接续上周的思路，我们之前面临两个方向的选择：在个体层面的原理上深挖，或者在群体层面的社会模拟上推广。本周，通过多次交流和组内讨论，我们进一步明确了接下来的主攻方向。
必须承认，目前的学术界在“个体人格表征”上的动作极快。诸如 NeurIPS 25 的相关工作（例如对齐人类角色的 Benchmark 与连续性研究）以及上周提到的 PERSONA 框架，已经把个体层面的人格提取、组合和评测做得非常完善了。如果我们继续在同一 idea 下死磕个体维度的正交性或测度，很难做出有力的突破。因此，我们决定将重心全面转向广度拓展，也就是进入群体层面，利用表征工程去攻克大规模社会模拟（MAS）中的难点。
1. 从 ABM 到 GABM
传统的基于主体建模（ABM）往往只能设定一些显式的、理性的规则；而生成式主体建模（GABM）的优势在于能够深入那些捉摸不透的人格与情绪领域。如果我们能在群体模拟中抓住某个特定的“认知偏差”或“情绪指标”，就能复现出以该变量为核心的社会现象。
在排除了较为宽泛且难以界定的“经济人行为”和“内卷”模拟后，我们将初步的实验场景锁定为网络舆论与网络暴力。
选择网络暴力的原因在于：
- 可控性与基座成熟度：网络环境天然适合被抽象为模拟器，现成的基础设施（Infra）和待挖掘的高质量真实语料非常丰富，便于后续的对齐和评测。
- 聚焦核心变量：相较于宏大的经济决策，网络暴力有一个非常明确且易于定量的心理学指标，情绪反应性（Emotional Reactivity Index, ERI）。
我们可以尝试利用表征工程，定量调控 LLM 的 ERI 指标（比如控制模型在遭遇特定刺激时的反应延迟、强度模式），去观察高 ERI 的智能体群体是否更容易产生情绪传染，进而涌现出网络暴力。
2. 心理测量与 LLM 评测的
在讨论中，我们也指出了这个构想面临的严峻挑战： 网络暴力的产生不仅仅是个体 ERI 累加的结果，它还受到平台结构、规模效应和时机依赖等系统涌现属性的影响。此外，ERI 在心理学上本质是一个跨情境、跨时间的“状态-特质”综合变量。
当我们试图用现有的方法评测大模型时，我们必须思考一个问题：模型输出的自由文本，究竟代表了它深层内化的情绪反应机制（机制保真度），还是仅仅在拟合表面上的情绪化语气（模仿游戏）？ 就像我们在医疗或法律场景下观察到的“谄媚性（Sycophancy）”和“真实性偏差”一样，模型很容易顺从输入的预设。
为了解决这个问题，我们的评测不能仅仅依赖量表打分，而必须在真实网暴语料上做行为校准：即观察被高 ERI 向量影响的 Agent，其在多轮高压交互后的输出行为，在统计分布上是否真正接近现实中高 ERI 用户的网络行为。
3. 回归底层视角的创新
在这个过程中，杨老师建议过使用目前比较火的 MiroFish 框架来做。但我们个人在深入测试和评估后认为，我们必须认清我们作为研究者的核心壁垒。
我们研究计算社会学的问题，不是为了去和社科学者拼社会学理论的深度（那样肯定比不过，除非请几位专业人士来支援），而是为了解决技术理论问题。网络暴力只是我们用来验证技术的“场景和故事”。纯应用层的缝合或者偏向产品化的“AI 提供舆论建议”不是我们这个研究的重点。
当前基于表征工程（或 SFT）的人格塑造在技术上依然非常粗糙，尤其是在 MAS 领域。我们真正的技术贡献应该在于：
- 多轮对话的表征稳定性：突破现有表征工程在漫长的上下文交互中容易失效的瓶颈。
- 时序与记忆融合：探讨随时间变动的情绪状态如何与底层记忆系统结合。
- 打造可扩展的基座插件：将这套低成本、高精度的人格/情绪调控管线，做成社会模拟基座的基础设施（Infra）。
因此，从工程实现的角度，我们决定放弃相对冗余的 MiroFish，直接使用 CAMEL-OASIS 架构。 OASIS 本身就是一个专为社交媒体设计的模拟环境，去除了现实行为和复杂经济属性的干扰，极其适合我们单纯测试网络交互和情绪传染。
4. Next Steps
本周的这些讨论基本理清了我们在科研逻辑上的盲点。不再盲目比拼 Benchmark，而是回到“提出问题-解决问题”的思路上来。
接下来几天，我们的主要任务是动手跑出一个 Demo：
- 提取不同程度的 ERI 方向向量。
- 接入 CAMEL-OASIS 框架，构建一个小规模的社交媒体网络。
- 注入导火索事件，观察并记录带有不同表征约束的模型在十到百个量级实验中的群体行为差异。
先让代码跑起来，在实际的模拟反馈中再来调整我们的变量设计和评测方法。如果有初步的涌现结果，我们会及时汇总汇报。