从蓝图到现实：基于LLM的多智能体模拟对帕特南社会资本理论进行建模与应用

# 从蓝图到现实：基于LLM多智能体模拟的普特南社会资本理论建模与应用  
来源：https://arxiv.org/html/2607.06080  

凌诗怡¹，郑智¹，郑辉²，薛文君³，叶峰⁴，徐童¹  
¹中国科学技术大学认知智能国家重点实验室  
²安徽大学  
³北方自动控制技术研究所  
⁴中国科学技术大学  
{shiyi.ling, awaken215, yefengustc}@mail.ustc.edu.cn, {zhengzhi97, tongxu}@ustc.edu.cn, [email protected]  

###### 摘要  

普特南社会资本理论是集体行动与社区繁荣的基础性框架。然而，传统实证方法在控制与可重复性方面面临实际限制。与此同时，基于LLM的社会模拟通常以行为驱动，缺乏符合理论框架的环境来建模普特南的核心命题。为弥补这些不足，我们提出SocaSim——一个基于LLM的多智能体模拟框架，旨在从理论蓝图走向模拟现实，研究普特南社会资本理论。具体而言，我们构建了一个融合社交网络演化、信任动态与规范传播的环境，智能体在其中参与重复的集体行动实验，进而将这三个维度应用于智慧养老中的适应挑战分析。我们的模拟复现了普特南的宏观模式，并在群体层面展现出强烈的人机对齐性。与传统方法不同，SocaSim通过逐轮模拟和反事实干预，追踪社交网络、信任与规范在微观层面的因果路径，实现了过程层面的可解释性。这些能力共同建立了一种研究范式，利用LLM智能体桥接社会科学与计算机科学。  

从蓝图到现实：基于LLM多智能体模拟的普特南社会资本理论建模与应用  

凌诗怡¹，郑智¹，郑辉²，薛文君³，叶峰⁴，徐童¹  
¹中国科学技术大学认知智能国家重点实验室  
²安徽大学  
³北方自动控制技术研究所  
⁴中国科学技术大学  
{shiyi.ling, awaken215, yefengustc}@mail.ustc.edu.cn, {zhengzhi97, tongxu}@ustc.edu.cn, [email protected]  

## 1 引言  

当事故发生时，庞大的匿名人群常常僵持不动，每个人都等着他人先行动。而在关系紧密的群体中，帮助会立即开始，因为人们彼此联结、相互信任，并且预期会出手相助。这种对比显示了社交网络、信任和规范如何塑造一个群体应对共同问题的能力。由Robert D. Putnam发展的社会资本理论（Putnam et al., 1994；Putnam, 2000）捕捉了这些动态，并解释了为何有些社区能够克服集体行动困境，而另一些则不能。  

见图注  

图1：现有的研究范式与针对普特南社会资本理论的SocaSim范式对比。  

在社会科学领域，对普特南社会资本理论的研究主要依赖传统的实证方法，这些方法虽产生了有价值的见解，但也存在显著局限（图1(a)）。定量方法如大规模调查（Durante et al., 2025）和结构方程模型（SEM）（Hoa, 2021；Sumi et al., 2025）需要大量时间和资源，并在控制和可重复性方面面临实际约束。与此同时，基于模拟的方法如基于智能体的建模（ABM）（Shenk et al., 2019）允许对假设进行受控检验，但传统基于规则的智能体依赖预定义的简单决策规则，难以捕捉人类推理、情感和情境依赖行为的复杂性。  

近年来，大型语言模型（LLMs）的进步使得模拟类人智能成为可能（Friha et al., 2024；Wang et al., 2025a），引发了人们对基于LLM的智能体进行社会模拟的浓厚兴趣（Piao et al., 2026；Yang et al., 2025）。然而，现有方法主要是行为驱动而非理论驱动（图1(b)）：它们通常测试智能体在特定任务上是否表现出合理或类人的行为（Zhao et al., 2024；Jia et al., 2025；Xie et al., 2024），但很少构建与核心理论命题相匹配的环境。此外，当前的框架很少为此类理论驱动分析提供可重复、可控的设置，例如，通过建模网络连接性与集体结果之间的联系或逐步的信任增长。因此，它们仍然难以追踪信任如何积累、规范如何内化，或者个体-集体张力如何产生，导致过程可解释性有限。  

