NexusMind

基于社会世界模型的多智能体舆情推演与决策辅助系统
Multi-Agent Public Opinion Simulation and Decision Support Powered by a Social World Model

1. 项目简介

NexusMind 是一套以社会世界模型为核心的多智能体舆情推演与决策辅助系统。系统以现实公共事件中的种子材料为起点，自动完成事实理解、知识图谱构建、多角色群体建模、舆情态势推演、世界状态追踪、因果链分析与决策简报生成。

社会世界模型用于刻画公共事件所处的动态社会环境：它不仅关注“谁说了什么”，还持续追踪关注度、公众信任、情绪压力、立场极化、综合风险和系统稳定性等状态变量。多类 Agent 会在信息广场和话题社区中发帖、评论、转发、搜索与互动；这些行为会改变世界状态，而世界状态又会反馈影响后续 Agent 行为，从而形成“个体行为—群体涌现—社会态势—决策响应”的闭环推演。

与传统舆情系统不同，NexusMind 不只是对已有材料进行摘要、分类或情感分析，而是尝试在可控数字社会中模拟事件的发展过程，提前识别可能出现的扩散趋势、风险拐点、关键影响因素和干预窗口。

一句话概括：

NexusMind 是一个由社会世界模型驱动、能随着事件发展持续更新的公共事件数字沙盘。

当前项目重点面向：

高校舆情与品牌声誉治理：模拟举报、通报、媒体报道和公众讨论的演化过程，辅助识别声誉风险、信任拐点与修复策略。
公共安全与应急管理：模拟自然灾害、校园安全、公共卫生等事件中的人群情绪、信息扩散和社会动态，优化应急预案与响应节奏。
舆情风险预警：实时监测并模拟网络舆情的传播路径和演变趋势，提前识别潜在的次生风险、极化风险和信任危机。
政策沟通与组织治理：模拟不同回应方式、信息披露节奏和资源配置方案的效果，为组织治理和公共沟通提供决策参考。
计算机设计大赛展示：围绕真实案例展示“材料接入—社会世界建模—多智能体推演—决策辅助”的完整 AI 实践闭环。

2. 核心价值

2.1 从静态分析到动态推演

多数舆情分析工具回答的是：“已经发生了什么？”
NexusMind 更进一步回答：

接下来可能如何扩散？
哪些节点可能成为风险拐点？
哪些主体、话题和信息会放大影响？
不同处置策略可能带来什么收益和副作用？

2.2 从文本摘要到社会世界模型

系统不仅抽取文本中的实体、关系和事件，还会持续维护宏观社会状态，包括关注度、公众信任、情绪压力、立场极化、综合风险和系统稳定性。Agent 的行为会改变世界状态，世界状态又会通过反馈机制影响后续 Agent 行为。

2.3 从一次性报告到滚动决策

真实公共事件不会在一次分析后结束。NexusMind 支持随着现实新材料出现持续追加材料、重建事实基线、创建预测分支和更新决策简报，形成滚动研判闭环。

3. 系统总览

现实种子材料
   │
   ▼
文本解析 / 网络抓取 / 分阶段追加
   │
   ▼
事实基线 Baseline Snapshot
   │
   ▼
知识图谱 + 向量检索 GraphRAG / VectorRAG
   │
   ▼
Agent 社会构建：身份、人设、认知先验、平台参数
   │
   ▼
信息广场 + 话题社区双平台推演
   │
   ▼
社会世界模型：六维状态、事件流、因果链、反馈闭环
   │
   ▼
报告生成 / 量化评估 / 决策简报 / 分支对比

4. 社会世界模型

社会世界模型是 NexusMind 当前版本的核心。它用于表示事件环境如何在 Agent 行为、外部信息和群体反馈中持续演化。

4.1 六维宏观状态

状态变量	中文含义	作用
`attention_level`	舆论关注度	衡量事件热度和讨论规模
`panic_level`	情绪压力	衡量负面情绪、焦虑和恐慌扩散
`trust_level`	公众信任	衡量公众对组织、权威或官方回应的信任
`polarization_level`	立场极化	衡量群体分歧和对立强度
`risk_level`	综合风险	综合刻画事件升级、次生风险和治理压力
`stability_level`	系统稳定性	衡量舆论环境是否趋于收敛和平稳

