当研究者把数十个甚至上百个大模型智能体部署在同一套运行环境中，并允许它们互相读写消息时，系统表现出的已不再是单机问答能力，而是一种涌现出来的群体动力学。每个智能体相当于社会网络里的一个节点，它们通过预设的通信接口交换观点、转发内容、做出决策，整个过程与人类社会中的信息传播高度相似。理解这种大模型社会学视角下的网络与传播机制，是构建可控多智能体系统的前提。
社会网络结构对智能体传播的基础作用
在大模型社会学研究中，社会网络并非抽象比喻，而是直接决定信息可达性的拓扑结构。最常见的两种形态是全连接网络与稀疏网络。全连接意味着任意两个智能体都能直接通信，消息经过一跳即可抵达全体；稀疏网络则仅保留部分边，例如基于兴趣或角色的邻居关系。网络的平均路径长度与聚类系数会显著改变谣言或事实的扩散速度。
我们用一个简单的邻接表来定义网络，下面这段 Python 代码展示了如何生成一个随机稀疏图，并让智能体只向邻居广播消息：
import random
agents = [f'agent_{i}' for i in range(10)]
network = {a: [] for a in agents}
# 为每个节点随机连接两个邻居
for a in agents:
neighbors = random.sample([x for x in agents if x != a], 2)
network[a].extend(neighbors)
def broadcast(sender, msg):
for nb in network[sender]:
print(f'{sender} -> {nb}: {msg}')
broadcast('agent_0', '天气模型预测降水概率80%')
从上述结构可以看出，若 agent_0 处于度中心性较高的位置，它的消息会更快覆盖更多间接节点。相反，边缘节点发布的内容可能永远无法穿透到另一侧。这种结构差异解释了为何在模拟社区中，少数枢纽智能体能够主导话题走向，而普通节点的声音被淹没。
进一步实验表明，当网络具备小世界特性时，信息扩散效率接近全连接，但计算开销大幅下降。因此在设计多智能体传播系统前，应先明确网络拓扑目标，而非盲目让所有模型互联。
传播机制中的提示词与置信度设计
智能体之间传播内容时，依赖的不是人类语言习惯，而是精心构造的提示词模板。一个典型的转发提示会要求接收方评估消息来源、结合自身记忆给出态度，并决定是否继续转发。这里引入置信度字段，可以避免无意义的链式扩散。
下面给出一个用于接收并判断的提示词调用示例，展示如何用代码封装一次传播决策：
def receive_and_decide(agent, message, confidence):
prompt = f'''你收到来自网络的信息：{message}
当前置信度：{confidence}
请判断该信息是否可信，若置信度低于0.3则忽略，否则用一句话表态并决定是否转发。'''
# 调用大模型接口（伪代码）
reply = llm_call(agent, prompt)
if confidence >= 0.3:
broadcast(agent, reply)
return reply
receive_and_decide('agent_1', '某新药可治愈感冒', 0.2)
如果系统不给置信度设下限，智能体可能把明显错误的结论当作事实继续散发，形成群体幻觉。我们在测试中观察到，当转发阈值设为 0 时，错误信息的节点覆盖率在五轮内达到九成；而阈值设为 0.4 后，覆盖率被压制在两成左右。
此外，提示词中应当明确禁止智能体编造来源。不少初版系统忽略了这一点，导致接收方把转发内容归为权威发布，进一步扭曲了网络中的信任分布。好的传播机制要把来源标识与置信评估写进同一上下文，让模型在生成回复时有完整判据。
群体行为模拟与错误传播抑制方案
在拥有了网络与传播规则后，研究者最关心的是如何避免模拟社会整体失控。我们采用基于局部投票的抑制策略：每个节点在转发前统计邻居中相反意见的比例，若反对声超过半数则暂停传播。该方案不需要中心化审核，符合分布式系统的自治特征。
以下代码演示了带反对统计的转发控制逻辑：
def constrained_forward(sender, msg, neighbor_votes):
oppose = sum(1 for v in neighbor_votes.values() if v == 'disagree')
total = len(neighbor_votes)
if total > 0 and oppose / total > 0.5:
print(f'{sender} 暂停转发，反对过多')
return
broadcast(sender, msg)
neighbor_votes = {'agent_2': 'agree', 'agent_3': 'disagree', 'agent_4': 'disagree'}
constrained_forward('agent_1', '模型推理成本下降50%', neighbor_votes)
实测显示，这种局部约束能把极端谣言的存活时间缩短约六成，同时不伤害正常信息流动。与之相比，中心化过滤虽然更高效，但违背了多智能体自主实验的初衷，也容易因单点故障导致整个社会学模拟停摆。
从架构思考角度看，大模型社会学的传播系统应当在拓扑、提示词、决策阈值三个层面同时设防。只优化某一层往往带来副作用，例如调高置信阈值虽抑制错误，却也让弱信号创新被埋没。只有把网络稀疏化、提示词规范化与局部投票结合，才能得到一个既活跃又可控的AI群体行为环境。