生成式 Agent 与涌现模拟

Park 等人 2023 (UIST ‘23, arXiv:2304.03442) 用三部分架构填充了 Smallville，一个 25 Agent 沙箱：记忆流（自然语言日志）、反思（Agent 关于自己流生成的更高层次综合）和计划（日级行为，然后子计划）。标志性结果是情人节派对涌现：一个 Agent 被种子化”想举办情人节派对”，没有进一步脚本，产生了通过人群传播的邀请、协调日期，派对发生了——来自 24 个一开始对此一无所知的 Agent。消融显示所有三个组件都是可信度所必需的。记录的失败是空间规范错误（进入关闭的商店、共享单人浴室）。这是 2026 年 Agent 模拟和多 Agent 社会评估的参考架构。

类型： 学习 + 构建 语言： Python (stdlib) 前置条件： Phase 16 · 04 (原语模型), Phase 16 · 13 (共享记忆) 时间： ~75 分钟

问题

大多数多 Agent 系统是紧密脚本的团队：规划者规划、编码者编码、审查者审查。这对明确定义的任务有效。它不捕获当 Agent 有记忆、优先级和开放世界时出现的涌现、非脚本行为。研究、社会模拟以及越来越多的游戏 AI 需要第二种。

Smallville 架构是它的基准。在 Park 2023 之前，最好的 Agent 模拟是浅层脚本跟随者；之后，该模式成为开放世界中生成式 Agent 的默认。如果你在 2026 年构建 Agent 模拟，你要么使用 Smallville 的三个组件，要么显式论证为什么不。

概念

三个组件

记忆流。 观察、动作、反思和计划的只追加日志。每个条目有时间戳、类型、描述（自然语言）和派生元数据：新近度、重要性（Agent 自评 1-10）和相关性（与当前查询的余弦相似度）。

[2026-02-14 09:12:03] observation: Isabella Rodriguez 问我是否喜欢爵士乐
[2026-02-14 09:14:22] reflection:   我喜欢关于音乐的长时间对话
[2026-02-14 10:05:00] plan:         今晚参加 Isabella 的情人节派对

记忆检索结合三个分数：score = w_recency * e^(-decay * age) + w_importance * importance + w_relevance * cos_sim。Top-k 条目进入当前提示。

反思。 定期（每 N 条记忆或在重要事件上），Agent 从最近记忆生成更高层次的综合。反思条目回到流中，像任何其他记忆一样可检索。这是 Agent 构建”理解”的方式——架构的等价于长期信念。

计划。 自上而下分解。首先，日级计划的粗略大纲（“去上班，和 Klaus 吃晚饭”）。然后小时级计划。然后动作级计划。计划可修订：当观察与计划矛盾时，Agent 重新规划受影响的段。

为什么三个都重要（消融）

Park 等人运行了去掉观察、反思和计划中每一个的消融实验。每个消融都损害可信度：

• 没有观察，Agent 错过上下文，基于过时信念行动。
• 没有反思，Agent 无法形成更高层次信念；交互保持浅层。
• 没有计划，行为变成反应性噪声；目标消散。

人类评分者的可信度分数在三个都有时最高；去掉任何一个产生可测量的回退。

情人节涌现

一个 Agent，Isabella Rodriguez，被种子化为目标”想在 2 月 14 日下午 5 点在 Hobbs Cafe 举办情人节派对。“其他 24 个 Agent 没有收到这样的种子。在模拟的日子里：

1. Isabella 的计划包括邀请人。
2. 每个邀请成为邻居记忆流中的观察。
3. 邻居的反思生成信念：“Isabella 要举办派对。”
4. 邻居的计划纳入”2 月 14 日参加派对。”
5. 邻居告诉其他邻居。邀请在没有中央协调的情况下传播。
6. 2 月 14 日下午 5 点，几个 Agent 在 Hobbs Cafe 汇聚。

这是技术意义上的涌现：系统级行为（派对）从局部交互（双边邀请 + 个人规划）中产生，没有中央编排者。

记录的失败模式

Park 等人明确记录：

• 空间规范错误。 Agent 走进关闭的商店。Agent 试图使用同一个单人浴室。Agent 在不打算吃饭的房间里吃饭。模型不能仅从环境推断社会-物理规范。
• 记忆溢出。 深度模拟运行导致记忆检索成本增长。实际补救：定期记忆压缩（摘要-修剪）和对低重要性条目的衰减。
• 反思幻觉。 反思可以发明记忆流中不存在的关系。缓解：在反思提示中包含来源记忆 ID，在检索时验证。

