企业官网建设流程全解析

1. 从一个有趣的问题开始：我们一生究竟会认识多少人？

前几天和几个朋友闲聊，聊到一个挺有意思的话题：一个人从出生到老去，这一辈子，到底会认识多少人？这里的“认识”，我们约定为“能叫出对方名字，并且对方也能认出你”这种双向的、有一定社会连接的关系。这个问题乍一听很哲学，但仔细一想，它其实是一个典型的、可以用数学建模和数据分析来探索的社会学统计问题。

作为一个常年和数据、模型打交道的程序员，我的第一反应不是去猜一个数字，而是想：能不能用Python构建一个模型，来模拟这个过程，并分析影响这个“人生相识总数”的关键因素？这不仅仅是一个数字游戏，它背后涉及到社交网络的动态演化、人生阶段的划分、以及个体行为的随机性。理解这个模型，不仅能满足我们的好奇心，更能帮助我们量化地思考社交圈的形成与规模，甚至对社交产品设计、社区运营都有启发意义。

所以，我决定动手，用Python来搭建这个“人生相识模拟器”。整个过程没有现成的数据集，我们需要从定义规则开始，完全通过仿真的方式来生成数据并进行分析。这篇文章，我就来详细拆解这个模型的构建思路、核心算法、代码实现，以及我们从模拟结果中能洞察到哪些反直觉的结论。

2. 模型的核心框架与关键假设

在开始写代码之前，我们必须先把模型“讲清楚”。一个没有清晰定义的模型，跑出来的结果毫无意义。我们的目标是模拟一个个体（Agent）从0岁到80岁（假设为寿命）的人生中，认识新朋友、也可能与旧朋友失联的动态过程。

2.1 人生阶段的划分与社交速率

第一个关键假设是：人在不同的人生阶段，结识新人的速率（Rate）是不同的。我们不能简单地用每年认识固定人数来模拟，那太粗糙了。基于常识，我们可以粗略划分以下几个阶段：

1. 幼年期 (0-6岁)：社交圈主要由家庭和邻居构成，认识新人的速度很慢，且被动。
2. 学生时代 (7-22岁)：这是社交网络急剧扩张的时期。从小学、中学到大学，每年都会遇到大量新同学、新老师。这个阶段的“结识速率”应该是最高的。
3. 职场早期 (23-35岁)：进入社会，开始工作。会认识同事、客户、合作伙伴等。速率比学生时代略低，但依然活跃。
4. 职场稳定/家庭期 (36-50岁)：工作趋于稳定，家庭成为重心。结识新人的场景可能转向孩子学校的家长、社区活动等。速率进一步下降。
5. 中年后期 (51-65岁)：社交圈可能开始固化，主动拓展新关系的动力减弱，速率较低。
6. 老年期 (66-80岁)：社交活动减少，速率最低，甚至可能出现净减少（认识的人少于失去联系的人）。

我们需要为每个阶段设定一个“年均结识人数”的参数。这是整个模型的驱动引擎之一。

2.2 “失联”机制的引入

第二个关键假设，也是让模型变得真实的核心：不是所有认识的人都会陪伴你一生。我们会与很多人渐渐失去联系。因此，模型中必须包含“失联”（或称为“关系衰减”）机制。

如何模拟失联？这里有几个思路：

• 随机失联：每年，以一定概率与你认识列表中的随机一些人“失联”。这个方法简单，但不够精细。
• 基于连接强度的衰减：为每一段关系赋予一个“连接强度”或“最后联系时间”。每年，强度会衰减，或者超过一定时间未联系，则判定为失联。这更贴近现实，比如学生时代的好友，如果毕业后十年没有任何互动，很可能就从“认识”变成了“记忆中的人”。
• 阶段更替触发失联：当人生从一个阶段进入另一个阶段（如从学校毕业），会触发一次大规模的“关系筛选”，与上一阶段大部分人的连接强度大幅衰减或直接失联。这模拟了毕业各奔东西、换工作等现实事件。

