AutoResearch遇上社会科学：S-Researcher让智能体自主设计实验、模拟被试、撰写报告

将 ScienceAI 设为星标

第一时间掌握

新鲜的 AI for Science 资讯

Karpathy 3 月初开源 AutoResearch，630 行代码、一块 GPU、睡一觉跑 100 个实验，GitHub 星标直冲 6 万。紧接着，AutoResearchClaw 把这套「睡觉自动科研」的范式拓展到了 23 个阶段的完整论文生成流水线，连 LabClaw 也开始帮生物医学研究者自动跑实验、写记录。

一个自然的问题浮出水面：AI 自动科研在自然科学和 ML 领域已经跑起来了，社会科学呢？

社会科学的难点跟 ML 调参完全不同。你没有一个 loss 函数可以优化，被试是有主观意识的人，实验设计空间极大，而且招 100 个真人做实验就要花几个月。传统的 AutoML 式循环在这里根本不适用。

来自中国人民大学高瓴人工智能学院的团队给出了他们的方案：S-Researcher。不同于 AutoResearch 让 Agent 反复修改训练代码来压低 validation loss，S-Researcher 让 LLM Agent 同时扮演「研究助手」和「模拟被试」两个角色，覆盖社会科学研究从实验设计到报告撰写的全流程。底层是一个支持 10 万并发 Agent 的社会模拟引擎 YuLan-OneSim。在最硬核的验证中，LLM Agent 自主发现的合作机制被 120 人真人实验独立证实。

论文链接：http://arxiv.org/abs/2604.01520

GitHub：https://github.com/RUC-GSAI/YuLan-OneSim

在线平台：https://www.yulan-onesim.cn/

S-Researcher 整体流程：用户输入研究课题后，系统自动完成场景构建、模拟执行和报告生成，研究者可在每个环节介入。

先造一个能「跑」任何社会实验的模拟器

AutoResearch 的成功有一个前提：训练代码只有 630 行，整个系统自包含，Agent 能一次读完全部代码。社会模拟没有这个便利。你需要一个平台，能把千变万化的社会实验场景转化为可执行代码，还得支持成千上万个 Agent 同时交互。

团队开发的 YuLan-OneSim 围绕三个核心能力进行设计。

通用性：让 AI 理解五花八门的社会实验。 用户只需要用自然语言描述实验场景，系统就会按照 ODD（Overview, Design Concepts, Details）协议将其结构化，然后自动生成行为图和可执行的模拟代码。团队在 8 个社科领域的 50 个场景上测了一圈，专家给行为图打了接近满分的 5.0，生成代码拿了 4.2 分。考虑到这些代码几分钟就能出来，而手写可能要好几个小时，这个分数相当能打。

消融实验揭示了一个重要结论：行为图是整个流程的灵魂。去掉它，代码质量直接掉了 35.8%，比去掉任何其他模块的影响都大。给 Agent 一个结构化的中间表示，比让它直接从自然语言生成代码要靠谱得多。

可扩展性：让几万、十几万个 Agent 同时跑。YuLan-OneSim 用了一套事件驱动的异步架构，配合 Master-Worker 分布式设计。实测下来，从 1k 到 100k 个 Agent 都能平滑扩展。10 万 Agent 跑一轮大约需要 3538 秒；在万级规模时，分布式部署比单机快了 3-4 倍。

可靠性：让通用 LLM 输出可信的模拟行为。 直接拿通用 LLM 来模拟社会行为，效果确实不稳定。为此团队设计了 VR²T 反馈框架（Verifier-Reasoner-Refiner-Tuner），先让验证者打分，推理者分析错因，修复者纠正输出，最后用这些数据微调骨干模型。在 Qwen2.5-1.5B 上用 DPO 迭代 4 轮后，可靠性提升了 27.4%。这个思路和 AutoResearch 的 ratchet 机制异曲同工：跑一轮，评估，保留改进，丢弃退化，反复迭代。

目前 YuLan-OneSim 已经作为在线平台运行（yulan-onesim.cn），吸引了 80 多家机构的 100 多位注册用户。

YuLan-OneSim 平台能力验证：（a）专家评分，（b）错误类型分布，（e）规模扩展性测试，（g）反馈微调效果。

S-Researcher：一个研究问题进去，一份研究报告出来

S-Researcher 把研究工作流组织成三种经典推理模式：归纳（从数据中发现规律）、演绎（检验竞争假说）、溯因（追溯因果机制）。整个 pipeline 包含实验设计、模拟执行、结果分析和报告生成四个模块。

