flexible and contextually appropriate responses. Comprehensive experiments demonstrate that our theory-driven agents reproduce realistic human behavior patterns under complex conditions, achieving up to 75% lower deviation from real-world behavioral data across multiple fidelity metrics compared to classical generative baselines. Ablation studies further show that removing motivation, planning, or learning modules increases errors by 1.5 to 3.2 times, confirming their distinct and essential contributions to generating realistic and coherent social behaviors.