4.2 状态更新机制

每轮推演结束后，系统会从 Agent 行为中提取观测信号，例如：

发帖、评论、转发、点赞、搜索和关注行为
活跃 Agent 数量
关键词和话题变化
情感分布
平台行为差异
事件触发和状态突变

随后通过规则层、平滑机制、自然衰减、话题状态和事件检测生成新的世界状态快照，并持久化为 JSONL 数据。

4.3 反馈闭环

世界状态不是只用于展示。系统会将宏观状态压缩为中性、非指令式的环境观察信息，通过模拟子进程注入 Agent 所感知的环境，使 Agent 后续行为受到社会态势影响。

为避免过度操控，系统采用阻尼机制：只有当状态偏离基线达到阈值时才注入环境观察，从而保持 Agent 行为的自主性。

5. 论文启发与工程化实现

NexusMind 的社会世界模型和 Agent 认知机制参考了多智能体社会仿真、世界模型、公共舆情传播和可信 Agent 方向的多篇前沿研究，并进行了工程化实现。

研究方向	工程化映射
Social World Model	将社会环境拆分为结构、动态和个性化感知
Agent Society Simulation	将 Agent 属性、情绪、认知状态与行为生成耦合
Public Opinion Simulation	引入公共舆论中的信念、情绪、立场漂移和理性干预思想
Social Media Simulation	复用多平台社交互动机制，支持发帖、评论、转发、搜索等行为
Rumor / Information Spreading	关注信息级联、群体扩散和传播路径
Generative Agents	引入记忆、反思和可置信行为的结构化脚手架
World Models	将环境状态、未来演化和决策支持统一建模

这些思想不是停留在文档中，而是映射到了可运行代码：

agent_brain.py：AgentPrior、AgentCognitiveState、记忆和策略脚手架
world_state.py：六维世界状态、事件检测、Topic State 和状态衰减
causal_graph.py：事件因果边和因果链推断
run_parallel_simulation.py：世界状态对 Agent 环境感知的注入
simulation_insight_service.py：状态演化、风险机会、评分卡和决策简报

6. Agent 认知架构

系统中的 Agent 不再只是静态角色设定，而是具备可计算认知结构。

6.1 AgentPrior

AgentPrior 描述 Agent 的长期先验：

身份类型和职业角色
初始立场
核心目标
关注话题
风险容忍度
权威信任和同伴信任
从众性、表达欲和易感性
决策风格

6.2 AgentCognitiveState

AgentCognitiveState 描述每轮变化的认知状态：

注意焦点
情绪唤醒
感知风险
信息确定性
权威信任变化
同伴信任变化
当前目标显著性
最近策略和反思提示

6.3 个性化感知

同一个宏观世界状态，对不同 Agent 会产生不同感知。例如：

机构类 Agent 更关注稳定性、信任和风险。
媒体类 Agent 更关注热度、信息变化和传播价值。
学生或普通公众 Agent 更容易受到同伴反馈、情绪压力和立场分化影响。

7. 产品工作流

7.1 五步主链路

阶段	名称	说明
Step 1	事件图谱生成	从材料中抽取实体、关系和事件线索，构建知识图谱
Step 2	群体环境建模	生成 Agent 画像、认知先验、平台配置和模拟参数
Step 3	舆情态势推演	Agent 在信息广场和话题社区交互，世界模型追踪态势变化
Step 4	结果报告生成	ReportAgent 调用图谱、Agent、世界模型和评估工具生成报告
Step 5	深度交互	与 Agent 或报告智能体进行追问和解释