但与全自动路线不同，S-Researcher 从设计之初就把人机协作作为核心原则。研究者可以在每个阶段介入：修改系统自动生成的实验设计、上传自定义的 Agent 画像数据、调整模拟参数，甚至只使用其中某个模块 —— 比如你手上已有实验数据，可以跳过模拟阶段，直接用结果分析和报告生成模块。

团队用三个案例验证了这套系统。

归纳：给定研究问题，AI 自己复现了经典结论

研究问题很简单：当人们更愿意和文化相似的邻居互动时，整个社会的文化格局会怎样演变？

S-Researcher 自主设计了完整实验：在 10×10 网格上放 100 个 LLM Agent，每人 5 个文化特征维度（音乐、饮食、时尚、政治、休闲），跑 100 轮。

系统发现了一个有趣的悖论：邻居之间越来越像（平均相似度 + 21%），但全局并没有走向统一，而是稳定在大约 65 个文化「小岛」上 —— 形成「组内趋同、组间分化」模式。这恰好是 Axelrod 文化传播模型的核心预测，而动态完全来自 LLMAgent 的自主交互涌现。

演绎：三个假说同时 PK，5525 个学生 Agent 模拟中国课堂

第二个案例瞄准教育公平领域的核心问题：到底是什么决定了老师把注意力分给谁？

S-Researcher 自动提出三个竞争假说：表达假说（课堂发言活跃度主导）、成绩假说（学习成绩主导）、精英假说（家庭背景主导），然后启动三组平行模拟。

规模：221 个模拟课堂、5525 个学生 Agent，每个学生的画像直接来自中国教育追踪调查（CEPS）的真实数据。

结果：表达假说完胜。与 CEPS 实际数据的 Spearman 相关系数，表达假说（ρ = 0.152）显著高于成绩假说（0.122）和精英假说（0.113）。独立验证中，CEPS 回归分析显示沟通能力对教师注意力的解释力（β = 0.349，R² = 12.1%）约是学业成绩的 20 倍（β = 0.034），与模拟结论完全一致。

更重要的是，模拟给出了回归分析给不了的东西：表达能力强的学生是如何一轮轮积累起注意力优势的 —— 这种过程层面的解释力，正是模拟研究相比统计分析的独特价值。

溯因：AI 发现新机制，120 人真人实验独立验证

这是整篇论文最有看点的部分。

研究问题：在公共品博弈中，领导者的贡献金额和背后的意图（自愿还是被迫），如何影响追随者的合作意愿？

S-Researcher 自动设计了一个 2×3 被试间实验：决策机制（自愿 / 强制）× 贡献水平（低 2 / 中 5 / 高 8 token），每个条件 100 个 Agent 追随者。

模拟揭示了两个发现。第一，追随者的合作主要被贡献金额「锚定」（β = 0.794），这不意外。第二，出人意料的是，强制条件下追随者反而贡献更多（β = 0.104）。Agent 似乎对自愿做出低贡献的领导者进行了「意图惩罚」：你本来可以多给但选择不给，那我也减少合作。

为了验证，团队同步开展了平行人类实验（N = 120，3 轮），实验设置完全相同。结果令人振奋：人类同样表现出「强制 > 自愿」的模式，6 个条件下人机均值的 Pearson 相关系数达到 r = 0.915。不过差异也存在：人类对意图的敏感度明显更高（β_human = 0.251 vs. β_agent = 0.104），LLM Agent 则更依赖金额本身。

AI 自动科研的社会科学路线

当研究对象是「人」的时候，没有简洁的目标函数可以优化。文化怎么传播、老师怎么分配注意力、人们为什么合作 —— 这些问题需要的是理论发现和机制解释，而非指标优化。S-Researcher 的做法是让 LLM Agent 本身成为研究对象，用模拟来替代或预筛选昂贵的真人实验。

当然，这条路也有边界。LLM Agent 的行为异质性比真人低，对意图等高阶线索的敏感度不足，仍然离不开真人被试。

正因如此，S-Researcher 从一开始就把人机协作作为核心设计。AI 负责快速探索方案空间，人负责在关键节点做判断和干预。一旦涉及理论判断、伦理审查、领域知识这些「软」要素，人的参与不是可选项，而是必选项 —— 而这，恰恰揭示了当下 AI 科研工具必须正视的核心边界。