🤖 AI

BotVerse: Real-Time Event-Driven Simulation of Social Agents

BotVerse 是一个基于大语言模型的可扩展事件驱动框架，它通过在受控环境中整合 Bluesky 实时数据流来模拟高保真社会互动，为研究人员提供了一个安全、可定制的大规模社会实验平台，用于研究自主智能体行为及进行红队测试。

原作者： Edoardo Allegrini, Edoardo Di Paolo, Angelo Spognardi, Marinella Petrocchi

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Edoardo Allegrini, Edoardo Di Paolo, Angelo Spognardi, Marinella Petrocchi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 BotVerse 的“数字游乐场”。简单来说，它是一个用来安全地模拟社交媒体上机器人（AI 账号）如何互动的超级实验室。

想象一下，如果你想研究“谣言”或“虚假信息”在网络上是如何像病毒一样传播的，直接让一群 AI 机器人去真实的社交媒体（比如微博或推特）上捣乱，那是非常危险且不道德的——因为这会欺骗真实的用户，甚至引发社会恐慌。

BotVerse 就是为了解决这个难题而诞生的。 它就像是一个高度逼真的“模拟城市”游戏，但这里的居民全是 AI，而背景新闻则是实时从真实世界（Bluesky 社交平台）抓取过来的。

以下是用几个生动的比喻来解释它的核心功能：

1. 核心概念：一个“平行宇宙”的社交实验室

现实世界：真实的社交媒体，充满了真人和潜在的 AI 机器人。
BotVerse（平行宇宙）：一个完全隔离的、受控的虚拟空间。
- 比喻：这就好比电影里的特效片场。演员（AI 机器人）在里面表演一场激烈的“谣言传播”大戏，但所有的互动都只发生在片场内部，不会泄露到外面的真实世界去伤害任何人。同时，片场的大屏幕会实时播放外面的真实新闻，让演员们能根据真实世界发生的事来即兴表演。

2. 它是如何工作的？（四大组件）

合成社会观察站（Synthetic Social Observatory）—— 就像“上帝视角”的监控大屏
- 研究人员坐在这里，看着成千上万个 AI 账号在屏幕上互动。你可以看到谁在发帖、谁在点赞、谣言是怎么扩散的。这就像看一场实时的社交网络沙盘推演。
编排 API（Orchestration API）—— 就像“剧组导演”
- 它负责指挥所有的 AI 演员。它告诉 AI 什么时候该说话，什么时候该思考，并且能连接不同的“大脑”（比如 GPT 或 DeepSeek 等大模型）。它确保整个系统像一支训练有素的乐队，而不是杂乱无章的噪音。
工厂（The Factory）—— 就像“巨大的记忆仓库”
- 这里有成千上万个 AI 账号，每个账号都有自己的“人设”和“记忆”。
- 比喻：想象一个巨大的图书馆，每个 AI 都有自己的书架。它们不仅记得自己发过什么，还能记住别人对它的反应（比如点赞多不多）。如果某个话题很火（重要），或者刚发生不久（新鲜），AI 就会更记得住。这模仿了人类“喜新厌旧”但又“关注热点”的记忆特点。
BotVerse 模拟引擎（Simulation Engine）—— 就像“时间机器”和“行为剧本”
- 这是最核心的部分。它让 AI 的行为看起来像真人。
- 比喻：真人不会 24 小时不停地发推，他们会在早上起床、中午吃饭、晚上睡觉。BotVerse 的引擎给 AI 设定了生物钟，让它们像真人一样有“起床时间”和“活跃时间”，甚至会有“突发灵感”去发帖。
- 多模态合成：如果 AI 决定发一张图，它不仅能写文字，还能现场“画”图（生成图片），让图文搭配得天衣无缝。

3. 这个系统能用来做什么？（实战演练）

论文中展示了一个**“虚假信息传播”**的模拟实验：

播种（Phase A）：150 个“坏蛋”AI 机器人潜伏在 500 个 AI 组成的群体中。它们实时观察真实世界的新闻，编造看起来很像真的假故事。
放大（Phase B）：这些“坏蛋”开始行动。它们不仅自己发帖，还互相点赞、转发，甚至假装成“好人”去回复那些怀疑谣言的 AI，用长篇大论的“逻辑”去说服对方。
分析（Phase C）：研究人员通过“观察站”看到，谣言是如何在几小时内像野火一样蔓延的，以及哪些类型的 AI 最容易上当。

4. 为什么它很重要？

安全（Safety）：科学家可以在不伤害任何真实人类的情况下，测试 AI 会不会被欺骗，或者测试新的反谣言算法是否有效。
真实（Fidelity）：因为它连接了真实世界的新闻流，所以模拟出来的互动非常逼真，不像以前那种死板的、基于旧数据的模拟。
灵活（Scalability）：它可以轻松模拟几千甚至上万个账号同时在线，这是以前很难做到的。

总结

BotVerse 就是一个“社交网络的红队演练场”（Red-Teaming Sandbox）。

就像飞行员在模拟器里练习应对恶劣天气，而不会真的把飞机开进暴风雨中一样，研究人员在 BotVerse 里让 AI 机器人模拟“制造谣言”或“传播谣言”，从而在安全的环境下，提前发现社交网络的漏洞，并设计出更好的防御策略来保护真实的互联网世界。

以下是基于论文《BotVerse: Real-Time Event-Driven Simulation of Social Agents》的详细技术总结：

1. 研究背景与问题 (Problem)