7.2 事件工作台

事件工作台用于真实事件的持续跟踪：

路由：/incident/:projectId
前端：frontend/src/views/IncidentWorkspaceView.vue
后端：backend/app/api/incident.py

支持能力：

持续追加材料
生成和切换事实基线版本
查看材料时间线
重建基线图谱
创建预测分支
对比不同干预方案
导出阶段性报告

8. 核心模块

8.1 材料接入与知识图谱

支持 PDF、Markdown、TXT 等文件材料
支持 Tavily 网络搜索抓取公开信息
LLM 自动生成 Prescribed Ontology
Graphiti + Neo4j 构建知识图谱
实体清洗、伪实体过滤和实体类型标注
Neo4j 向量索引用于语义召回

相关文件：

backend/app/services/text_processor.py
backend/app/services/ontology_generator.py
backend/app/services/graph_builder.py
backend/app/services/entity_cleaner.py
backend/app/services/vector_store.py

8.2 多智能体社会推演

基于 CAMEL-AI OASIS 的社交平台模拟
支持信息广场和话题社区双平台
支持发帖、评论、转发、点赞、搜索、关注等动作
每轮记录 Agent 行为、平台状态和世界状态
支持停止、续跑、重启和历史数据恢复

相关文件：

backend/app/services/simulation_runner.py
backend/app/services/simulation_manager.py
backend/scripts/run_parallel_simulation.py
frontend/src/components/Step3Simulation.vue

8.3 因果链与世界事件

自动检测世界状态显著变化
记录关键世界事件
推断事件间因果边
支持因果链追踪和可视化

相关文件：

backend/app/services/causal_graph.py
frontend/src/components/WorldState/CausalGraphView.vue
frontend/src/components/WorldState/EventTimeline.vue

8.4 ReportAgent 报告引擎

ReportAgent 使用 ReACT 多轮推理模式，可调用多类工具生成结构化报告。

工具类别	工具
图谱检索	`insight_forge`、`panorama_search`、`quick_search`
Agent 采访	`interview_agents`
世界模型	`world_model_brief`、`state_evolution_analysis`
因果分析	`causal_chain_analysis`
量化评估	`evaluation_summary`
态势评分	`reputation_scorecard`
决策支持	`decision_support_brief`
证据检索	`simulation_evidence_search`
认知分析	`agent_cognition_analysis`

相关文件：

backend/app/services/report_agent.py
backend/app/services/simulation_insight_service.py
backend/app/api/report.py

9. 量化评估与 Benchmark

系统提供事后量化评估与真实案例对照验证。

9.1 评估内容

情感演化时序
Agent 行为多样性
世界状态峰值、谷值、波动率和转折点
影响力 Agent 分析
因果图谱统计
世界模型反馈环统计

9.2 Benchmark 指标

指标	全称	权重	含义
TCS	Trend Consistency Score	35%	模拟走势与现实阶段方向是否一致
TPH	Turning Point Hit Rate	25%	是否命中关键现实转折点
KAC	Key Actor Coverage	20%	关键主体是否被图谱、Agent 与报告覆盖
EOA	Event Order Accuracy	20%	模拟事件顺序与现实参考链是否一致

9.3 典型案例结果

Case 01 高校舆情案例当前记录：

模式	TCS	TPH	KAC	EOA	总分
Tier A / Full	100.0	100.0	100.0	96.4	99.3 / A
Tier B / Gated	80.0	50.0	100.0	86.7	77.8 / B
Tier C / Blind	50.0	33.3	77.8	66.7	54.7 / C

该对照说明：更完整的事实图谱和上下文能够显著提升趋势一致性、关键拐点命中率和事件顺序准确度；当信息被限制或盲测时，系统仍能捕捉部分传播趋势，但深层转折和角色归因会明显下降。

相关文件：

benchmark/scoring.py
benchmark/case_01_wuhan_university_library/
backend/app/services/evaluation.py
backend/app/api/evaluation.py
frontend/src/api/evaluation.js