这些是与生产相关的失败模式：任何 2026 年 Agent 模拟都继承它们。

三组件实现规则

1. 记忆是只追加的。 永远不要修改记忆条目。修正是新条目。
2. 重要性分数很便宜。 在写入时调用 LLM 评分重要性 1-10。缓存分数。
3. 检索是排名的，不是过滤的。 按综合分数 top-k；不使用硬过滤器（会丢失上下文）。
4. 反思定期运行。 当未处理记忆的重要性总和超过阈值（例如 150）时触发。
5. 计划可修订。 当新观察与计划矛盾时，只重新生成受影响的段，不是整个计划。

Smallville 之外的生成式 Agent

2024-2026 年后续文献扩展了架构：

• 用于政策/市场研究的多 Agent 社会模拟。 类 Smallville 人群模拟用户对功能的行为。比 A/B 测试快；准确性有争议。
• 游戏 NPC AI。 带有 Smallville Agent 的 RPG 产生涌现故事线而不是脚本任务。
• 生成式 Agent 评估基准。 不是任务准确性，指标变成长时间运行的可信度 + 行为连贯性。

架构是参考。扩展替换组件（向量存储替代记忆、检索增强反思、神经符号计划）但保持三部分结构。

为什么这对多 Agent 工程重要

Smallville 是多 Agent 涌现在组件正确时很便宜的证明概念。架构现在已在开源模型上复现（更小的 LLM 优雅地失去可信度，不是急剧地）。任何需要涌现社会行为的生产系统使用这个形状。任何需要紧密任务执行的系统使用本阶段早些时候的监督者/角色/原语模式。

构建它

code/main.py 在 stdlib Python 中用脚本化 Agent 策略（无真实 LLM）实现三个组件。演示以微缩版复现情人节派对涌现：

• MemoryStream — 带新近度/重要性/相关性检索的只追加日志。
• reflect(stream) — 对最近高重要性记忆的脚本化反思。
• plan(agent_state) — 基于当前信念的日级和小时级计划。
• 场景：5 个 Agent。Agent 1 以”下午 5 点举办派对”开始。在模拟的 tick 中，邀请传播，Agent 汇聚。

运行：

python3 code/main.py

预期输出：逐 tick 追踪。到最终 tick，至少 3/5 的 Agent 在计划中显示派对，它们在派对地点汇聚。单个种子产生了协调到达，没有任何编排者。

使用它

outputs/skill-simulation-designer.md 设计生成式 Agent 模拟：Agent 数量、记忆 Schema、反思节奏、计划范围和评估指标。

发布它

生产模拟规则：

• 记忆是数据库。 规模化时选择真实存储（向量 DB、Postgres）。内存中的 stdlib 用于原型。
• 记录检索追踪。 对于每个动作，记录驱动它的 top-k 记忆。这是你的调试能力。
• 每 Agent token 预算。 每个 Agent 每 tick 的 retrieve + reflect + plan 是 O(k) 次 LLM 调用。N 个 Agent × T 个 tick × 每 tick 调用数可能使你的预算相形见绌。
• 定期压缩记忆。 摘要-修剪低重要性条目。保留策略是设计决策，不是细节。
• 显式检测空间/社会规范违规。 架构不会学习它们。

练习

1. 运行 code/main.py。确认 3+ 个 Agent 在派对汇聚。将 Agent 增加到 10——涌现仍然发生吗？
2. 移除反思步骤。行为看起来如何？映射到 Park 2023 的消融发现。
3. 引入竞争种子目标（“Klaus 想在下午 5 点做研究演讲”）。Agent 分裂还是一个目标主导？什么决定它？
4. 添加空间约束：Hobbs Cafe 最多容纳 4 个 Agent。模拟是否优雅地处理溢出，还是遇到”单人浴室”失败模式？
5. 阅读 Park 等人 (arXiv:2304.03442) 第 6 节（涌现行为实验）。识别一个在你的微缩版中不可复现的行为。你需要增强架构的哪个组件？

关键术语

延伸阅读

• Park et al. — Generative Agents: Interactive Simulacra of Human Behavior — 参考架构
• UIST ‘23 paper page — 发表场所
• Smallville code release — 参考 Python 实现
• Hayes-Roth 1985 — A Blackboard Architecture for Control — 结构化记忆 Agent 的先前技术