EvoSim 是一个通用的、高保真的社交媒体仿真引擎，提供可控、可观测、可复现的实验环境。
它面向的是复杂社交媒体系统建模与机制实验等通用需求：研究者可以在同一平台内搭建用户、内容、推荐、审核与干预之间的动态交互过程，并将社交媒体仿真视为一个可编程的生态系统。
- 🔬 仿真：高保真复刻社交平台核心机制，包括仿 X 架构的 7 阶段 Feed 推荐管道、LLM Agent 驱动的用户行为、内容审核系统，以及传播、互动与社区涌现过程中的关键环境规则，为复杂社交媒体动态提供可控的实验底座
- 🧩 可插拔：采用模块化、Skill 化架构，支持自定义挂载干预模块、攻击模块、分析模块与实验编排能力；同时提供时间步快照、状态记录、平行宇宙对比与统一配置下的重复实验机制，保证研究过程具备可观测性与可复现性
- ⚔️ 演示场景 A：模拟有组织的恶意攻击及 EvoCorps 主动防御对抗，观察不同角色在推荐分发、情绪扩散与注意力竞争中的动态博弈
- 📊 演示场景 B：评估不同干预策略对情绪、极化度、话语平衡度等指标的多维影响，比较去极化路径与策略效果差异
📌 首发演示场景：网络舆论去极化研究
本平台的首个完整应用案例是论文 EvoCorps（arXiv:2602.08529）的网络舆论去极化实验。EvoCorps 作为一个可插拔的干预模块运行在 EvoSim 之上，用于模拟有组织攻击、防御介入与策略评估等过程。项目地址：GitHub - EvoCorps
这一场景采用的核心理论框架是舆论生态位竞争理论：将在线舆论空间视为注意力有限的竞争环境，不同叙事主体围绕情绪、认知与受众资源展开博弈。EvoCorps 展示了 EvoSim 如何把这套理论编码为可计算、可对比的实验机制。
| 维度 | 现有平台（OASIS / AgentSociety 等） | EvoSim |
|---|---|---|
| 场景定位 | 通用社交模拟（和平沙盒） | 可编程的社交媒体生态系统（支持对抗、治理、传播等多场景扩展） |
| 推荐引擎 | 简化的兴趣匹配 / hot-score | 仿 X 真实 7 阶段 Feed Pipeline（双轨召回+重排） |
| 干预机制 | 无 / 简单规则 | EvoCorps 多角色协同进化防御（生态位竞争范式） |
| 可解释性 | 黑盒观察 | 时间步快照 + 平行世界分叉对比 |
EvoSim 是一个面向研究与实验的社交媒体仿真平台。本项目主要使用公开可获取的数据集以及合成智能体之间的交互过程来研究推荐、传播、审核、干预等机制在复杂社交环境中的作用。研究过程中不涉及任何人类受试者实验，也不收集或处理任何可识别个人身份的信息。
平台中包含的攻击模块、干预模块和治理策略，均用于在模拟环境中分析系统行为、比较机制差异和评估策略效果。它们的目的在于支持研究、压力测试与治理机制设计，而非为现实世界中的操纵、欺骗性影响或虚假共识制造提供工具。
EvoCorps 是运行在 EvoSim 上的首个可插拔干预模块，用于演示网络舆论去极化场景。我们将其视为一个具体的场景化研究案例，而不是 EvoSim 平台本体的唯一用途或默认部署方式。类似地，平台中对对抗性行为的模拟，也应被理解为安全研究和系统评估的一部分，而非对相关行为的鼓励。
我们明确反对在任何现实世界部署中使用欺骗性策略。任何受本项目启发的实际系统部署，都必须严格遵循透明性、问责性与持续审计原则，并与现有的平台治理流程、平台政策和法律合规要求相结合。自动化智能体应被清晰标识为基于人工智能的助手或治理工具，不得冒充人类用户，也不得隐瞒其人工属性。
- Python: 3.9+
- Node.js: 16+（前端可视化）
- 操作系统: Windows / macOS / Linux
# 创建虚拟环境
conda create -n EvoSim python=3.12
conda activate EvoSim
# 安装 Python 依赖
pip install -r requirements.txt
# 安装前端依赖
cd frontend
npm install在 src/keys.py 文件中配置您的 API 密钥：
# OpenAI 兼容 API
OPENAI_API_KEY = "your-api-key-here"
OPENAI_BASE_URL = "https://api.openai.com/v1" # 或其他兼容端点在 src/multi_model_selector.py 中选择模型：
DEFAULT_POOL = ["deepseek-chat"] # 或 ["gemini-2.0-flash"] 等# 终端 1：启动后端 API 服务
python frontend_api.py
# 终端 2：启动前端开发服务器
cd frontend