10. 技术架构

层级	技术与模块
前端	Vue 3、Vite、D3.js、可视化组件
后端	Flask 3.x、REST API、本地文件持久化、异步任务管理
图谱层	Graphiti、Neo4j、GraphRAG、VectorRAG
模拟层	CAMEL-AI OASIS、双平台社交互动模拟
世界模型	WorldStateEngine、CausalGraphEngine、AgentBrain、SimulationInsightService
报告层	ReACT ReportAgent、多工具调用、Markdown/HTML/PDF 导出
评估层	Benchmark scoring、情感/行为/影响力/状态演化分析

核心目录：

NexusMind/
├── frontend/                         # Vue 3 + Vite 前端
│   └── src/
│       ├── views/                    # Home / Process / IncidentWorkspace / SimGraph
│       ├── components/               # 五步流程组件与世界模型组件
│       └── api/                      # graph / simulation / report / evaluation / incident API
├── backend/
│   ├── app/
│   │   ├── api/                      # Flask REST API
│   │   ├── services/                 # 图谱、模拟、世界模型、报告、评估核心逻辑
│   │   ├── models/                   # Project / Material / Baseline / ForecastRun
│   │   └── utils/                    # LLM、Graphiti、文件解析、日志等工具
│   ├── scripts/
│   │   └── run_parallel_simulation.py # OASIS 子进程与世界状态注入
│   └── uploads/                      # 本地运行数据、模拟日志、报告产物
├── benchmark/                        # 真实案例评测与评分脚本
├── docs/                             # 使用手册、比赛材料、案例资料与报告归档
│   ├── cases/                        # 真实案例材料与阶段时间线
│   │   ├── huazhong_agricultural_university/
│   │   └── wuhan_university/
│   ├── competition/                  # 比赛演示脚本与分镜文档
│   ├── manuals/                      # 使用手册
│   ├── planning/                     # 产品规划与蓝图
│   └── reports/                      # 外部报告与中间解析结果
├── word_modle/papers/                # 社会世界模型论文分析与规划文档
├── static/image/                     # README 图片与演示素材
└── docker-compose.yml

11. 快速开始

11.1 环境要求

组件	推荐版本
Python	3.11+
Node.js	18+
Neo4j	5.x
npm	9+

11.2 环境变量

在项目根目录创建 .env：

LLM_API_KEY=your_api_key
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_MODEL_NAME=qwen-plus

NEO4J_URI=bolt://localhost:7687
NEO4J_USERNAME=neo4j
NEO4J_PASSWORD=your_neo4j_password
NEO4J_DATABASE=neo4j

# 可选：网络搜索
TAVILY_API_KEY=your_tavily_api_key

如本地 Neo4j 使用自定义端口，只需同步修改 NEO4J_URI。

11.3 安装依赖

# 根目录依赖 + 前端依赖
npm run setup

# 后端依赖（使用 uv）
npm run setup:backend

也可以手动安装：

cd frontend
npm install

cd ../backend
pip install -r requirements.txt

11.4 启动服务

# 根目录一键启动前后端
npm run dev

或分开启动：

# 后端
cd backend
python run.py

# 前端
cd frontend
npm run dev

默认地址：

前端：http://localhost:3000
后端：http://localhost:5001
Neo4j Browser：http://localhost:7474
Neo4j Bolt：bolt://localhost:7687

11.5 Docker Compose 启动

如果希望使用容器方式同时启动 Neo4j 与 NexusMind：

docker compose up -d

docker-compose.yml 会读取根目录 .env。其中 NEO4J_USERNAME 和 NEO4J_PASSWORD 会用于初始化 Neo4j 容器的账号密码。