核心挑战：在线社交网络（OSNs）是虚假信息传播的主要渠道，而大型语言模型（LLM）的进步使得社交机器人（Social Bots）能够生成极具迷惑性、难以与人类区分的内容。
伦理困境：直接在真实的社交网络（Live OSNs）上部署自主代理（Autonomous Agents），特别是模拟恶意行为的代理，存在巨大的伦理风险。这涉及欺骗、未经同意的“人机交互”以及对真实用户可能造成的伤害。
现有局限：现有的基于代理的研究平台通常依赖静态数据集或不可扩展的迭代模型，缺乏对实时动态和大规模并发交互的模拟能力，难以真实反映复杂的社会现象。
目标：构建一个既能保持高保真度（High-fidelity），又能完全隔离真实用户风险的受控模拟环境，用于研究自主代理行为、虚假信息传播及红队测试（Red-teaming）。

2. 方法论与系统架构 (Methodology)

BotVerse 是一个可扩展的、事件驱动（Event-Driven）的框架，旨在模拟基于 LLM 的社交代理。其架构分为四个紧密集成的层级：

A. 核心架构组件

合成社会观察站 (Synthetic Social Observatory)：
- 基于 React/TypeScript 的前端界面。
- 功能：实时观察“合成公共广场”、可视化交互图谱、分析个体代理画像，支持定性和定量分析。
编排 API (Orchestration API)：
- 基于 FastAPI 实现，作为系统的协调骨干。
- 功能：处理模拟引擎与前端之间的异步通信；抽象内容生成和推理逻辑；支持模块化集成异构 LLM 后端（如 GPT-oss, DeepSeek）；通过 RESTful 端点暴露实时状态。
工厂 (The Factory)：
- 基于 PostgreSQL 的持久化层。
- 功能：管理数千个代理的状态及其交互；强制执行数据访问与执行逻辑的隔离，确保并发线程下的一致性和容错性，支持可复现的实验。
BotVerse 模拟引擎 (Simulation Engine)：
- 系统的核心，采用事件驱动执行模型（而非传统的迭代模型）。
- 环境接地 (Environmental Grounding)：代理不孤立运行，而是从 Bluesky (AtProto) 生态系统中摄取实时内容流，确保行为基于真实世界事件。
- 行动逻辑与数字 DNA (Action Logic & Digital DNA)：基于自定义的“数字 DNA"范式，代理遵循行为序列（如：发帖→等待→回复），其时间分布模拟人类在社交网络上的使用模式（如活动突发性、昼夜节律）。
- 认知建模 (Memory & Attributes)：
  - 动态记忆：采用启发式评分机制 $S = \alpha \cdot \text{recency} + \beta \cdot \text{importance}$ ，而非简单的 FIFO 缓冲区。其中“近期性”随时间指数衰减，“重要性”通过社交共鸣信号（点赞、转发数）估算，使代理能选择性关注重要或病毒式内容。
  - 可扩展人设 (Persona)：基于高维 JSON 配置文件，编码人口统计学（年龄、教育）和心理统计学（政治、宗教倾向）属性。人设可动态注入 LLM 提示词中。
- 多模态内容合成：集成 Stable Diffusion 管道。当代理决定发布图片时，LLM 生成语义对齐的文本提示，进而渲染为合成图像，确保图文一致性。

3. 关键贡献 (Key Contributions)

实时保真度 (Real-Time Fidelity)：代理能动态响应从真实数据流（Bluesky）中摄取的事件，实现了外部现实与内部合成话语的融合。
逼真的动态行为 (Realistic Dynamics)：通过模拟人类的时间分布（发帖、点赞、回复、转发的时间间隔），还原了真实的社交网络活动模式。
高可扩展性 (Scalability)：事件驱动架构支持数千个并发且高度可定制的代理，解决了传统方法在规模上的瓶颈。
安全的实验沙盒：提供了一个无需接触真实用户即可研究恶意代理行为（如虚假信息传播）的伦理安全环境。

4. 演示与结果 (Demonstration & Results)

论文通过一个协调的虚假信息传播场景 (Coordinated Disinformation Scenario) 进行了演示：

设置：初始化 500 个代理（350 个良性/怀疑论者，150 个恶意/传播者）。
三个阶段：
1. 播种 (Seeding)：恶意代理利用 Bluesky 趋势构建与当前现实 discourse 一致的欺骗性叙事。
2. 放大 (Amplification)：恶意代理通过广播发帖、诱导互动（点赞/转发）以及在回复线程中进行长篇、有说服力的辩论，挑战良性用户的怀疑，扩大攻击规模。
3. 多层级分析 (Multi-level Analysis)：利用观察站同时分析微观层面的代理轨迹（认知状态）和宏观层面的网络动态（叙事扩散）。
结果：系统成功展示了在受控环境中模拟复杂社会现象（如虚假信息扩散）的能力，并验证了架构在处理大规模并发交互时的稳定性。

5. 意义与未来展望 (Significance & Future Work)

学术与工业价值：
- 计算社会科学：研究规范涌现、集体注意力的形成机制。
- AI 安全与红队测试：在安全环境中对检测/mitigation LLM 驱动虚假信息的系统进行压力测试。
- 政策与危机响应：模拟“如果”场景（如自然灾害中的信息传播），辅助决策。
- 市场动态：在无风险环境中评估品牌在不同心理细分群体中的共鸣。
核心意义：BotVerse 填补了静态数据集研究与真实在线社交网络研究之间的空白，提供了一个灵活、安全且高保真的平台。
未来工作：计划进一步扩展代理的行为复杂性，并支持跨平台（Cross-platform）的模拟。

总结：BotVerse 通过结合实时真实数据流与事件驱动的 LLM 代理模拟，创造了一个伦理上安全且技术上先进的“数字孪生”社交环境，为研究社交机器人、虚假信息及人机交互提供了强有力的工具。