2026年8月30日 · 更新于 2026年10月4日 · Glossary · Minds Team
基于主体的建模（ABM）是什么？多主体建模定义与示例 基于主体的建模（Agent-Based Modeling，ABM）是一种自下而上的计算模拟方法：先为大量自主个体（主体）设定属性和行为规则，再让它们在环境中相互作用，观察宏观层面的模式如何“涌现”出来。中文里也常被称为基于个体的模型、个体为本模型、多主体建模或多主体模拟。
复制为 Markdown
基于主体的建模（Agent-Based Modeling，简称 ABM）是一种自下而上的计算模拟方法：研究者为大量自主个体（主体，agent）设定属性和行为规则，让它们在环境中相互作用，然后观察宏观层面的模式如何从这些互动中“涌现”。在中文资料里，它也被称为基于个体的模型 、个体为本模型、多主体建模 或多主体模拟 ，指的都是这一类方法（维基百科：个体为本模型 ）。
与直接写出整体方程的模型不同，ABM 只描述个体：每个主体知道什么、想要什么、遇到情况会怎么做。整体结果，例如市场份额、拥堵或舆论分化，是模拟运行出来的，而不是事先假设的。
中文说法 常见英文 侧重点 基于主体的建模 / 基于个体的模型 / 个体为本模型 Agent-based modeling (ABM)、individual-based model 用大量个体的规则和互动模拟整体现象，生态学中常用“基于个体的模型” 多主体建模 / 多主体模拟 Multi-agent modeling / multi-agent simulation 强调模型中有许多相互影响的主体，与 ABM 基本同义 多主体系统 Multi-agent system (MAS) 人工智能和工程领域的概念，让多个智能体协作或竞争完成任务，不一定以模拟社会现象为目的
搜索“基于个体模型”“多主体建模”或“多主体模拟”时，读者通常想了解的就是本文介绍的方法。
一个 ABM 通常由三部分组成：
主体（agents） ：每个主体有自己的属性（如收入、位置、偏好、风险承受度）和决策规则。主体之间可以是异质的，这正是 ABM 相比“平均人”模型的优势。环境（environment） ：主体所处的空间网格、社交网络或市场，环境中的资源和信息会随时间变化。交互规则与时间推进 ：模拟按时间步或事件推进，主体观察环境和其他主体，按规则行动，并更新自身状态。Eric Bonabeau 在 2002 年发表于《美国国家科学院院刊》（PNAS）的综述中指出，ABM 的价值在于能够捕捉涌现现象、自然地描述系统，并且足够灵活（Bonabeau, 2002 ）。当个体差异、学习适应或网络效应会改变整体结果时，聚合方程往往失效，而 ABM 可以直接表达这些机制。
最常被引用的 ABM 来自经济学家 Thomas Schelling 1971 年的论文（Schelling, 1971 ）。模型很简单：网格上分布着两类居民，每个居民只要求周围邻居中有一定比例与自己相同，否则就搬到别处。即使每个人只有温和的偏好，经过多轮搬迁后，整个网格仍会出现明显的隔离。
这个例子说明了 ABM 的核心：宏观结果（高度隔离）既不是任何个体的目标，也无法从个体偏好的平均值中直接推出，只能通过模拟互动看到。
假设一家消费电子企业准备推出智能家居订阅服务。传统问卷可能只得到“X% 的人愿意订阅”这样的平均数。用 ABM，团队可以设定一群异质的家庭主体：技术熟练度、已有设备、预算和受朋友影响的程度各不相同，再把新订阅、竞品硬件和替代方案放进同一个市场环境。
模拟运行后，团队可以看到采纳如何在不同人群中扩散、价格档位如何影响口碑传播，以及哪些群体始终不采纳。这些结论是方向性的：它们依赖模型假设，需要用真实数据校准。
AnyLogic 把常见的仿真方法分为系统动力学、离散事件和基于主体三类（AnyLogic ）：
方法 建模对象 适合的问题 局限 基于主体的建模（ABM） 每个个体的属性和行为规则 个体差异大、相互影响强、需要观察涌现现象 参数多，需要数据校准，计算量较大 系统动力学 存量、流量和反馈回路 宏观政策、长期趋势、整体容量规划 把同类个体当作均质群体 离散事件仿真 流程、排队和资源 工厂、呼叫中心、物流等流程优化 个体通常是被动的，不做自主决策 统计 / 计量模型 变量之间的平均关系 有大量历史数据、关系相对稳定的问题 难以表达网络效应和非线性互动
NetLogo ：由 Uri Wilensky 于 1999 年开发、在美国西北大学持续维护的可编程建模环境，适合教学和社会、自然现象建模（NetLogo ）。Mesa ：Apache 2.0 许可的 Python ABM 框架，提供空间网格、主体调度、浏览器可视化和数据收集工具，方便与 Python 数据分析生态结合（Mesa 文档 ）。AnyLogic ：商业仿真软件，可在同一模型中组合基于主体、离散事件和系统动力学方法（AnyLogic ）。Minds 是商业合成研究的端到端平台。它与经典 ABM 的共同点是：都用许多个体化的“主体”来代表人群，而不是只看平均值。不同之处在于，Minds 中的每个 Mind 是一个合成受访者，基于您提供的简报、网站、文件和公开来源构建，并组成可复用的受众（Audience）。研究者不需要编写行为规则，而是直接向受众提问：开放式问题、单选、多选、量表，以及 MaxDiff 等可执行的定量方法，也可以测试文案、落地页、演示文稿和 Figma 原型（在启用时）。
Minds PRISM 是每个 Mind 底层的推理、推断与来源建模引擎，旨在在方向性合成研究中最大化依据性和一致性。每个受众都可以对照真实发布的调查或您自己的调查文件进行验证，每份调查给出满分 100 的分数，帮助判断合成回答与真实答案的接近程度。合成结果是方向性证据，不能替代具有代表性的真实样本或高风险决策前的最终验证。
涌现（Emergence）：由个体局部互动产生、无法从单个个体直接推出的整体模式。 合成受众（Synthetic Audience）：由多个合成受访者组成、代表某一目标人群的模拟样本。 系统动力学（System Dynamics）：用存量、流量和反馈回路描述整体系统的建模方法。 离散事件仿真（Discrete-Event Simulation）：将系统运行视为一系列离散事件的建模方法。 MaxDiff：要求受访者从一组选项中选出最重要和最不重要项的偏好测量方法。 方向性研究（Directional Research）：用于早期探索和假设生成、而非精确预测的研究证据。 基于主体的建模（也称基于个体的模型、多主体建模或多主体模拟）通过模拟大量异质个体的互动来解释整体现象，从 Schelling 隔离模型到市场采纳模拟都是典型应用。选择 NetLogo、Mesa 或 AnyLogic 取决于您的编程背景和问题规模。若您想在投入实地调研之前，先让一个合成目标受众回答具体问题，可以注册 Minds 探索。通过按需付费即可随时启动调研。
