social-inference：基于大语言模型的社交推理游戏实验平台

介绍social-inference项目，一个使用LLM代理实现社交推理游戏的Python项目，探索AI在欺骗、推理和社交互动中的表现

社交推理游戏，如狼人杀（Werewolf/Mafia）、阿瓦隆（Avalon）等，长期以来一直是研究人类社交智能、欺骗检测和策略推理的重要实验场景。这类游戏要求玩家在信息不完整的情况下做出决策，既要隐藏自己的身份，又要通过观察他人言行来推断真相。

随着大语言模型能力的不断提升，研究人员开始探索AI系统在这些需要复杂社交推理的任务中的表现。LLM能否理解欺骗的微妙之处？能否通过对话推断他人的真实意图？能否在压力下保持策略一致性？这些问题不仅关乎AI能力的边界，也为我们理解智能本身提供了新的视角。

social-inference项目正是在这一背景下诞生的，它将经典的社交推理游戏机制与现代LLM技术相结合，创造了一个独特的AI行为研究平台。

social-inference是一个基于Python的开源项目，实现了社交推理游戏的核心机制，并使用大语言模型作为游戏参与者。该项目允许用户运行全自动的AI对战，观察不同模型在欺骗、推理和协作场景中的表现。

这个工具特别适合AI研究人员、游戏设计者和LLM爱好者，它提供了一个标准化的测试环境，用于评估和比较不同语言模型在社交推理任务中的能力。

项目实现了社交推理游戏的经典角色分配机制：

• 伪装者（Impostor）：需要隐藏身份并误导其他玩家的角色
• 侦探（Detective）：拥有特殊信息获取能力的角色
• 医生（Doctor）：可以保护其他玩家的角色
• 船员（Crewmate）：普通玩家，需要通过推理找出伪装者

每个角色都有特定的目标和能力，这要求LLM代理不仅要理解游戏规则，还要根据角色身份调整策略。

游戏采用经典的昼夜交替机制：

白天阶段（Day Phase）：

• 所有存活的玩家参与公开讨论
• 玩家分享信息、提出怀疑、为自己辩护
• 通过投票决定淘汰哪位玩家

夜晚阶段（Night Phase）：

• 不同角色执行各自的特殊行动
• 伪装者选择攻击目标
• 侦探调查玩家身份
• 医生选择保护对象

这种机制创造了信息不对称的环境，是社交推理游戏的核心张力来源。

项目使用OpenAI API与语言模型交互，每个玩家由一个独立的LLM实例控制。关键设计包括：

• 独立上下文：每个代理维护自己的对话历史和推理状态
• 角色提示：通过系统提示向模型注入角色身份和目标
• 记忆管理：代理需要记住之前的讨论内容和投票历史
• 策略一致性：模型需要在多轮对话中保持策略的连贯性

游戏的核心交互发生在讨论和投票环节：

讨论阶段：

• 代理生成自然语言发言
• 发言可以包含指控、辩护、信息分享或策略建议
• 其他代理观察并更新对其他玩家的信任评估

投票阶段：

• 代理基于累积的信息做出投票决策
• 投票结果决定哪位玩家被淘汰
• 被淘汰玩家的真实身份揭晓

运行social-inference需要以下环境：

• Python 3.x：项目的主要编程语言
• OpenAI API密钥：用于与语言模型交互
• openai库：官方Python客户端
• 标准库依赖：argparse、json、os、random、re、time、collections、concurrent.futures、datetime