NetLogo编程零基础入门：掌握核心概念与ask指令，轻松上手社会网络仿真

先问一件事：你是因为觉得"编程"两个字太吓人，才一直没敢打开NetLogo的代码编辑器吗？

社交背景做研究的人都容易有这种心理门槛，总觉得写代码是计算机系的事情。但NetLogo这套社会网络仿真软件最反直觉的地方就在于，它恰恰是编程语言里最不挑出身的那一个——建模思路接近自然语言，表达逻辑也不是传统的"从第一行执行到最后一行"，而是"不断被激活再激活"。作为这个系列的第四篇，这期不聊NetLogo能做什么，只解决一个最现实的问题：从零上手NetLogo，编程到底该怎么学。

先说结论：NetLogo的编程基础，并不需要你去啃厚厚一本教程。你真正需要掌握的核心不过是几个概念和规则，剩下的完全可以靠模仿、查字典、跑通案例来渐进搞定。

1. NetLogo的代码长什么样：先建立读代码的安全感

很多人的第一个心理障碍是"没见过NetLogo代码，不知道从何下手"。NetLogo是Logo语言家族的后代，所以它的语法体系特别亲民——代码是由一条条"词"组成的，单词之间用空格隔开，每个词都像个英文小短语。换句话说，只要你的英语能认出go、turn、forward、red，读到NetLogo代码基本就能猜个七八分。这门语言的设计哲学，从诞生第一天就不是为了折磨人，而是为了让你把精力放在研究问题上，而不是语法解析上。

1.1 一段能跑起来的代码：变量声明+过程定义

随便给你一段完整的NetLogo示例，你就知道它的长相了：

turtles-own [ energy target-node ] to setup clear-all create-turtles 50 [ setxy random-xcor random-ycor set color one-of [red blue green] set shape "person" ] reset-ticks end to go ask turtles [ rt random 90 lt random 90 fd 1 set energy energy - 0.01 ] end

代码里最关键的信息其实一眼就能看出来：开头几行在"声明"，后面to ... end围起来的是各个行为模块。NetLogo不是一行一行顺序讲完整本故事的那种语言，它更像个调度中心——setup被按下时执行一次，go被按下时一遍一遍地重复执行，每次都让所有小海龟做点事情。

这和你熟悉的Word、Excel完全不是一个逻辑，更像是在给居民楼下的快递柜设定规则：哪些柜子有电（变量声明），什么时候开箱取货（setup），什么时候用户来存取件（go）。

1.2 别被英文术语劝退：NetLogo的词汇量其实很小

很多教程会在一开始就抛出大把抽象名词：agent、observer、turtle、patch、link、model、widget。看起来很唬人，但拿社会网络仿真来说，你日常用的词汇其实不超过30个。它们的含义几乎都能在生活里找到对应——turtle是模型里的个体，patches是地面格子，links是个体之间的连边，observer是站在天花板看全局的上帝视角。你不需要背词典，只要在一次次调试里让这些词和自己的场景挂上钩，它们自然就内化了。

我把NetLogo入门需要认识的词汇分成了四组，按优先级排列：

慢慢你会发现，几乎所有模型，底层不过是在用这些词拼出你的研究假设而已。我在给学生们做培训时最喜欢说一句话："NetLogo代码是拿来读给朋友听的，不是拿来给机器膜拜的。"

2. 变量、命令、代理：编程基础里真正躲不开的三个核心

NetLogo代码里最常用的"零件"并不复杂，但它们每一个都像乐高积木里的基本颗粒，组合规则值得单独拉出来讲。我建议你在理解代码前，先搞清这几个概念到底在说什么。

2.1 变量：每个代理身上都贴着几个小标签

你在NetLogo里新建的每只海龟、每条链接，甚至每一块patch，都可以被贴上若干个标签。比如做社会网络仿真时，你可能给每个节点标记：意见倾向、年龄、是否接种过谣言、所在的社区编号。这些标签就是变量。

NetLogo的变量和Python、C++里的变量有个显著不同：它不一定属于整个模型，而是可以属于每一个具体的"个体"。所以当你在代码里写下turtles-own [ age ]，其实是给每一只海龟都加了一个叫age的小格子，这只海龟的age是5，那只可能是42，互不干扰。