为弥补这一差距，我们提出SocaSim，一个动态且基于理论的LLM多智能体模拟框架，旨在建模和应用普特南社会资本理论（图1(c)）。具体而言，我们构建了一个智能体社会，融合了动态社交网络演化、信任适应和规范扩散机制，智能体在其中参与重复的集体行动模拟。每个智能体拥有基本的人口统计属性和社会资本禀赋，并能够结合社会关系、交互历史和情境进行推理和决策。我们的智能体社会以轮次运行，包含两个阶段：提案阶段，智能体提出提案；以及执行阶段，智能体根据信任、规范和网络联系同时决定是否行动。  

基于这一框架，我们开展了两个渐进式任务。在建模任务中，我们进行了多轮集体行动实验和人类对齐验证。模拟复现了普特南理论预言的宏观模式，与真实老年人的比较显示，群体层面决策的人机对齐性很强（Pearson r = 0.974）。随后，在应用任务中，我们将其三个核心维度应用于智慧养老中的适应挑战——其中技术采纳取决于社交网络、信任和规范——从而使理论从蓝图走向现实。在提高低SES智能体初始信任的反事实模拟中，采纳率提高了15.4%，决策矛盾降低了25.5%，表明信任可以作为一个关键的因果杠杆。与传统方法通常局限于相关性结论不同，SocaSim利用LLM智能体揭示信任如何积累、规范如何内化以及决策矛盾如何产生的微观因果链，提供了过程层面的可解释性和政策设计的实际指导。  

我们的贡献可总结如下：  
- 我们提出SocaSim，一种利用基于LLM的智能体建模普特南社会资本理论的跨学科研究新范式。  
- 我们开发了一个多智能体框架，对社会资本动态进行建模，包括社交网络变化、信任动态和规范扩散。  
- 我们进行了多项实验，包括宏观复现、人类对齐和反事实干预，验证了SocaSim对理论和现实问题的解释力。  

见图注  

图2：SocaSim多智能体架构与逐轮模拟工作流程概览。  

## 2 预备知识  

为阐明理论基础，我们简要介绍普特南社会资本理论（更多示例见附录A）。该理论通常用于解释群体如何处理集体行动困境，即由于协调成本高、信任不足或长期参与难以维系而导致共同问题难以解决的场景。普特南认为，社会资本有助于缓解此类困境，并提高群体应对共同挑战的能力。  

普特南区分了两种主要形式的社会资本。内聚型社会资本在紧密群体内部发展，强化内部支持和团结。桥接型社会资本连接不同或联系松散的群体，促进信息交换和外部资源获取。从概念上讲，社会资本可以通过三个相互关联的维度来理解：社交网络，为社会互动和协调提供渠道；信任，降低不确定性并降低集体响应的感知成本；规范，鼓励群体内的互惠、相互支持和持续参与。这些维度直接对应我们模拟的核心组成部分：社交网络塑造互动机会，信任指导对他者行为的预期，规范随时间调节行为。基于这两种主要形式和三个核心维度，我们利用LLM智能体来建模和应用普特南社会资本理论。  

## 3 方法  

### 3.1 SocaSim概述  

由于普特南社会资本理论涉及复杂的社会建构（社交网络、信任、规范），先前通用的多智能体框架无法捕捉它们的动态耦合。因此，我们提出SocaSim，一个基于LLM的多智能体框架，用于建模、动态耦合和验证该理论的核心要素。具体而言，我们构建了一个社会模拟系统，包含N个智能体，记为A={a₁,...,a_N}，每个智能体配备人口统计和社会经济属性以及初始社会资本禀赋，位于受控环境E中。模拟运行T个离散轮次。在每一轮t（t=1,...,T）中，智能体根据其网络联系、信任倾向和感知到的规范发起或响应社会行为。这些交互更新三个相互关联的核心维度：  

