深度分析
從代理人基模型到社會數位分身：AI 驅動的社會模擬器
社會模擬旨在透過計算方法研究個體間的互動與集體行為。研究從傳統的代理人基模型出發，定義代理人的屬性、狀態與規則，並在網路結構中模擬個體互動。隨後演進至由大語言模型驅動的生成式代理人，進而發展出能鏡像現實世界社會系統的社會數位分身。此演進路徑將社會科學的理論實驗轉化為可量化、可預測的數據驅動框架，大幅提升了對複雜社會動態的分析能力。
社會模擬
深度分析
Shachi：以大型語言模型為核心的模組化代理人建模框架
研究以大型語言模型為基礎的多代理系統缺乏統一方法，提出Shachi框架將代理政策分解為配置、記憶與工具三大模組，並以LLM推理引擎協調。實驗在十項基準測試與美國關稅衝擊模擬中驗證，其行為與真實市場反應相符，展示外部效度。同時，Shachi 以統一介面取代程式碼，與 AutoGen、MLE-Dojo 形成差異。
深度分析
SLALOM：以縱向觀測指標驗證 LLM 代理人社會模擬全生命週期
大型語言模型代理人在社會模擬中面臨驗證困境，SLALOM 框架以縱向觀測指標將模擬視為多變量時間序列，設定階段門檻並使用動態時間校正比對實證資料，提升結構真實度量化，為政策模擬可信度提供新基準。
深度分析
大型語言模型在同質性網路中的共識漂移與結構效應分析
本研究探討大型語言模型在模擬社會辯論時的可靠性，利用同質性可控的網路模型觀察多輪互動。實驗發現模型易產生「共識漂移」，即意見向特定方向偏移。結果提醒在將 LLM 作為人類行為代理前，需先分離結構效應與模型偏誤，以免產生誤判。