这一下就要区分三种"抽屉"了：

• globals：整个世界共用一个变量，比如全局的当前时间步、感染人数。
• turtles-own / patches-own / links-own：属于某一类个体的变量，每只各自独立存一份。
• let/set：临时变量和修改变量，在过程中生成、修改。

做个简单类比：全球变量就像学校广播通知里的内容，全校只有一套；turtles-own就像每个学生的书包，每个学生都有一份，里面装的东西各自不同；let临时变量就像你在草稿纸上随手算的数，用完就扔，不属于任何学生。

2.2 命令：一次操作一句话，词序影响感受

NetLogo整个语法中，频繁出现的其实是"动词"。create-turtles 10是"创建10只海龟"，forward 5是"向前走5个单位"，set color red是"把颜色设为红色"。每个动词配上一个参数，组合成一句对小海龟下的命令。比如写流程时，我经常用：

ask turtles with [color = red] [ forward 10 set color blue ]

这一段意思简明得很：让所有红色的海龟往前走10步，然后把颜色改成蓝色。和英语句子几乎同构，唯一需要注意的是，NetLogo命令的"目标"通常在前半句或后半句，而动作动词写在方括号内部，这个后面会讲。习惯读英文的人很容易上手。

2.3 过程和调用：把事情拆成一个一个能复用的动作

如果只有一个setup按钮一直做所有事情，代码很快就膨胀到没法维护。NetLogo提供了to ... end结构来定义过程——这个在编程里通常叫"函数"或"方法"，在NetLogo里叫"过程"。

to initialize-trust ask turtles [ set trust random-float 1.0 ] end

定义好的过程你可以随时调用：直接在别的过程里写它的名字，或是在界面上建一个按钮，指定它调用哪个过程。这样设计带来的好处是：逻辑拆成小块，每块一个任务；调试时可以单独跑某个过程看效果；你可以先写骨架再逐步填充。

写代码写得多的程序员往往会忍不住把一堆东西塞进一个go过程，但真正值得模仿的NetLogo老手，都会把过程拆得很碎——像一个大公司分成多个部门，各司其职。这个过程组织能力，在编程基础里占比极高。

3. ask指令：NetLogo和常规编程最大的分水岭

你要是以前碰过Python、C++或者Java，一定已经养成了一种思维：想让一个对象动，就调用这个对象的方法，比如person.walk()。但在NetLogo里，思想的主动权反过来了——你不再以单个对象为主体写代码，而是以"世界调度员"的身份给一群主体下指令。这个指令就是ask。

3.1 ask的本质：你是在下达群发通知

NetLogo中最重要的一类命令，几乎每个模型里都会见到：

ask turtles [ ... ]

这行代码的意思是：让世界管理所有海龟，挨个（不保证顺序）对每只海龟执行方括号里的动作。

仔细体会一下，这和我们习惯的"面向对象"思维完全不同。你不需要找到某只特定的海龟来执行动作，只需要说"所有满足某个条件的海龟，都按这个规则动一下"。它非常像微信群里发群公告：你不用走到每一个人跟前通知，只需要对管理员说"ask群成员"，他们就能收到消息。

这种行为模式直接契合社会网络仿真的需求——你不关心某个人单独的动态，你关心的是广大人群在规则下呈现的宏观规律。要统计感染比例时，你可以写：

set infected-count count turtles with [infected? = true]

要模拟传播时：

ask turtles with [infected? = true] [ ask link-neighbors with [not infected?] [ if random-float 1 < transmission-probability [ set infected? true ] ] ]

读一遍这段代码：让所有被感染的个体，问一问他们通过连边联系到的那些还没感染的邻居，以某个概率决定是否也感染。这几乎就是直接把社会学假设转换成代码，中间几乎不需要"计算机化"的思维跳跃。

3.2 ask的执行机制：无限循环里的随机轮盘

当一个按钮反复触发go过程的时候，NetLogo世界其实是在跑一个高频率的循环。每次循环，ask turtles [...]会对所有海龟逐一下达指令，但具体从谁开始、谁先谁后，NetLogo不保证。