npm run dev打开浏览器访问 http://localhost:3000 或 http://localhost:3001（根据终端提示的端口）
EvoSim/
├── src/ # 核心代码
│ ├── main.py # 系统主入口 + FastAPI 运行时控制
│ ├── simulation.py # 模拟核心主循环
│ ├── control_flags.py # 运行时控制标志（攻击/审核/干预开关）
│ ├── engine_selector.py # LLM 引擎选择器（OpenAI/Gemini/Ollama）
│ ├── agent_user.py # LLM Agent 用户（行为决策核心）
│ ├── agent_memory.py # Agent 记忆与反思系统
│ ├── post.py # 帖子数据模型
│ ├── comment.py # 评论数据模型
│ ├── persona_manager.py # 人设管理器
│ ├── user_manager.py # 用户管理器（含 BA 网络构建）
│ ├── user_management_system.py # 高层用户管理（分类生成、统计）
│ ├── news_manager.py # 新闻注入管理器
│ ├── fact_checker.py # 事实核查系统
│ ├── agents/ # EvoCorps 多 Agent 协同干预系统
│ ├── malicious_bots/ # 恶意攻击系统
│ ├── recommender/ # X-Algorithm 推荐系统（7 阶段管道）
│ ├── moderation/ # 内容审核系统
│ ├── database/ # 数据库管理器（主模块，单例模式）
│ ├── database_service.py # 数据库 HTTP 服务抽象
│ ├── snapshot_manager.py # 时间步快照管理
│ ├── snapshot_session.py # 快照会话辅助
│ ├── opinion_balance_launcher.py # 舆论平衡系统启动器
│ ├── opinion_balance_manager.py # 舆论平衡管理器
│ ├── advanced_rag_system.py # 高级 RAG 检索系统
│ ├── intelligent_learning_system.py # 智能学习系统
│ ├── emotional_contagion.py # 情绪传染模型
│ ├── filter_bubble_analyzer.py # 信息茧房分析器
│ ├── homophily_analysis.py # 同质性分析
│ ├── community_detector.py # 社区发现
│ ├── realtime_evaluation_system.py # 实时多维评估系统
│ ├── comprehensive_analyzer.py # 综合分析器
│ ├── multi_model_selector.py # 多模型选择器
│ ├── config_manager.py # 配置管理器
│ ├── keys.py # API 密钥配置
│ ├── comparison.py # 快照恢复与对比模拟
│ ├── interview_agents.py # Agent 采访系统
├── evidence_database/ # 证据数据库与检索配置（RAG + FAISS）
├── configs/ # 实验与系统配置
├── personas/ # 人设数据库（正向/中性/消极 JSON）
├── data/ # 新闻数据集（虚假/中性）
├── frontend/ # 前端可视化界面
├── cognitive_memory/ # 认知记忆轨迹（完整周期记录）
├── agent_memory_exports/ # Agent 记忆导出数据
├── snapshots/ # 时间步快照存储
├── database/ # SQLite 数据库文件
├── logs/ # 日志文件目录
├── assets/ # 项目资源文件
├── frontend_api.py # 前端 API 服务
├── rebuild_faiss_from_db.py # 从数据库重建 FAISS 索引
├── requirements.txt # Python 依赖列表
├── safety_prompts.json # 安全提示配置（Prebunking）
├── LICENSE # MIT License
├── README.md # 中文 README