为了平衡复杂度和真实性，我选择了一个混合策略：为每个相识的人记录一个“稳定度”分数和“最后联系年份”。每年，根据稳定度和未联系时间长度来计算一个失联概率。

2.3 相识事件的随机性

即使在同一阶段，每年认识的人数也不是固定的。今年可能因为参加了一个大型会议认识了30个人，明年可能比较平淡只认识了5个新同事。因此，每年的实际结识人数，应该围绕我们设定的“阶段年均值”上下波动。这里我们可以引入泊松分布（Poisson Distribution）。泊松分布常用于描述单位时间内随机事件发生的次数，它正好适合用来模拟“每年结识K个人”这种计数过程，其中K是一个随机变量，其期望值就是我们设定的阶段年均结识人数。

2.4 模型的输入与输出

输入参数（可调节的“人生变量”）：

• life_expectancy: 预期寿命，如80。
• stage_bounds: 人生阶段年龄边界，如[0, 6, 22, 35, 50, 65, 80]。
• stage_rates: 对应每个阶段的年均结识人数期望值，如[2, 15, 10, 6, 4, 2]。
• base_forget_prob: 基础失联概率。
• stability_factor: 关系稳定度的影响因子。

输出结果（我们关心的指标）：

• total_met: 一生中累计认识过的总人数（包括已失联的）。
• current_connections: 在生命终点时，仍然保持联系的人数（即“有效社交圈”大小）。
• connection_history: 每年当前有效连接数的列表，用于绘制变化曲线。
• met_per_year: 每年新认识的人数列表。

有了这些框架和假设，我们就可以开始用Python搭建这个模拟世界了。

3. 手把手实现Python模拟引擎

接下来是具体的代码实现环节。我会使用面向对象的方式来构建，这样逻辑更清晰，也便于后续扩展。我们主要需要两个类：Person（代表一个被认识的个体）和LifeSimulator（人生模拟器）。

3.1 定义Person类

这个类代表你认识的一个人。我们需要记录关于他/她的必要信息，用于判断是否会失联。

import numpy as np import random from dataclasses import dataclass from typing import Optional @dataclass class Person: """代表一个被认识的个体。""" id: int # 唯一标识 met_year: int # 相识的年份（年龄） stability: float # 关系稳定度，0-1之间，越高越不容易失联 def __post_init__(self): # 最后联系年份初始化为相识年份 self.last_contact_year = self.met_year

这里使用了dataclass来简化类的定义。stability是一个重要属性，我们可以假设它在相识时随机生成，模拟“一见如故”还是“泛泛之交”。last_contact_year会随着模拟的进行而更新。