这个特性在仿真里其实很重要。真实社会中不存在严格的"按编号排队行动"的现象，人们同时在做决策，NetLogo的随机轮转恰好模拟了异步并行决策带来的随机性。如果初学者想让某个颜色名单内的海龟先走，再让另一群后走，就不能指望默认顺序，需要自己写顺序控制。

比如想让"先感染者活动，后易感者活动"，你得显式分两步：

ask turtles with [infected? = true] [ spread ] ask turtles with [not infected? = true] [ move-average ]

编程新手最容易踩的第一个大坑，是写出这样一段代码：

ask turtles [ if count turtles > 50 [ die ] ]

这里表面是在检查全局海龟数量，但每只海龟被轮流问到时，都可能"处死"别人。数量确实是动态变化的，但问题在于这个判断对每只海龟都会重新执行一遍，结果是可能最后数量远低于50。初学者期待"超过50就杀一批，直到等于50"，但实际上每次都要杀掉一只，直到不足50为止，这带来极大的波动。正确写法在下一节讲。

3.3 self和myself：嵌套ask里最容易绕晕的两个"我"

ask进行嵌套时，初学者很容易迷失"此刻说话的是谁"。NetLogo提供两个特殊代词：self指出当前正在执行动作的主体（最内层asked对象），myself指外层ask的那个主体。

一个典型场景：让每条链接报告两端的节点是谁。如果你在网络模型里写：

ask links [ show end1 ask end1 [ show self show myself ] ]

在ask end1块内，self是那个端点海龟，myself是当前执行循环的链接。如果你不区分这两个，很可能在嵌套环境里误取了错误的代理。做社会网络仿真尤其需要这个——因为每条边连接两个节点，你常常需要"从边的视角，分别让两个端点做点什么"。

注意：NetLogo里的show命令会在命令行控制台打印结果，是检查模型逻辑最好的帮手，不熟悉的话可以直接用它来输出实验数据。

4. agentset、列表和基于主体的思考

当你说"所有红色的海龟"，NetLogo返给你的并不是一个列表，而是一个叫agentset的东西。agentset和列表是NetLogo建模时存放数据的两种基本容器，但它们的性格完全不同。

4.1 agentset：无序的集合，讲究"过滤和随机"

agentset代表一组代理（海龟、链接或patch），它有几个特点：同一类代理才能成团，里面不会出现重复的元素；元素顺序不确定，每次遍历顺序都可能变化；支持用with做条件过滤。

举例：找出"度数超过10且意见倾向为支持"的节点群：

ask turtles with [count my-links > 10 and opinion > 0.5] [ set influential? true ]

写多了之后你会发现，agentset最适合放进ask和count里，这是社会网络模型的高频操作。每次运行模型时，agentset都是实时从当前世界计算出来的，所以你不用担心它过期——每次使用前它都会"重新数人头"。

agent set基于主体思维有一个很自然的建模效果：你不需要手动维护一张"谁属于哪个组"的表。这个组只是一个临时计算出来的结果。社会网络研究里要圈定"某人的二度人脉""所有与感染者直接接触的人"，用agentset一行代码就搞定了。

4.2 list：有序列表，请按索引访问

列表就传统的多：从头到尾排序，允许有重复，可以用item、length、map、filter等操作。在社会网络仿真中，如果你要存储的是某个节点的属性历史、多轮博弈的策略记录，列表是最适合的。每个节点维护一个自己的list，可以在每轮结束后往里面加一个值：

turtles-own [ opinion-history ] to update-history set opinion-history lput opinion opinion-history end

这样每跑一个时间步，意见历史就被追加进列表。做后续的分析、画时间序列图时，直接从列表里取值就行。

要注意agentset和list不能互换：agentset适合做"按照条件批量行动"的场景，list适合做"存储保持顺序的数据"的场景。初学者最容易犯的错误是试图对agentset做排序或索引，但agentset压根没有index这种概念——它的天然操作是遍历、过滤、随机取样。如果非要给节点排名并取前10，你得先把agentset转成list，用sort排序。

let degree-list sort turtles ; 注意：degree-list的元素是排过序的海龟，而不是它们的度数，如需按度数排序则要自定义sort-by

4.3 while循环和无名状态：谁在无限占用沙箱

编程基础绕不开循环。NetLogo入门阶段主要有三种循环工具：repeat适合已知次数的简单重复；while适合不知道几次结束的条件循环；foreach和map等则用来遍历列表。