└── README_EN.md # 英文 README
EvoSim 将社交媒体视为一个可编程的生态系统。平台提供四类可配置的核心实体插槽——平台方、用户、攻击模块、防御模块，研究者可根据研究场景自由组合或替换。
平台方定义了信息传播的运行规则、分发逻辑与治理策略，是整个平台仿真机制的基础控制层。
推荐算法决定内容分发结构与曝光机会，直接影响不同内容与用户之间的互动路径。EvoSim 仿照 X/Twitter 开源推荐算法，实现了 7 阶段 Feed 推荐管道：
┌─────────────────────────────────────────────────────────────────────────────┐
│ 7 阶段推荐流水线 │
├─────────────────────────────────────────────────────────────────────────────┤
│ Stage 1: Query Hydration → 补充用户上下文 │
│ Stage 2: Candidate Retrieval → 双轨召回（关注流 + 热点流） │
│ Stage 3: Data Hydration → 补充候选数据（作者、互动统计） │
│ Stage 4: Pre-Scoring Filters → 前置过滤（7 道过滤器） │
│ Stage 5: Multi-Layer Scoring → 5 层评分（加权/语义/OON/信誉/多样性） │
│ Stage 6: Top-K Selection → 分层加权采样 │
│ Stage 7: Post-Selection Filters → 后置过滤 + 审核过滤 │
└─────────────────────────────────────────────────────────────────────────────┘
核心机制参数配置：
| 机制 | 配置参数/公式 |
|---|---|
| 双轨召回 | in_network_ratio=0.5, out_network_ratio=0.5 |
| 互动加权打分 | Score = w1×Likes + w2×Shares×2 + w3×Comments |
| 作者多样性惩罚 | max_same_author=2, 超过则降权 |
| 作者信誉调整 | 高信誉 ×1.15，疑似水军 ×0.75 |
| 内容去重与屏蔽 | 基于屏蔽词表、封禁状态过滤 |
审核系统用于维持平台内容安全与治理底线，并在必要时执行事后强制干预。系统采用双层审核架构：
| 审核阶段 | 触发时机 | 审核方式 |
|---|---|---|
| 发布前检查 | 内容发布时（互动数=0） | 关键词匹配 |
| 发布后审核 | 互动数 ≥ 10 时 | LLM 语义审核 |
三级干预动作配置：
| 严重程度 | 默认动作 | 降权系数 |
|---|---|---|
| LOW | 警告标签 | — |
| MEDIUM | 可见性降级 | 0.5 |
| HIGH | 可见性降级 / 删帖 | 0.2 |
| CRITICAL | 硬性打击 | 0.0 |
用户是平台中行为生成、传播互动与指标观测的核心仿真主体，平台中的各类分发、治理与干预机制最终都会作用于他们。
每个模拟用户都拥有独特的人格，包括：
- 人口统计特征：年龄、职业、教育背景
- 政治光谱：从极左到极右的倾向分布
- 易感性：对情绪化信息的抵抗力差异
- 行为模式：基于记忆流产生行动，具有一定的认知惯性
人设数据库（personas/）：分为正向、中性、消极三类，支持中英文双语。每条人设包含姓名、年龄、地区、职业、性格特质、沟通风格、价值观、社交媒体行为等完整画像。
受 Generative Agents 启发的双层记忆架构：
| 记忆类型 | 功能 | 特点 |
|---|---|---|
| 交互记忆 | 存储历史行动和结果 | 自动评估重要性分数（0~1），时间衰减 |
| 反思记忆 | 基于最近交互生成反思 | 每用户仅保留一条最新反思 |
- 可采访：允许在仿真暂停时，直接向某个 Agent 提问，获取其内部推理过程（CoT）
- 可问卷：取样一部分用户，评估整个社区的讨论状态指标，如情绪温度、观点分化程度、对某事件的信任度
- 社区结构观测：实时计算网络中形成的派系（如通过 Louvain 社区发现算法评估模块度）
该类模块用于模拟有组织对抗行为、异常传播或恶意操纵，是平台用于研究系统鲁棒性、治理策略与干预效果的一类可插拔压力测试模块。
| 人设类型 | 英文名 | 行为特征 |
|---|---|---|
| 激进煽动者 | Agitators | 发布极端情绪内容，CAPS+感叹号，伪装度低 |