3.2 构建核心LifeSimulator类

这个类是模拟的核心，它控制着时间推进、事件触发和状态更新。

class LifeSimulator: def __init__(self, life_expectancy=80, stage_bounds=None, stage_rates=None): """ 初始化人生模拟器。 Args: life_expectancy: 预期寿命 stage_bounds: 人生阶段年龄分界点，如 [0, 6, 22, 35, 50, 65, 80] stage_rates: 每个阶段的年均结识人数期望值，长度应为 len(stage_bounds)-1 """ self.life_expectancy = life_expectancy self.stage_bounds = stage_bounds or [0, 6, 22, 35, 50, 65, 80] self.stage_rates = stage_rates or [2, 15, 10, 6, 4, 2] # 检查参数合法性 if len(self.stage_rates) != len(self.stage_bounds) - 1: raise ValueError("stage_rates的长度必须比stage_bounds少1") # 初始化状态变量 self.current_age = 0 self.connections = [] # 当前保持联系的人的列表 self.all_met_people = [] # 历史上认识的所有人（包括已失联的） self.next_person_id = 0 # 记录历史数据，用于分析 self.history_current_connections = [] self.history_met_per_year = [] def _get_current_stage_index(self, age): """根据年龄获取当前所处的人生阶段索引。""" for i in range(len(self.stage_bounds) - 1): if self.stage_bounds[i] <= age < self.stage_bounds[i + 1]: return i # 如果年龄正好等于最后一个边界（如80岁），返回最后一个阶段 return len(self.stage_bounds) - 2 def _meet_new_people(self, current_year): """模拟在当前年份结识新朋友的过程。""" stage_idx = self._get_current_stage_index(self.current_age) lambda_poisson = self.stage_rates[stage_idx] # 泊松分布的期望值 # 使用泊松分布生成今年结识的人数 num_new_met = np.random.poisson(lambda_poisson) # 确保至少为0 num_new_met = max(0, num_new_met) new_people = [] for _ in range(num_new_met): # 随机生成一个稳定度，假设服从正态分布，截断在0.1到0.9之间 stability = np.random.normal(loc=0.5, scale=0.2) stability = max(0.1, min(0.9, stability)) new_person = Person( id=self.next_person_id, met_year=current_year, stability=stability ) new_people.append(new_person) self.all_met_people.append(new_person) self.next_person_id += 1 self.history_met_per_year.append(num_new_met) return new_people def _update_connections(self, current_year, new_people): """ 更新连接列表。 1. 将新认识的人加入当前连接。 2. 对现有连接，根据规则判断是否失联。 """ # 1. 添加新人 self.connections.extend(new_people) for person in new_people: person.last_contact_year = current_year # 相识即联系 # 2. 检查现有连接是否失联 connections_to_keep = [] for person in self.connections: # 计算未联系年数 years_no_contact = current_year - person.last_contact_year # 失联概率模型：基础概率 + 未联系年数的影响 - 稳定度的缓冲 # 这是一个简化的模型，你可以设计更复杂的函数 base_prob = 0.05 # 每年基础失联概率5% decay_factor = 0.03 # 每多一年未联系，概率增加3% stability_buffer = person.stability * 0.1 # 稳定度越高，越能抵抗失联 forget_probability = base_prob + (years_no_contact * decay_factor) - stability_buffer forget_probability = max(0.01, min(0.99, forget_probability)) # 限制在合理范围 # 以该概率决定是否失联 if random.random() > forget_probability: # 今年没有失联，更新最后联系时间（模拟今年有互动） # 这里简化处理：每年有50%的概率更新一次联系时间 if random.random() < 0.5: person.last_contact_year = current_year connections_to_keep.append(person) # 如果失联，则此人从connections中移除，但保留在all_met_people中 self.connections = connections_to_keep def run_simulation(self): """运行完整的人生模拟。""" print(f"开始模拟人生，预期寿命 {self.life_expectancy} 岁...") for age in range(self.life_expectancy + 1): # 从0岁到80岁，共81年 self.current_age = age # 1. 结识新朋友 new_people = self._meet_new_people(age) # 2. 更新社交网络（处理失联） self._update_connections(age, new_people) # 3. 记录当前状态 self.history_current_connections.append(len(self.connections)) # 可选：每年打印进度 if age % 10 == 0: print(f" 年龄 {age} 岁: 当前联系 {len(self.connections)} 人， 今年新认识 {len(new_people)} 人") total_met = len(self.all_met_people) final_connections = len(self.connections) print(f"模拟结束。一生共认识 {total_met} 人，晚年仍保持联系的有 {final_connections} 人。") return { 'total_met': total_met, 'final_connections': final_connections, 'history_connections': self.history_current_connections, 'history_met': self.history_met_per_year, 'all_people': self.all_met_people }

这个LifeSimulator类已经具备了核心功能。在_update_connections方法中，我实现了一个虽然简单但包含多个因素的失联概率模型，这是模拟结果是否真实的关键。你可以通过调整base_prob、decay_factor和stability_buffer的计算方式来探索不同的人际关系维系模式。

4. 运行模拟与初步结果分析

现在，让我们用一组“默认参数”来运行一次模拟，看看会发生什么。

# 实例化并运行模拟 simulator = LifeSimulator( life_expectancy=80, stage_bounds=[0, 6, 22, 35, 50, 65, 80], stage_rates=[2, 15, 10, 6, 4, 2] ) results = simulator.run_simulation()

