前两篇分别聊了规则文档和事件记录，这篇聊城市里的"居民"。
屿城沙盘的多智能体推演基于清华 AgentSociety 框架，但我们在上面做了一个不太寻常的安排：同一座城市里，同时住着三类居民。
三类居民
白盒居民（丛）。决策逻辑完全由规则驱动：收入变了怎么调整消费、管控升级了怎么调整出行，每一步都能从规则文档里找到出处。丛是推演的基准线——它的行为必须可解释、可复算。
人格居民。由大模型驱动的 agent，有职业、性格和社会关系。它们的行为更像真人：会迟疑、会跟风、会在压力下做出理性模型不会做的选择。它们补上的是白盒规则难以穷举的行为多样性。
黑盒对照组（衍体）。刻意不解释、不追溯的统计型居民，行为由聚合分布采样生成。它们存在的意义只有一个：当三类居民对同一条政策给出三种反应时，差异本身就是最重要的结论。
为什么要放对照组
这是对照实验的思路搬到了仿真里。
如果整座城只有白盒居民，推演说"政策 A 使消费下降 8%"，你没法回答一个问题：这个 8% 是城市的真实反应，还是你规则假设的必然产物？毕竟规则是你自己写的，结论可能只是输入的循环论证。
放进三类机制不同的居民之后，情况就不一样了：
- 三类反应一致——结论稳健，值得认真对待；
- 白盒和黑盒分歧——大概率是某条规则假设太强，回去审规则；
- 人格居民和黑盒分歧——大概率是行为层面的涌现现象，值得深挖；
- 三者各说各话——这个问题本身就对假设敏感，结论必须带上边界。
结论的可靠程度，是靠"换一套机制再问一遍"挣来的，不是模型自己说了算。
同一信号层
三类居民机制不同，但必须住在同一座城市里：共享同一份城市状态、同一套事件信号、同一个逻辑时钟。我们管这个叫同一信号层：
- 任何居民感知到的城市，都是从同一份事件记录派生的视图，没有第二份数据源；
- 任何居民造成的影响，都以同样的格式写进记录，白盒黑盒一视同仁；
- 居民之间可以互相观察、互相影响——人格居民会模仿白盒邻居，反过来也一样。
最后一条最有意思：混合社会的"传染效应"，常常是单一居民类型的推演里看不到的。
工程上的两个坑
确定性。大模型 agent 天然不确定，复算怎么办？我们的做法是分层：规则层和记录层严格确定，人格层允许不确定，但完整记录上下文——复算时白盒部分逐条对齐，人格部分对齐"分布"而不是"轨迹"。
规模。三类居民混跑，计算量不小。衍体是采样生成的，成本极低；丛是规则驱动，成本可控；人格居民最贵，所以只放在关键节点上——社区代表、意见领袖、重点行业从业者。好钢用在刀刃上。
最后
一座只住白盒居民的城，只能证明你的规则自洽；一座住着三类居民的城，才能告诉你结论有多稳健。推演系统想对"靠谱"二字有个交代，对照是最诚实的做法。