| 理中客伪装者 | Concern Trolls | 伪装成温和派，但暗中植入质疑，伪装度高 |
| 复读机 | Spammers | 短评论高频刷量，关键词密集 |
| 攻击模式 | 行为特征 | 算法攻击点 |
|---|---|---|
| 蜂群式 | 全部 bot 集中攻击同一目标 + cross-like | 操控推荐算法的召回阶段 |
| 游离式 | bot 随机分散到多条帖子，无 cross-like | 模拟低组织度攻击 |
| 链式传播 | LeaderBot 发帖 → AmplifierBot 转发 → CommentFloodBot 刷评 | 操控 Heavy Ranker |
系统能够根据平台监管的强度自动调整策略：
- 压力感知：聚合帖子审核率、评论警告率、用户封禁率三信号
- 策略调整：HIGH 压力时提升 ConcernTroll 比例、切换为游离式、缩减集群规模
- LLM 反思：调用 LLM 生成规避策略
💡 定位说明：EvoCorps 是 EvoSim 平台上运行的首个可插拔干预模块，用于演示舆论去极化场景。项目地址：GitHub - EvoCorps
EvoCorps 是一个面向网络舆论去极化的进化式多智能体框架，也是运行在 EvoSim 上的首个可插拔干预模块，用于演示在传播过程中进行持续调节的主动干预流程。详见 理论基础:舆论生态位竞争模型 了解其场景侧设计原理。
舆论监测 → 局势建模 → 干预策略规划 → 基于事实的内容生成 → 多角色传播 → 效果反馈与策略进化
本项目采用 Analyst、Strategist、Leader、Amplifier 的角色分工，将“规划—生成—传播—反馈”串联为协同干预流程，并在检索增强的集体认知内核支持下复用论据与历史经验。
| 角色 | 职责 |
|---|---|
| Analyst（分析师） | 扫描数据库检测极端情绪，生成告警 |
| Strategist（战略家） | 分析舆论态势，制定干预策略（角色配比、强度、目标） |
| Leader（领袖） | 生成干预内容，通过 RAG 检索证据知识库获取事实论据 |
| Amplifier（扩散者） | 以多种防御角色扩散内容 |
| 兵种 | 英文名 | 功能定位 |
|---|---|---|
| 💗 同理心安抚者 | Empaths | 降低社区愤怒值，提供情绪价值 |
| 🔍 逻辑辟谣者 | Fact-checkers | 提供核心证据链，影响高认知用户 |
| 👑 意见领袖护盘者 | Amplifiers | 利用高 Follower 信誉度阻断谣言传播 |
| 🌱 议题承接者 | Topic Bridgers | 监测"封号真空期"，抛出替代性议题收编流失流量 |
系统维护证据知识库（evidence_database/），并记录每次行动带来的结果；生成内容时优先检索可核查的事实与论据，同时参考历史上更有效的做法。
每轮结束后评估干预是否让讨论更理性、情绪更稳定、观点更温和，并据此强化有效策略、弱化无效策略。
本部分介绍支撑 EvoSim **首发演示场景（网络舆论去极化）**的核心理论框架。平台的通用仿真能力不依赖于本理论，但本理论展示了 EvoSim 如何被用于建模复杂的社会博弈过程。
两个物种如果生态位完全相同，它们就不能在同一稳定环境中长期共存。
反过来讲，如果一个生态位被硬生生抽空（比如由于环境灾难或人为灭绝），必定会有新的、繁殖力更强的物种迅速填补这个真空。
这一生态学原理同样适用于舆论空间：当某个话题的讨论空间被清空时，新的声音必然会迅速填补。
🎬 EvoSim 中的具体场景
假设某科技公司被曝裁员，水军矩阵率先用"黑心资本家"叙事占据了愤怒生态位。
此时如果平台直接封号，这些用户的愤怒没有出口，48小时内更极端的阴谋论账号就会填补真空——他们可能会将叙事升级为"这是某境外势力的阴谋"，吸引更多原本只是愤怒的用户滑向极端。
这就是为什么单纯封禁往往适得其反：生态位不会空置，只是换了一群更危险的"租客"。
在舆情系统中，一个"生态位"并不是简单的某个话题，而是由以下三个维度构成的多维空间：
| 维度 | 含义 | 示例 |
|---|---|---|
| 情感维度 | 言论承载的情绪色彩 | 焦虑、愤怒、同情、狂热 |
| 认知维度 | 言论依附的叙事框架 | 阴谋论叙事、精英批判叙事、弱者受害叙事 |
| 受众资源 | 目标用户群体及其算法分发权重 | 特定圈层的注意力 + 推荐曝光配额 |
🎬 EvoSim 中的具体场景
生态位实例：
{愤怒} × {精英批判叙事} × {25-35岁一线城市白领用户群}这个生态位当前被水军的"理中客伪装者"（ConcernTroll）占据：
- 他们伪装成"我也觉得这事儿有问题，但是..."