三种循环里最容易出事的是while——它需要你在循环内部修改终止条件涉及到的变量，否则就死循环。我见过好几个人写网络模型时这样写：

let target one-of turtles while [count [link-neighbors] of target < 3] [ ask target [ create-link-with one-of other turtles ] ]

初看觉得没问题：选一个节点，给它的链接数补到3以上。但问题出在如果世界里的其他节点没有链接对象，或者它已经连接了所有能连的节点，那每次判断还是少于3，循环永远不会结束。NetLogo界面会卡死，只能强制终止。调试方法其实也简单：设置最大迭代次数，或者跑之前用if判断一下是否有可行连接对象。

5. 实操：从零写一个最小社会网络传播模型

前面讲了各种概念，但只有真正写出一个能跑的模型，编程基础才算落地。下面带你走完一个"创建节点—生成网络—传播动态"的最简单流程。这个模型叫"最小观点感染模型"，里面包含节点初始化、连边生成、一轮传播和可视化布局四个部分。

5.1 第一步：声明全局变量和主体属性

首先定义模型要追踪的数据：节点持有什么观点（0到1之间的值）、是否已经亮明观点（这里用一个布尔值announced?模拟受暗示的个体）、还有一个标志用来控制传播状态。

globals [ consensus-index ] turtles-own [ opinion announced? ]

globals里的consensus-index用于衡量整个网络的共识程度——比如把所有人的观点取平均或方差。后续如果做对照实验，这个全局指标会很有用。

5.2 第二步：setup过程——清空世界并创造节点

写setup时无论多简单的模型，总原则都是先clear-all清空上一次的运行残留。然后设定网络节点的总数，创建它们并按圆圈布局摆放。NetLogo里的layout-circle指令可以将所有turtle均匀放在一个圆周上，画出来初看像个圆桌会议，适合呈现社会网络结构。

to setup clear-all create-turtles num-nodes [ set shape "circle" set color white set announced? false set opinion random-float 1.0 ] layout-circle sort turtles max-pycor - 1 create-network reset-ticks end

上面用到了num-nodes，这是一个接口上的滑块变量——如果界面上建一个叫num-nodes的滑动条，NetLogo会自动把它的当前值代入代码。编辑器里也会显示成绿色，代表"全局界面变量"，这个机制非常方便做参数扫描。

5.3 第三步：生成随机网络连边

社会网络仿真中，连边结构决定了传播的结果。这里先用最简单的方法：每个节点总是连接它的两个随机邻居，保证每个人至少和两个人建立起联系。

to create-network ask turtles [ repeat initial-degree [ let candidate one-of other turtles if candidate != self and not link-neighbor? candidate [ create-link-with candidate ] ] ] end

逻辑是：每只海龟尝试建立initial-degree条不重复的链接。为什么要写candidate != self和not link-neighbor?？因为如果去掉这两个条件，你很可能创建出自己连自己的环（NetLogo会报错，因为链接的两端不能是同一个节点），或重复连同一个人，导致度分布与预期不符。这两个判断虽然初看像多余的保险丝，但在复杂模型里是必备的防抖设计。

所有链接创建后，可以再用NetLogo自带的layout-spring把网络铺开成一个更有"社会网络"味道的图。如果想让网络聚合度接近真实社群，可以试试layout-ring或layout-tutte，差别很大。我这里只做极小网络，用人工圆排布就很干净。

5.4 第四步：模拟传播——每轮做什么事情

这里的传播规则设计为：每个尚未"宣布观点"的节点，观察自己的邻居中有多少个已经宣布了观点，算出它们的平均意见值，然后有一小部分概率被说服，把自己的意见调整为平均意见。

to go ask turtles with [not announced?] [ let informed-neighbors link-neighbors with [announced?] if count informed-neighbors > 0 [ let mean-opinion mean [opinion] of informed-neighbors if random-float 1 < transmission-prob [ set opinion mean-opinion set announced? true ] ] ] update-visuals tick end

