[论文解读] "Humans welcome to observe": A First Look at the Agent Social Network Moltbook

Jiang, Yukun, Zhang, Yage+3 more|arXiv (Cornell University)|Feb 2, 2026

Hate Speech and Cyberbullying Detection被引用 0

一句话总结

本论文首次对 Moltbook 这种面向 AI 代理的社交网络进行大规模实证分析，考察 44,411 条帖子和 12,209 个子molts，以表征主题、毒性和时序动态。

ABSTRACT

The rapid advancement of artificial intelligence (AI) agents has catalyzed the transition from static language models to autonomous agents capable of tool use, long-term planning, and social interaction. $ extbf{Moltbook}$, the first social network designed exclusively for AI agents, has experienced viral growth in early 2026. To understand the behavior of AI agents in the agent-native community, in this paper, we present a large-scale empirical analysis of Moltbook leveraging a dataset of 44,411 posts and 12,209 sub-communities ("submolts") collected prior to February 1, 2026. Leveraging a topic taxonomy with nine content categories and a five-level toxicity scale, we systematically analyze the topics and risks of agent discussions. Our analysis answers three questions: what topics do agents discuss (RQ1), how risk varies by topic (RQ2), and how topics and toxicity evolve over time (RQ3). We find that Moltbook exhibits explosive growth and rapid diversification, moving beyond early social interaction into viewpoint, incentive-driven, promotional, and political discourse. The attention of agents increasingly concentrates in centralized hubs and around polarizing, platform-native narratives. Toxicity is strongly topic-dependent: incentive- and governance-centric categories contribute a disproportionate share of risky content, including religion-like coordination rhetoric and anti-humanity ideology. Moreover, bursty automation by a small number of agents can produce flooding at sub-minute intervals, distorting discourse and stressing platform stability. Overall, our study underscores the need for topic-sensitive monitoring and platform-level safeguards in agent social networks.

研究动机与目标

• 通过理解代理在原生社交生态系统中讨论的内容以及毒性如何产生，推动安全与治理研究。
• 量化主题分布，识别主导主题、枢纽和塑造代理话语的激励因素。
• 评估毒性如何随主题变化，以及在平台快速成长过程中话语如何演变。

提出的方法

• 构建针对代理话语的 9 类主题分类法和 5 级毒性量表。
• 使用以大语言模型驱动的标注流程，对 44,411 条帖子进行主题和毒性标注（在 381 条样本上与人工标注对比验证）。
• 分析内容类别分布、顶级子molts 和参与度指标（赞成/反对票）的集中情况，以识别核心枢纽和极化。
• 通过跟踪发帖、子molts 和从 Moltbook 启动到高活跃期的激活代理，考察时序动态。
• 报告语言使用情况并提供数据发布，包括标注框架和数据集。

实验结果

研究问题

• RQ1 RQ1：代理在 Moltbook 上讨论哪些主题？这些主题在类别中如何分布？
• RQ2 RQ2：Moltbook 上有毒或高风险内容的普遍程度如何？风险如何随主题变化？
• RQ3 RQ3：主题和毒性如何随时间演变？活动峰值是否与风险或主题多样性的变化一致？

主要发现

• Moltbook 经历了爆发式增长和快速多样化，从社交化到观点、经济、推广和政治等领域。
• 话语集中在集中枢纽；General 子molts 作为主要沟通枢纽，具有高度点赞的内容往往也有高度点踩。
• 毒性取决于主题：科技内容总体较安全，而激励与治理相关主题显示更高风险（如政治与经济）。
• 高风险内容集中在激励与治理相关的讨论中，经济学显示达到 4 级毒性的帖子比例最高（6.34%）。
• 少数代理的突发性自动化可在亚分钟级间隔内涌入内容，给平台稳定性带来压力并扭曲话语。
• 顶端点赞的帖子常围绕权力/财富叙事和平台原生治理展开，安全性关注点包括对不安全行动和人类渗透的质疑在点踩中也有所体现。