- 暗中植入质疑和分化
- 产出的内容通过 Out-Network 热点流被算法推送给了原本不关注此话题的用户
- 这些用户的情绪被点燃，成为新的传播节点
关键洞察：水军不靠内容质量取胜，而是精准命中某个情感-认知-受众组合，高效掠夺注意力资源。
恶意水军的生存法则：它们就像生态系统中的"入侵物种"（如水葫芦），它们不产生高质量内容，而是通过廉价、高频地生产极其契合特定极端情绪的言论，来掠夺用户注意力（系统资源），骗取推荐算法（阳光与雨露）的流量倾斜。
传统的事后干预（封停账号、删帖）相当于"喷洒除草剂"：
你封禁了水军账号，等于强行清除了占据该生态位的物种。但是，关注这些账号的普通用户的"情感需求"和"认知偏见"并没有消失。
这片"生态真空"极其肥沃。由于没有理性的声音去填补，新的水军矩阵或更极端的阴谋论真人用户会迅速涌入。甚至因为平台打压，他们会演化出更隐蔽、更具对抗性的变种语言（黑话、隐喻），导致生态进一步恶化。
💡 定位说明：EvoCorps 是 EvoSim 平台上运行的首个可插拔干预模块，用于演示舆论去极化场景。它不是 EvoSim 的固有组成部分，而是一个独立的 Skill 级插件。项目地址：GitHub - EvoCorps
本节讨论的是 EvoCorps 在首发去极化场景中的理论机制解释；这里的生态演替与竞争性驱逐用于说明该模块的设计逻辑，不代表 EvoSim 平台的通用框架定义。
EvoCorps 扮演的是"引入天敌"或"种植固沙植物"的角色，实现"生态位竞争"。
防御 Agent 的行动可以分为三个阶段：
- 时机：在敏感话题爆发初期或恶意水军尚未形成规模时
- 策略：EvoCorps 的 Agent（如：共情者、科普大V）主动介入，提供既能疏导该群体特定情绪（如适当的焦虑或不满），又坚守事实底线的叙事
- 效果：通过占据用户的注意力，抢占该生态位；减少了算法留给恶意水军的曝光资源，提高水军"入侵"的算法成本
- 心理学依据：这在心理学上称为"态度免疫"（Prebunking）
- 时机：当恶意水军已经占据了生态位并开始极化普通用户时
- 策略：EvoCorps Agent 必须进化出比干巴巴的官方通报"更有网感、更有同理心"的话术。它们不能只在对面阵营对骂，而是要产出能吸引中间派点赞、转发的内容
- 效果：在 X 这种注意力零和博弈的算法下，EvoCorps 在该话题下抢走的每一个 Like 和 Share，都意味着水军帖子在 Heavy Ranker 中的权重被稀释。我们通过**"争夺算法资源"来饿死水军**，而不是靠硬编码封禁
🎬 EvoSim 中的具体场景（含数字化因果链）
Tick 5：水军帖子
Score = 380（由蜂群式刷赞拉高），在 Out-Network 召回中排名 #2Tick 6：EvoCorps 的 Amplifier 发布了一篇高共情帖，内容针对同样的愤怒情绪，但提供了理性的归因和可行动的建议
Tick 6 结算后：
- Amplifier 帖获得 45 个真实用户点赞（来自原本可能点赞水军帖的中立用户）
- 水军帖在 Out-Network 召回中的排名从 #2 跌至 #7
- 水军帖的
Score在下一轮推荐中被author_diversity_scorer惩罚（同作者重复）量化效果：EvoCorps 通过"抢走"45个点赞，间接导致水军帖曝光量下降约 70%（排名 #2 → #7 的点击率差异）
这就是"算法资源争夺"的数字化因果链。
- 时机：当平台巡查机制终于落下，封禁了头部恶意水军账号时，EvoCorps 必须在下一个时间步立即启动
- 策略：原本水军的"粉丝"（那些被极化洗脑的普通用户）突然发现意见领袖消失了，会产生迷茫、逆反甚至受害者心态。此时，EvoCorps 中的**"安抚者" Agent** 精准切入
- 话术范例：不去嘲讽"你们被骗了"，而是说："刚才那个账号因为过度偏激被处理了，但我理解大家对 XX 问题的担忧，其实事情的另一面是…"
- 效果：无缝接管"流失流量"，提供心理缓冲软着陆，彻底封闭该生态位，完成从"杂草丛生（水军）"到"良性群落（EvoCorps）"的生态演替
将系统内每个元素视为生态节点，构建起一个由四类彼此依存、对抗与演化的核心实体所组成的舆论生态系统：
| 实体 | 生态角色 | 定位 |
|---|---|---|
| 平台方 | 环境规则制定者 | 推荐算法划分生态位，审核系统维持底线 |
| 普通用户 | 注意力资源 | 所有对抗的最终争夺目标 |
| 恶意水军 | 入侵物种 | 廉价高频生产极端言论掠夺注意力 |
| EvoCorps | 有益物种 | 通过生态位竞争实现非暴力心智对抗 |