12. 比赛演示建议

用于计算机设计大赛时，建议不要逐个讲按钮，而是围绕真实事件的持续演化展开。

推荐主线：

现实种子接入：上传第一阶段材料，说明系统可从早期有限信息起跑。
事实与图谱构建：展示实体、关系和事件线索如何被结构化。
舆情态势推演：展示 Agent 在信息广场和话题社区中交互，社会世界模型跟踪六维状态。
世界模型解释：强调系统不是总结已有材料，而是在模拟扩散趋势、风险拐点和关键影响因素。
事件工作台滚动更新：追加后续材料，生成新基线和预测分支。
决策支持输出：展示风险、机会、推荐行动和证据链。

核心表达：

我们不是只对事件做一次静态分析，而是随着事件不断演化，持续更新事实基线、图谱理解、社会状态和决策判断。

13. 开源协议与致谢

13.1 开源协议

本项目基于 GNU Affero General Public License v3.0（AGPL-3.0） 开源发布，完整协议文本见 LICENSE。

如果你复制、修改、分发本项目，或基于本项目提供网络服务，应遵守 AGPL-3.0 的相关要求，包括但不限于：

保留原始版权声明和开源协议信息。
在分发修改版本时，说明修改内容并继续以 AGPL-3.0 协议发布。
如果将修改后的版本作为网络服务提供给用户使用，应向这些用户提供对应版本的源代码获取方式。
本项目按“原样”提供，不提供任何明示或默示担保。

本项目引用或依赖的第三方开源组件，仍遵循其各自的开源协议。第三方开源致谢、MiroFish 参考说明和版权保留声明见 NOTICE。

13.2 致谢

NexusMind 的实现离不开开源生态和相关学术研究：

感谢 CAMEL-AI OASIS 提供多智能体社交仿真基础。
感谢 MiroFish 开源项目提供的开源启发与参考。NexusMind 在遵循相关开源协议和致谢要求的基础上，面向高校与公共舆情事件重新组织系统目标和工程实现，将仿真调度、群体环境建模、场景配置生成、运行状态管理、决策简报与交互研判等能力整合为闭环推演流程，核心侧重于基于相关论文实现的社会世界模型、增量材料接入、滚动预测和辅助决策。
感谢 Graphiti / Neo4j 为知识图谱和检索层提供基础能力。
感谢 Vue、Flask、D3、OpenAI SDK 等开源项目。
社会世界模型与 Agent 认知设计参考了 Social World Model、Agent Society Simulation、Public Opinion Simulation、Generative Agents、World Models 等方向的研究成果。

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
backend		backend
benchmark		benchmark
docs		docs
frontend		frontend
scripts		scripts
static/image		static/image
tests/incident_phased_test		tests/incident_phased_test
word_modle/papers/social_world_model		word_modle/papers/social_world_model
.dockerignore		.dockerignore
.gitignore		.gitignore
Dockerfile		Dockerfile
LICENSE		LICENSE
NOTICE		NOTICE
README-EN.md		README-EN.md
README.md		README.md
docker-compose.yml		docker-compose.yml
package-lock.json		package-lock.json
package.json		package.json

Latest commit

History

Folders and files

Repository files navigation

NexusMind

1. 项目简介

2. 核心价值

2.1 从静态分析到动态推演

2.2 从文本摘要到社会世界模型

2.3 从一次性报告到滚动决策

3. 系统总览

4. 社会世界模型

4.1 六维宏观状态

4.2 状态更新机制

4.3 反馈闭环

5. 论文启发与工程化实现

6. Agent 认知架构

6.1 AgentPrior

6.2 AgentCognitiveState

6.3 个性化感知

7. 产品工作流

7.1 五步主链路

7.2 事件工作台

8. 核心模块

8.1 材料接入与知识图谱

8.2 多智能体社会推演

8.3 因果链与世界事件

8.4 ReportAgent 报告引擎

9. 量化评估与 Benchmark

9.1 评估内容

9.2 Benchmark 指标

9.3 典型案例结果

10. 技术架构

11. 快速开始

11.1 环境要求

11.2 环境变量

11.3 安装依赖

11.4 启动服务

11.5 Docker Compose 启动

12. 比赛演示建议

13. 开源协议与致谢

13.1 开源协议

13.2 致谢

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages