在基于智能体的社会模拟中，如何让生成的智能体群体自适应特定主题并符合真实社会结构是一个关键挑战。直接使用大模型或传统方法，常面临群体同质化或属性矛盾的问题。HAG框架通过分层生成策略，结合世界知识模型与真实人口普查数据，旨在解决这一痛点，构建出在宏观分布与微观个体上都更为逼真的智能体群体。
智能速览
传统智能体生成方法难以适应多变主题，导致模拟失真。
HAG框架采用宏观分布建模与微观实例化两阶段生成策略。
引入“世界价值观调查”真实数据库，有效抑制模型幻觉。
构建层级人口分布树，显式建模多维属性联合概率。
建立了全新的PACE评估框架，从统计与社会学双维度考核。
实验显示，HAG将人口对齐误差降低37.7%，社会学一致性提升18.8%。
精华内容
HAG框架如何通过巧妙的分层设计，将抽象的社会学知识转化为可计算的智能体属性，并最终实现高保真度的群体模拟呢？
模拟的困境
基于智能体的建模在模拟复杂社会现象时，其可信度高度依赖于智能体群体的质量。然而，现有方法存在明显缺陷。
直接使用大型语言模型生成的角色，往往因为缺乏足够的社会学约束而呈现出“同质化”倾向，无法反映真实世界的人口多样性。例如，在模拟美妆话题讨论时，生成的智能体可能在年龄、兴趣等属性上高度相似。
另一方面，单纯依赖已有数据库进行检索，又难以快速适应新兴主题（如火星殖民），导致生成的群体与现实脱节。这种“分布偏离”和“属性矛盾”的痛点，正是驱动技术创新的核心原因。
分层生成策略
HAG框架的精髓在于其两阶段决策过程，它将复杂的群体生成任务拆解为宏观与微观两个层面。
首先是宏观分布建模阶段。框架利用世界知识模型，根据输入主题（如“电影评论”或“电商”），自顶向下地构建一个层级化的人口分布树。这个树结构显式地定义了年龄、职业、教育程度等多维度属性的联合概率，确保了宏观层面的人口结构符合社会常识。
其次是微观实例化阶段。在这一步，系统会结合“世界价值观调查”等真实世界数据进行检索与增强，为每个智能体填充具体的属性值。由于属性间的关系已在宏观树中确定，因此每个智能体的画像（如高学历对应高收入）都逻辑自洽。
量化验证优势
为全面验证HAG的有效性，研究团队不仅建立了覆盖社交媒体、电商、电影评论的多领域Benchmark，还提出了PACE评估框架，从统计学对齐性和社会学一致性两个核心维度进行考核。
实验结果令人信服。在Bluesky、Amazon、IMDB等多个数据集上，HAG的表现显著优于现有基线模型。数据显示，HAG成功将人口对齐误差平均降低了37.7%，意味着生成的智能体群体分布更贴近真实世界。同时，其社会学一致性得分提升了18.8%，表明单个智能体的画像更切题、更合理。
值得注意的是，即使在“火星殖民”这类新兴主题中，HAG也能有效平衡群体多样性与社会一致性，避免了模式崩溃问题，稳居帕累托最优区间。
HAG框架为高保真度的社会模拟提供了新的技术路径，将社会学知识与数据驱动方法巧妙结合。未来，这种更贴近真实的智能体生成技术，能否在推荐系统、城市规划等领域催生更多变革性应用？