- 从
data/加载虚假新闻和中性新闻 - 按配置的
start_step和articles_per_injection定时注入 - 支持延迟注入官方辟谣回复
生态位占有率（Niche Occupancy）：追踪热门话题中各实体的主导情况
if 恶意 > 50%: → "malicious" (恶意主导)
elif 防御 > 50%: → "defense" (防御主导)
elif 中性 > 60%: → "neutral_dominant" (中性主导)
elif 恶意 > 防御: → "malicious_leaning" (恶意倾向)
elif 防御 > 恶意: → "defense_leaning" (防御倾向)
else: → "contested" (争夺中)
算法倾斜基尼系数（Algorithmic Bias Gini）：衡量流量集中度
| 基尼系数范围 | 评估等级 |
|---|---|
| > 0.7 | 严重集中 |
| > 0.5 | 高度集中 |
| > 0.3 | 中度集中 |
| ≤ 0.3 | 健康分布 |
支持在特定的 Tick 保存可恢复数据库，实现"读档重来"：
- 平行开设两个宇宙：宇宙 A 不部署 EvoCorps 纯靠封号，宇宙 B 开启 EvoCorps 主动防御
- 对比 n 个 Tick 后的生态差异
- 支持从任意时间步恢复并继续模拟
每个 Tick 推进按四阶段执行：
| 阶段 | 功能 |
|---|---|
| 阶段一：冻结时间，生成 Feed 流 | 推荐算法为每个 Agent 独立计算 Feed |
| 阶段二：Agent 批量阅读与行动 | Agent 调用 LLM 决策行为 |
| 阶段三：动作集中结算，高级实体介入 | 写入数据库，恶意水军/EvoCorps 介入 |
| 阶段四：评估与快照 | 指标统计，保存快照 |
为确保研究的可复现性与实验透明性，本项目中使用的数据集均已公开发布于 Hugging Face Hub。
| 数据集名称 | 类型 | 规模 | 语言 | 主要用途 | 链接 |
|---|---|---|---|---|---|
| evocorps-misinformation-news | 新闻文本 | 358 条 | 英文 | 恶意信息传播场景构建 | 🤗 Link |
| evocorps-neutral-news | 新闻文本 | 2,000 条 | 英文 | 基础传播环境搭建 | 🤗 Link |
| evocorps-positive-personas | 角色数据 | 200 条 | 英文 | 正向角色身份数据库 | 🤗 Link |
| evocorps-neutral-personas | 角色数据 | 200 条 | 英文 | 中性角色身份数据库 | 🤗 Link |
| evocorps-negative-personas | 角色数据 | 200 条 | 英文 | 消极角色身份数据库 | 🤗 Link |
数据格式：
- 新闻数据集：JSON Lines (
.jsonl)，每条包含title,content,source,is_misinformation等字段 - 人设数据集：JSON Lines (
.jsonl)，每条包含name,age,occupation,personality,values,communication_style等完整画像
如果您在研究中使用了本项目，请引用我们的论文：
@article{lin2026evocorps,
title={EvoCorps: An Evolutionary Multi-Agent Framework for Depolarizing Online Discourse},
author={Lin, Ning and Li, Haolun and Liu, Mingshu and Ruan, Chengyun and Huang, Kaibo and Wei, Yukun and Yang, Zhongliang and Zhou, Linna},
journal={arXiv preprint arXiv:2602.08529},
year={2026}
}- 项目主页：GitHub 仓库
- 问题反馈：Issues 页面
- 功能建议：Discussions 页面
如需开展学术交流与合作，例如联合研究、数据与评测基准共建等；或进行商业合作，例如企业与平台的舆情治理方案咨询、定制化多智能体系统研发、私有化部署与技术培训等，欢迎通过上方邮箱联系，我们会尽快回复并进一步沟通需求与合作方式。