一次运行的输出可能类似于：

开始模拟人生，预期寿命 80 岁... 年龄 0 岁: 当前联系 1 人， 今年新认识 1 人 年龄 10 岁: 当前联系 18 人， 今年新认识 12 人 年龄 20 岁: 当前联系 112 人， 今年新认识 17 人 年龄 30 岁: 当前联系 158 人， 今年新认识 8 人 年龄 40 岁: 当前联系 142 人， 今年新认识 5 人 年龄 50 岁: 当前联系 118 人， 今年新认识 3 人 年龄 60 岁: 当前联系 89 人， 今年新认识 2 人 年龄 70 岁: 当前联系 65 人， 今年新认识 1 人 年龄 80 岁: 当前联系 47 人， 今年新认识 0 人 模拟结束。一生共认识 623 人，晚年仍保持联系的有 47 人。

这个结果已经揭示了一些有趣的现象：

1. 累计认识人数（623人）：这个数字比很多人直觉猜测的（比如几百到几千）要具体得多。它直接由我们设定的各阶段速率积分而来。
2. 有效社交圈规模（47人）：这与“邓巴数字”（Dunbar‘s number，约150人）的常见认知不同。我们的模型结果显示，在考虑了失联机制后，最终能稳定维持的联系人数远小于一生认识的总数，甚至可能低于邓巴数字。这说明关系的维系需要持续的成本，大部分关系会自然流逝。
3. 生命历程曲线：从输出可以看出，当前联系人数在青年到中年早期（20-35岁）达到峰值，之后开始缓慢下降。这符合“社交圈先扩张后收缩”的生活观察。

注意：由于模拟中引入了随机性（泊松分布、随机失联），每次运行的结果都会不同。上面的623和47只是一次随机抽样的结果。要得到可靠的统计结论，我们必须进行多次模拟，计算平均值和分布。

5. 蒙特卡洛模拟：探寻统计规律

单次模拟的结果受随机性影响太大。为了得到更稳定、更普遍的结论，我们需要进行蒙特卡洛模拟（Monte Carlo Simulation），即重复运行成百上千次模拟，然后对结果进行统计分析。

import matplotlib.pyplot as plt import seaborn as sns import pandas as pd def run_multiple_simulations(num_simulations=1000, life_expectancy=80): """运行多次模拟，收集关键结果。""" totals_met = [] finals_connected = [] peak_connections = [] # 峰值社交圈大小 peak_age = [] # 达到峰值的年龄 for i in range(num_simulations): if i % 100 == 0: print(f"正在进行第 {i} 次模拟...") sim = LifeSimulator(life_expectancy=life_expectancy) res = sim.run_simulation() # 注意：这里run_simulation会打印，可以修改类使其静默运行 totals_met.append(res['total_met']) finals_connected.append(res['final_connections']) # 找到峰值 history = res['history_connections'] peak_connections.append(max(history)) peak_age.append(history.index(max(history))) # 峰值出现的年龄 # 将结果存入DataFrame便于分析 results_df = pd.DataFrame({ 'total_met': totals_met, 'final_connections': finals_connected, 'peak_connections': peak_connections, 'peak_age': peak_age }) return results_df # 运行1000次模拟（这可能需要一点时间） print("开始蒙特卡洛模拟（1000次）...") mc_results = run_multiple_simulations(num_simulations=1000) print("模拟完成。") # 基本统计分析 print("\n--- 关键指标统计摘要 ---") print(mc_results[['total_met', 'final_connections', 'peak_connections', 'peak_age']].describe())

运行后，我们可能会得到类似下面的统计摘要（数值是示例）：

total_met final_connections peak_connections peak_age count 1000.000000 1000.000000 1000.000000 1000.000000 mean 615.732000 45.891000 162.403000 32.541000 std 31.455123 10.765234 15.678123 8.912345 min 520.000000 20.000000 120.000000 18.000000 25% 595.000000 38.000000 151.000000 26.000000 50% 616.000000 46.000000 162.000000 32.000000 75% 637.000000 53.000000 173.000000 39.000000 max 710.000000 75.000000 210.000000 50.000000

