HAG：面向主题自适应仿真的分层人口树式Agent生成

摘要

高保真的Agent初始化对跨领域的可信基于Agent的建模（Agent-Based Modeling）至关重要。一个稳健的框架应当具备主题自适应性，在捕捉宏观层面联合分布的同时保证微观层面的个体合理性。现有方法分为两类：基于静态数据的检索方法无法适应数据中不存在的未见主题；基于LLM的生成方法缺乏宏观层面的分布感知，导致微观层面人设属性与现实不一致。为解决这些问题，我们提出HAG，一个将人口生成形式化为两阶段决策过程的分层Agent生成框架。首先，利用世界知识模型推断层级条件概率以构建主题自适应树，实现宏观层面的分布对齐。然后，基于真实世界数据进行实例化和Agent化增强，以保证微观层面的一致性。鉴于缺乏专门的评测，我们建立了多领域基准和全面的PACE评测框架。大量实验表明，HAG显著优于代表性基线，将人口对齐误差平均降低37.7%，并将社会学一致性提升18.8%。

HAG：面向主题自适应仿真的分层人口树式Agent生成配图 — 图 2：HAG 框架示意。它利用世界知识模型（World Knowledge Model）构建主题自适应人口分布树（Topic-Adaptive Demographic Distribution Tree），并通过过滤真实用户与智能体式数据增强，基于该树生成人口。对生成人口的评估从两个方面进行：人口对齐与社会学一致性。