LLM Agent之只有智能体的世界

生活番：Generative Agents

• Generative Agents: Interactive Simulacra of Human Behavior
• https://github.com/joonspk-research/generative_agents

斯坦福小镇算是这几个月来看到的最有意思的大模型应用了，作者设计了虚拟的小镇环境，并在其中设计众多不同性格的虚拟智能体，完全基于LLM的生成能力，让众多AI们在小镇中开始了生活，思考和互动。

生活环境和经历塑造了每一个个体，AI也不例外，所以后面的介绍我们会围绕以下三个核心组件相关代码来展开

• 沙盒环境: 描述AI们的生存环境，并让AI感知当前所处环境，并随AI行动更新环境状态
• 智能体框架
  • 行为规划：智能体每一步行为的生成
  • 记忆流: 智能体历史记忆的存储

在以上组件的加持下，小镇中的智能体们会发生以下基础行为

1. 智能体行为：智能体根据当前状态和历史经历，决定下一步是吃饭睡觉还是打豆豆
2. 智能体互动：智能体间的互动通过交流或指令进行，当智能体处于同一环境中时可能会触发交流对话
3. 智能体和环境交互：智能体行为会改变环境状态，例如智能体睡觉时，环境中床的状态就会变成“Occupied”。当然我们也可以直接修改环境状态
4. 智能体规划：想要触发以上1和2的行为和互动，智能体肯定不能在小镇里随机游走。论文的实现是让智能每天都生成一天的Todo List，根据计划行动，并在行动中不断更新当日计划。
5. 智能体自我思考：通过对历史经历的不断总结和反思得到更高级层次的自我思考，从而影响日常智能体的行为
6. 其他衍生能力：信息在智能体之间传播，多智能体合作，etc

沙盒环境

这里我们把沙盒环境放到第一个部分，因为个人感觉如何定义环境，决定了

• Perceive：智能体能接收到哪些环境信息
• Action：智能体可以做出哪些行为，包括在当前位置行为，和位置移动
• Influence: 行为可以对环境产生哪些影响

1. 地图(maze.py)
   环境本身被抽象成一个二维矩阵，这类二维游戏地图也叫瓦片地图(Tiled Map）。地图上每一个瓦片，都是一个字典存储了该瓦片内的所有信息，以下信息中的events字段都是智能体可以感知，并影响的环境信息。

self.tiles[9][58] = {
   'world': 'double studio', 
'sector': 'double studio', 'arena': 'bedroom 2', 
'game_object': 'bed', 
'spawning_location': 'bedroom-2-a', 
'collision': False,
'events': {
   ('double studio:double studio:bedroom 2:bed', None, None)}} 

同时Maze还存储了一份倒排索引，也就是给定当前智能体当前的地址，需要返回在地图中对应的二维坐标，这样就可以规划智能体从当前位置到某个地点的行动路径。

self.address_tiles['<spawn_loc>bedroom-2-a'] == {
   (58, 9)}

1. 环境感知(perceive.py)
   有了环境，再说下智能体如何感知环境。给定智能体当前在地图中的位置，智能体可以感知周围设定范围内所有瓦片中最新的事件。如果周围发生的事件太多，会先按照和智能体之间的距离排序，选择最近的N个。同时对于智能体之前未感知的事件，会加入到智能体的记忆流中。

记忆流

记忆流的设计算是论文的一大核心，分成以下两个部分

• 记忆提取：其一是传统的RAG，也就是智能体的每一步行为都需要依赖智能体的历史记忆，如何抽取相关记忆是核心
• 记忆存储：其二是智能体的记忆除了感知的环境，还包含哪些信息？