这个统计表比单次运行有意义得多：

• 一生相识总数：均值约616人，标准差约31人。这意味着在默认参数下，大多数人一生认识的总人数在550到680人之间（均值±2标准差）。这个范围给了我们一个量化的参考。
• 最终有效社交圈：均值约46人，标准差约11人。这比邓巴数字小很多，说明能长期活跃维持的关系非常有限。而且波动范围（20到75人）很大，说明个人性格、生活环境对最终社交圈规模影响显著。
• 社交圈峰值：均值约162人，出现在平均32岁左右。这或许更接近“邓巴数字”所描述的、人类大脑能够维持的稳定社交关系的上限。但模型显示，这个峰值是短暂的，之后会由于失联而衰减。
• 峰值年龄：平均在32岁达到社交圈顶峰，这与很多人职业生涯上升期、社交活跃期是吻合的。

6. 可视化：让数据自己说话

数字是抽象的，图表能更直观地展示规律。我们来绘制几个关键图表。

6.1 关键指标的分布直方图

fig, axes = plt.subplots(2, 2, figsize=(14, 10)) fig.suptitle('人生相识模型关键指标分布 (1000次模拟)', fontsize=16) # 一生相识总数分布 sns.histplot(data=mc_results, x='total_met', kde=True, ax=axes[0, 0], color='skyblue') axes[0, 0].axvline(mc_results['total_met'].mean(), color='red', linestyle='--', label=f'均值: {mc_results["total_met"].mean():.0f}') axes[0, 0].set_xlabel('一生相识总人数') axes[0, 0].set_ylabel('频次') axes[0, 0].legend() axes[0, 0].set_title('相识总数分布') # 最终有效连接数分布 sns.histplot(data=mc_results, x='final_connections', kde=True, ax=axes[0, 1], color='lightgreen') axes[0, 1].axvline(mc_results['final_connections'].mean(), color='red', linestyle='--', label=f'均值: {mc_results["final_connections"].mean():.0f}') axes[0, 1].set_xlabel('晚年保持联系人数') axes[0, 1].set_ylabel('频次') axes[0, 1].legend() axes[0, 1].set_title('最终社交圈规模分布') # 峰值连接数分布 sns.histplot(data=mc_results, x='peak_connections', kde=True, ax=axes[1, 0], color='salmon') axes[1, 0].axvline(mc_results['peak_connections'].mean(), color='red', linestyle='--', label=f'均值: {mc_results["peak_connections"].mean():.0f}') axes[1, 0].set_xlabel('社交圈峰值人数') axes[1, 0].set_ylabel('频次') axes[1, 0].legend() axes[1, 0].set_title('社交圈峰值分布') # 峰值年龄分布 sns.histplot(data=mc_results, x='peak_age', kde=True, ax=axes[1, 1], color='gold') axes[1, 1].axvline(mc_results['peak_age'].mean(), color='red', linestyle='--', label=f'均值: {mc_results["peak_age"].mean():.1f}岁') axes[1, 1].set_xlabel('达到社交圈峰值的年龄') axes[1, 1].set_ylabel('频次') axes[1, 1].legend() axes[1, 1].set_title('社交圈峰值年龄分布') plt.tight_layout() plt.show()