- 社交网络 G_t：联系根据交互频率和质量随时间动态形成、增强或减弱。  
- 信任 T_i(t)：每个智能体a_i通过交互演化其针对特定他人的特定信任水平以及针对更广泛群体的普遍信任水平。  
- 规范 N_i(t)：每个智能体的互惠规范包括用于直接资源交换的特定互惠和用于无需立即回报的相互合作的普遍互惠。  

如图2所示，这些抽象维度由智能体架构（即SST、BDI和SCM）以及§3.2中详述的LLM驱动更新机制具体实现。  

### 3.2 基于LLM的多智能体框架  

#### 3.2.1 社会结构特征（SST）  

普特南社会资本理论认为，社会经济地位决定了获取网络和资源的途径，然而大多数多智能体框架缺乏建模这一点的方法。为克服这一局限，我们设计了一个模块，通过三个关键组成部分生成智能体的结构性社会特征：  

基本人口统计属性。每个智能体被分配人口统计特征，包括年龄、性别、教育程度、收入、健康状况和职业。这些属性从2023年中国综合社会调查（CGSS）¹ 的老年人子样本中抽样，确保模拟人口反映真实世界的社会经济分层。  

社会经济地位（SES）。由收入、教育和职业的加权综合指标构成，将智能体分为低、中、高SES三类。  

社会资本类型偏好。低SES智能体倾向于依赖内聚型资本，高SES智能体更擅长利用桥接型资本，而中SES智能体表现出均衡的偏好。所有这些属性被编码到智能体的自然语言提示中，赋予每个智能体丰富的身份，确保行为源于社会学上合理的特征而非静态规则。  

#### 3.2.2 信念-愿望-意图（BDI）  

为捕捉智能体基于SST模块结构性特征的实时决策，我们采用BDI框架（Bratman, 1987）。具体而言，我们形式化智能体的情境敏感认知决策过程：Act ← BDI(f, B, D, I, S, M)，其中Act表示最终行动，f由LLM实现，B、D、I、S、M分别表示信念、愿望、意图、SST结构和SCM记忆。信念结合了结构性线索（如SES和教育程度）与当前交互轮次的情境线索。愿望代表受智能体结构性特征调节的动机，如技术掌握和家庭认可。意图整合信念、愿望和记忆，产生具体的行为承诺；对于技术采纳，智能体评估其SES、先前经验、社会影响和家庭推荐。  

#### 3.2.3 社会认知记忆（SCM）  

智能体通过重复互动学习，将新经验与存储的记忆整合，从而调整其认知状态。因此，我们设计SCM模块来建模这一自适应学习过程。具体而言，我们定义其认知更新过程为：(C_new, M_new) ← SCM(f, Act, O, C_old, M_old)，其中C_new表示更新后的认知状态，M_new表示更新后的记忆结构，Act是智能体先前执行的行动（即BDI模块的输出），O是观察到的结果，C_old和M_old是先前的状态，f是与BDI模块中相同的LLM。  

多层次信任初始化。智能体维持特定信任和普遍信任。特定信任基于社会距离初始化：同组内较高，相邻组中等，远距离组较低，并加入小幅随机噪声。在模拟过程中，信任水平根据交互结果更新：守约或提供帮助等正向互动增加信任，违约或欺骗等负向互动减少信任，确保信任值始终在有意义范围内演化。  

规范形成与衰减。规范认知包括普遍和特定维度。初始规范水平与SES相关。为捕捉规范维护的社会强化特性，我们的系统每轮检查每个智能体的互惠行为。如果