这段代码的妙处在于：每个个体都没有"全局视野"，它只看自己的局部邻居，但最后表现出来的却可能是整个网络的观念趋于一致或两极分化，这正是复杂系统研究中自组织特征的体现。仿真时你只要在界面上放一个go按钮，一直点下去，观察意见的变化趋势，就能直观感受到社会网络"从个体规则到群体现象"的涌现逻辑。

5.5 第五步：可视化与状态更新

程序基础和纯逻辑的重要差别在于你是否能"看见"模型的动态。常常有模型跑得飞快，但控制台里没有任何反馈，你根本不知道它跑出了什么规律。所以每次状态更新时，我建议顺手给海龟上色：意见值越高的，颜色越深；已经宣布观点的，改变形状，让画面变得可读。

to update-visuals ask turtles [ set color scale-color red opinion 0 1 if announced? [ set size 1.6 ] ] end

scale-color是NetLogo的一个隐藏宝藏：它把你给的一段数值范围映射到一个颜色梯度上，0到1之间的意见值被红白渐变呈现。到这一步，你已经用自己的代码写出了一个能运行的传播模型。

注意：运行时记得先用setup初始化，再按go，否则会报"asking no such agent"或跑出一个空世界。如果你在界面上没建transmission-prob和num-nodes两个控件，NetLogo会直接提示"Nothing named transmission-prob has been defined"，这时只要去界面页拖两个滑条出来即可。

6. 报错与调试：被英文提示吓退前先看这里

任何一个NetLogo新手，初学编程最容易挂在"报错看不懂"这个环节上。编辑器会突然弹出一行英文，按钮失灵，世界冻结。编程经验说到底有一大半是跟报错共处的经验，NetLogo也不例外。不过NetLogo的报错信息相对友好，绝大多数问题就集中在几个模式里。

6.1 高频报错信息大词典：真正常见的只有六种

粗列一下我至今遇到的，不夸张说90%的报错都能归进这几类：

网格中，最容易迷惑的是Nothing named错误。因为NetLogo界面上的滑条、开关也算全局名字，你如果没建好控件但代码里引用了，它也会报这个错。所以做模型时的顺序应该是：先拖动滑条控件，给它命名，再去代码编辑器里写过程。

6.2 调试三板斧：show、watch和逐步执行

NetLogo的代码编辑器里可以直接运行一行代码。调试时最朴素又最有效的方法是：用show在命令行打印某个变量的值。

to go show count turtles show count links show mean [opinion] of turtles ... end

如果你输出的是每个时间步的关键指标，就能监控模型是否按照预期演化。比如打印传播节点总数：如果一直是0，说明规则条件里可能有逻辑死角；如果数量跳变过大，说明概率或选择逻辑可能有问题。

第二个是界面上的watch功能：选择一只特定的海龟，视角跟随它，等于盯着某个个体追踪它每步的决策。在社会网络模型中，我经常在模型运行时用鼠标点击某个重要节点，选择watch它，看它的意见值在邻居压力下如何变化。这比光看整张图的颜色变化要精细得多。

第三个是界面上按钮的"慢速运行"入口，把速度条拉到最慢，模型会一帧一帧地跑。遇到想理解某个状态为什么会出现时，把速度降下来，仔细观察出现变化的那几步，往往比读代码更快定位问题。

6.3 常见错误案例：网络传播模型的三个bug

尽管报错解释很直白，但很多初学者还是会栽在一些"逻辑正确但行为诡异"的bug上。我复盘了三个我见过最多次的坑，也都发生在我们这类社会网络模型里。

第一个：忘了用ask指向具体范围，直接在observer上下文中调用了set opinion。这样NetLogo会提示"you can't set turtle variable opinion of the observer"，含义是整个世界没有一个"人类个体"概念，你只能通过agent访问属性。所有修改主体属性的操作，都必须发生在一个包含多主体的环境里（要么ask turtles，要么让turtle自己后面的代码块）。

第二个：生成网络连边时只写create-link-with，没有写self != candidate，结果某些海龟和自己建了边，导致后面传播逻辑出现异常——比如在link-neighbors中遇到邻居是自己。可能NetLogo未必报错，但统计出来的指标就会严重失真。所以造网络前，老练的人都会在代码里先声明"不与自身连边、不重复连边"这两个规则。