这些直方图能清晰地展示每个指标的集中趋势和离散程度。例如，你可能会看到final_connections的分布略微右偏，说明有少数人能够维持更大的晚年社交圈。

6.2 单次模拟的人生社交轨迹

看完了统计分布，我们再回头仔细看一次具体的人生轨迹。

# 选取一次具体的模拟，绘制其人生社交网络变化曲线 sim_for_plot = LifeSimulator() detailed_results = sim_for_plot.run_simulation() # 这里可以修改run_simulation方法，使其返回更详细的历史记录 plt.figure(figsize=(12, 6)) ages = list(range(81)) # 0到80岁 # 绘制每年新认识人数（柱状图） plt.bar(ages, detailed_results['history_met'], alpha=0.5, color='orange', label='每年新认识人数') # 绘制当前总联系人数（折线图） plt.plot(ages, detailed_results['history_connections'], color='blue', linewidth=2.5, label='当前有效联系人数') plt.xlabel('年龄') plt.ylabel('人数') plt.title('一次模拟中的人生社交网络动态变化') plt.legend() plt.grid(True, alpha=0.3) # 标记人生阶段 stage_bounds = [0, 6, 22, 35, 50, 65, 80] stage_labels = ['幼年', '学生', '职场早期', '稳定期', '中年后期', '老年'] for i in range(len(stage_bounds)-1): plt.axvspan(stage_bounds[i], stage_bounds[i+1], alpha=0.1, color='gray') # 在阶段中间添加标签 mid_point = (stage_bounds[i] + stage_bounds[i+1]) / 2 plt.text(mid_point, plt.ylim()[1]*0.9, stage_labels[i], ha='center', fontsize=9) plt.show()

这张图非常直观：

• 橙色柱状图：显示了人生每个阶段结识新人的节奏。在学生时代（7-22岁）柱子最高最密，之后逐渐降低。
• 蓝色曲线：展示了“有效社交圈”规模随时间的变化。它随着新人的加入而上升，但随着失联机制的存在，在青年后期达到顶峰后便开始缓慢但持续地下降。曲线上的小锯齿，反映了每年结识和失联随机波动带来的影响。

7. 参数敏感性分析：什么在真正影响你的人生社交规模？

模型的结果严重依赖于我们设定的参数。那么，哪个参数对结果的影响最大呢？是学生时代的社交速率，还是失联概率？我们可以通过敏感性分析（Sensitivity Analysis）来回答这个问题。

我们将系统地改变某一个参数，同时固定其他参数，观察关键输出指标（如total_met,final_connections）如何变化。

def sensitivity_analysis(param_name, param_values, num_sims_per_value=200): """ 执行单参数敏感性分析。 Args: param_name: 参数名，如 'student_rate' param_values: 该参数的一系列取值 num_sims_per_value: 每个参数值运行的模拟次数 Returns: DataFrame，包含不同参数值下的结果均值 """ results_list = [] base_rates = [2, 15, 10, 6, 4, 2] # 默认各阶段速率 for value in param_values: print(f"正在测试 {param_name} = {value} ...") # 根据参数名修改对应的参数 if param_name == 'student_rate': stage_rates = [base_rates[0], value, base_rates[2], base_rates[3], base_rates[4], base_rates[5]] elif param_name == 'base_forget_prob': # 这里需要修改LifeSimulator类以接收此参数，为了简化，我们暂时用注释说明思路 # 实际操作中，需要将base_forget_prob作为类初始化参数，并在_update_connections中使用 pass else: stage_rates = base_rates # 其他情况用默认 totals = [] finals = [] for _ in range(num_sims_per_value): sim = LifeSimulator(stage_rates=stage_rates) res = sim.run_simulation() totals.append(res['total_met']) finals.append(res['final_connections']) results_list.append({ param_name: value, 'avg_total_met': np.mean(totals), 'std_total_met': np.std(totals), 'avg_final_conn': np.mean(finals), 'std_final_conn': np.std(finals) }) return pd.DataFrame(results_list) # 示例：分析“学生时代年均结识人数”的影响 student_rates = [5, 10, 15, 20, 25, 30] # 测试从低到高不同的社交活跃度 df_student_sensitivity = sensitivity_analysis('student_rate', student_rates, num_sims_per_value=100) # 绘制敏感性分析图 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5)) # 图1：对一生相识总数的影响 ax1.errorbar(df_student_sensitivity['student_rate'], df_student_sensitivity['avg_total_met'], yerr=df_student_sensitivity['std_total_met'], fmt='-o', capsize=5, color='b') ax1.set_xlabel('学生阶段年均结识人数期望值') ax1.set_ylabel('一生相识总人数（均值±标准差）') ax1.set_title('学生时代社交活跃度对“相识总数”的影响') ax1.grid(True, alpha=0.3) # 图2：对最终社交圈规模的影响 ax2.errorbar(df_student_sensitivity['student_rate'], df_student_sensitivity['avg_final_conn'], yerr=df_student_sensitivity['std_final_conn'], fmt='-o', capsize=5, color='r') ax2.set_xlabel('学生阶段年均结识人数期望值') ax2.set_ylabel('晚年保持联系人数（均值±标准差）') ax2.set_title('学生时代社交活跃度对“最终社交圈”的影响') ax2.grid(True, alpha=0.3) plt.tight_layout() plt.show()

