1
定义个体
先想清楚系统里有哪些参与者，它们各自拥有什么状态，例如位置、健康状态、速度、资源量。
Agent-Based Modeling
从一个个会行动的个体，观察整体行为如何自己长出来
智能体建模不是先写整体方程，而是先定义“每个个体怎么感知、怎么行动、怎么互动”。 当这些简单规则同时运行，系统会出现堵塞、扩散、聚集、传播等涌现现象。
个体规则
局部交互
空间移动
涌现行为
先别想“大系统”
ABM 的关键不是先写总量公式，而是把每个个体的规则讲清楚，然后让他们一起动起来。
谁是智能体
人、车辆、企业、细胞、动物，都可以是一个独立决策单元。
规则是什么
移动、接触、感染、协作、避让、购买，都是局部规则。
环境怎么影响
空间位置、密度、邻居关系和约束条件会改变结果。
你最终读什么
不是单个个体，而是整体扩散曲线、聚集模式和群体行为。
理解方法
ABM 的核心是“自下而上”
先给每个个体一套本地规则，再让系统自己演化。模型的解释力，往往就来自这些局部规则如何叠加成宏观结果。
2
定义局部规则
每个智能体只根据自己和邻近环境做决策，而不是直接看到系统全局。
3
反复推进时间
系统按时间步不断更新个体状态，个体之间的接触与反馈会逐步累积。
4
观察涌现结果
扩散速度、峰值规模、聚类模式和最终平衡，都是从个体行为中自然长出来的。
这页的教学实验
我们用“移动中的感染传播”来演示 ABM：规则很简单，但你会看到结果并不简单，这正是 ABM 最重要的直觉。
交互实验室
拖动局部规则，直接观察传播曲线怎么变
每个圆点都是一个智能体。你调整的不是“总体感染率”，而是个体数量、移动速度、接触半径和感染概率。
智能体空间演化
每个圆点都是独立个体。系统不会预先知道结果，结果完全由局部规则和空间接触一步步长出来。
易感者
感染者
康复者
群体状态曲线
这条曲线就是典型 ABM 输出：宏观结果并不是直接输入的，而是从个体行为统计出来的。结果怎么读
ABM 最适合回答“如果局部规则变化，整体会怎样变化”这类问题。等待模型开始运行后，这里会给出基于当前状态的解释。
什么时候用
当个体差异、邻居关系和空间接触非常重要时
如果问题的关键不在平均数，而在“谁和谁相遇、谁先行动、规则如何互相影响”，ABM 往往比总量模型更自然。
个体之间并不一样
当参与者存在行为差异、信息差异或空间位置差异时，用一个平均人往往不够好。
局部关系决定结果
传播、交通、协作、市场选择、群体行为，都常常取决于局部接触网络而不是全局平均。
你关心的是涌现现象
堵塞、聚类、同步、扩散、分化等现象，很适合通过智能体建模来理解和演示。