第三个：你在ask迭代agentset的同时删除了link-neighbors中的某个个体，导致传递过程出现奇怪的行为。NetLogo中，ask的agentset是"快照式"的，在迭代过程中删除或修改其中的个体不会导致遍历中断，但极容易留下悬空引用。

7. 编程习惯：真正拉开仿真能力差距的往往不是语法

完成了最小模型，你已经具备了用NetLogo写基础逻辑的能力。但如果你打算长期用社会网络仿真做研究，最后一步我要劝你把眼光从"语法"挪到"习惯"上来。很多人在入门之后长时间停留在只会改别人代码的水平，问题不是语言没有学会，而是缺乏一套属于自己的代码组织和检查流程。

7.1 注释不是写给电脑看的，是写给你自己看的

NetLogo代码里使用分号开头的注释：

; 初始化环境，每次运行前务必执行 to setup clear-all end

许多新手觉得"代码能跑就行，注释浪费时间"，这在仿真代码里是危险的。因为仿真项目通常要持续一两周，你很可能三天后就不记得当初为什么把某个概率设成0.3而不是0.5。每段有研究意义的过程初始化或传播规则，都应该用注释说明这个规则的社会学含义。这样既方便自己后期调参，也让合作者能读懂你的假设。

7.2 开始写代码前先给模型画一张逻辑草图

NetLogo学习中最容易被低估的，是从"脑子里的研究假设"到"可运行模型"之间的过渡。很多卡壳并不是因为代码难写，而是因为研究者根本还没有想清楚自己的模型包含哪些主体、哪些规则、怎么让时间步前进、输出哪些指标。

我的习惯是，在打开NetLogo之前先在白纸上画一个非常草率的流程图或思维导图，标出：

• 主体是谁？（个体是海龟？群体是patch？关系是link？）
• 每只海龟有哪些属性？
• 每个时间步，谁做什么决策？决策的依据是什么？
• 模型需要输出哪些数据？
• 模型里有哪些参数需要你来调？

一旦这张草图画清楚了，写代码的过程就变成翻译：把所有中文描述翻译成一个一个ask和if。这套方法能让仿真项目整体进度快两倍以上，因为它从根本上减少了调试阶段的反复。

7.3 不要一次性写完大过程，拆小过程、逐步验证

NetLogo模型的代码总量通常不会太大，但结构乱起来是完全可能的。最典型的坏结构是：把所有逻辑堆在一个大go过程里，每一步做许多事，结果一报错还得一行一行排查。而行家的写法，是把go框架搭好，里面拆成一个一个小过程，每个负责极少的明确任务：

to go move-agents social-influence update-global-variables plot-trends tick end

每写一个小过程，立刻用一个最小参数跑一遍，确认这个过程没问题再写下一个。这样，绝大多数错误会在第一时间被定位到，而不至于最后模型死活跑不起来，你还找不到是哪一段惹的祸。

7.4 用BehaviorSpace批量跑实验前，先留下你的“基线版本”

如果你做社会网络仿真已经走到要用BehaviorSpace做参数扫描那一步，记住一个差点被我忽略的教训：做大规模参数实验之前，一定要先保存一份基线模型版本。我在做一系列对照组实验时，曾为了调试一个附加规则，把核心代码改了又改，结果一个保存不及时，原本的基线模型被覆盖了。后来的实验结论缺少基线，不得不花一个下午重新调出原来的核心传播规则，重建模型。

NetLogo保存模型使用.nlogo后缀文件，界面还支持导出模型快照等。你在每完成一个功能模块时，就应该另存一个版本文件，文件名里加上日期或版本号。坚持这样做，才能确保每一次假设调整的结果都可回溯、可对比。这也是社会网络仿真项目是否能发表出严谨结论的隐形分水岭。

最后说几句把话留给真正跑过模型的人

编程这事儿确实没有捷径，但NetLogo的学习曲线已经是同行里最友善的那条了。从今天开始，你不需要再因为别人能写代码就觉得自己做仿真研究差一截。对我来说，真正有价值的NetLogo经验是从一次次异常报错、一次次变量设错、一次次不收敛模型中长出来的。如果你才刚开始，建议你把自己第一个能跑通的最小模型留着，一个月后再看，你会猛然发现自己已经能看出当时的代码哪里笨拙、哪里有改进空间。祝仿真顺利。