通过这样的分析，你可能会发现：

• 对“一生相识总数”：student_rate（学生时代速率）有近乎线性的巨大影响。因为它持续时间长（16年），且速率高。
• 对“最终社交圈规模”：student_rate的影响是正向的，但存在“边际效应递减”。因为学生时代认识的人，随着时间推移，大部分也会失联。最终能留下的，往往是那些stability（稳定度）高的人。而base_forget_prob（基础失联概率）和stability_factor（稳定度因子）对最终规模的影响可能更为关键。

实操心得：进行敏感性分析时，不要一次性改变太多参数，否则无法厘清因果关系。一次只改变一个，并运行足够多次模拟（如100次以上）以减少随机误差。这能帮你找到模型中真正的“杠杆点”。

8. 模型局限性与扩展方向

我们这个模型当然是对极度复杂现实的一种简化。认识到它的局限性，和知道它能做什么同样重要。

主要局限性：

1. 同质化假设：模型假设每个人每年的结识概率是相同的，且认识的人的“质量”（稳定度）分布也是相同的。现实中，性格外向与内向的人差异巨大。
2. 被动社交：模型主要模拟了被动或半被动的结识（如同事、同学），对主动拓展社交（如通过兴趣社团、社交媒体）的模拟不足。
3. 关系网络结构：我们只模拟了“我”与“他人”的一对一关系，没有模拟“他人”与“他人”之间的关系。现实社交网络是图结构，朋友的朋友可能成为你的朋友（三元闭包），这能极大加速社交圈的扩张。
4. 重大人生事件：模型没有纳入结婚、搬家、换城市、失业等重大离散事件，这些事件会剧烈改变社交速率和失联概率。

有趣的扩展方向：

1. 引入个体差异：创建不同性格的Agent（如“社交达人”、“居家型”），赋予他们不同的stage_rates和stability生成规则。
2. 模拟社交网络图：使用networkx库。让每个Person对象成为一个节点，“认识”关系成为边。这样可以研究网络的平均路径长度、聚类系数等拓扑性质。
3. 加入“重逢”机制：模拟与失联多年的人重新恢复联系的概率，这会让曲线在后期下降得更缓慢。
4. 利用真实数据校准：如果能找到关于“人均好友数随年龄变化”的调查报告数据，可以用我们的模型去拟合这些数据，反向估算出更真实的stage_rates和失联参数。
5. 变成交互式应用：使用Streamlit或Gradio快速构建一个网页应用，让用户滑动滑块调整参数（如“你是内向还是外向？”），实时看到模拟的人生社交曲线和统计结果。这能极大增强模型的趣味性和互动性。

构建这个模型的过程，本身就是一个完整的“问题定义 -> 假设建立 -> 模型实现 -> 模拟分析 -> 结果阐释”的数据科学工作流练习。它告诉我们，即使是“一生认识多少人”这样看似模糊的问题，也可以通过建模和计算，得到有启发性的量化洞察。最终的答案或许不重要，但在这个过程中，我们对社交关系的动态性、对人生不同阶段的重心转移，有了更结构化的思考。