【神级项目】Generative Agents：斯坦福“西部世界”演示站详解，看25个AI如何在虚拟小镇自主生活

📖 前言

如果你关注大模型（LLM）和 AI Agent（智能体）领域，你一定听说过 “斯坦福 25 个 AI 智能体小镇” 的故事。

这是一个由 Stanford 和 Google 联合发布的里程碑式研究项目——《Generative Agents: Interactive Simulacra of Human Behavior》。在这个项目中，研究人员构建了一个名为 Smallville 的虚拟沙盒小镇，里面住着 25 个由 GPT 驱动的 AI 居民。它们起床、做饭、上班、八卦，甚至自主组织了一场情人节派对。

今天，我们将深入剖析该项目的在线演示网站（Reverie Demo），带你从上帝视角观察这些智能体是如何“思考”和“生活”的。

---

🌐 网站概览

• 演示地址：https://reverie.herokuapp.com/arXiv_Demo/
• 项目论文：Generative Agents: Interactive Simulacra of Human Behavior
• 核心技术：LLM（大语言模型）、记忆流（Memory Stream）、反思（Reflection）、规划（Planning）

什么是 Smallville？

打开网站，映入眼帘的是一个类似《星露谷物语》或《口袋妖怪》早期风格的 2D 像素 RPG 地图。这就是 Smallville。

(图：Smallville 小镇全貌，包含了房屋、商店、公园和酒吧)

这个网站并不是一个实时的游戏，而是一个预先录制的模拟回放。它展示了论文中进行的为期两天的模拟实验。在这里，你无法控制角色，但你可以像“上帝”一样，查看每个角色每时每刻在想什么、在做什么。

---

🛠️ 核心功能与玩法（演示站指南）

演示站的界面虽然复古，但信息量极大。以下是核心交互模块的详细图解：

1. 上帝视角（Map View）

网页的主体是小镇地图。你会看到代表不同角色的像素小人（Sprite）在地图上移动。

• 移动：AI 会根据自己的日程安排，从卧室走到厨房，或者去商店上班。
• 交互：当两个 AI 靠近时，如果它们决定聊天，你会看到它们头上出现对话气泡（💬）。

2. 角色状态面板（Agent State）

当你点击地图上的任意一个角色（例如 Isabella Rodriguez）时，或者在顶部的选择栏选中她，页面不仅会高亮该角色，还会显示详细状态：

提示：这是理解 Agent 运行机制最关键的部分。

• Name & Portrait：角色姓名和头像。
• Current Action：当前正在做什么（例如：making coffee）。
• Location：具体的坐标位置。
• Current Dialogue：如果正在聊天，这里会显示实时的对话内容。

3. 记忆与提示词流（The “Brain” Internals）

在演示站中，最硬核的部分在于展示了 LLM 是如何被调用的。虽然网页版主要展示行为，但理解其背后的 Prompt 架构 至关重要。

当你观察角色行为时，后台其实发生了一系列复杂的推理过程：

1. 感知 (Observation)：Isabella 看到咖啡机空了。
2. 检索 (Retrieval)：从记忆库中提取相关记忆（“我每天早上都要喝咖啡”）。
3. 规划 (Planning)：生成下一步行动指令（“去煮咖啡”）。

---

🧠 技术深度解析：Agent 是如何“活”过来的？

这个 Demo 之所以成为经典，是因为它提出了一套完整的 Agent 认知架构。在浏览网站时，你可以结合以下架构图来理解：

(图：生成式智能体的核心架构 - 感知、记忆流、检索、规划、反思)

1. 记忆流 (Memory Stream)

这是 Agent 的核心数据库。它记录了 Agent 所有的经历，不仅包括发生了什么，还包括 Agent 的思考。

• 演示对应：网站上的每一个动作，最终都会被写入这个巨大的 Log 列表中。

2. 检索 (Retrieval)

当 Agent 需要做出决定时，它不会把所有记忆都丢给 GPT（上下文太长），而是根据三个标准检索最相关的记忆：

• 近期性 (Recency)：刚刚发生的事更重要。
• 重要性 (Importance)：分手比吃早饭更重要。
• 相关性 (Relevance)：煮咖啡时，“咖啡豆在哪”的记忆比“昨天看了电影”更相关。

3. 反思 (Reflection)

这是让 AI 变聪明的关键。Agent 不仅记录流水账，还会定期总结。

• 例子：记忆里有“周一吃了早饭”、“周二吃了早饭”… -> 反思生成高层认知：“我是一个坚持吃早饭的人”。

4. 规划 (Planning)

Agent 会生成从粗粒度（“今天去上班”）到细粒度（“先刷牙，再做饭，然后出门”）的计划，并能根据突发事件（例如路上遇到了朋友）动态调整计划。

---

🎭 经典案例：情人节派对的“涌现”现象

在浏览演示站时，你可以寻找著名的 “情人节派对” 事件。这是 Multi-Agent 协作的一个奇迹：

1. 研究人员只告诉了其中一个 Agent（Isabella）：“你想举办一个情人节派对”。
2. 自主扩散：Isabella 自己规划了时间地点，并开始邀请朋友。
3. 信息传播：被邀请的朋友（如 Tom）遇到其他朋友时，会把这个消息告诉其他人（“哎，你知道 Isabella 要开派对吗？”）。
4. 协同行为：到了约定时间，多个 Agent 真的聚集到了 Isabella 的公寓里！

这一切都没有任何脚本控制，完全是 Agent 之间八卦和社交的结果。

---

💻 如何本地运行？

虽然这个 Heroku 演示站只能看不能动，但该项目已经开源！如果你想自己搭建一个“西部世界”，可以访问 GitHub。

GitHub 地址：joonspk-research/generative_agents

简易运行步骤：

1. 环境准备：Python 3.9+，Django。
2. API Key：你需要一个 OpenAI API Key（消耗量较大，请注意钱包）。
3. 启动后端：

   python manage.py runserver
   

4. 启动前端：项目自带了一个基于 Phaser 的前端服务器。

注意：运行完整的 25 人模拟非常昂贵（论文中提到两天模拟花费了数千美元的 API 额度），建议从单 Agent 或小规模测试开始。

---

📝 总结与思考

reverie.herokuapp.com 不仅仅是一个 Demo，它是 AI Native 应用 的雏形。它向我们证明了：

1. 记忆+反思 可以赋予 LLM 连贯的人格。
2. 社会行为 可以通过个体智能的交互涌现出来。
3. 未来的游戏 NPC、虚拟助理甚至元宇宙居民，都将基于这种架构诞生。