生成式 Agent 与涌现模拟

问题

大多数多 Agent 系统是脚本化程度很高的团队：规划者做规划、编码者写代码、评审者做评审。这对定义明确的任务很有效，但它捕捉不到 Agent 拥有记忆、优先级和开放世界时产生的涌现式、非脚本化行为。研究、社会模拟以及越来越多的游戏 AI，需要的正是这第二类系统。

Smallville 架构是这方面的基准。在 Park 2023 之前，最好的 Agent 模拟只是浅层地跟随脚本；在此之后，这种模式成为开放世界中生成式 Agent 的默认做法。如果你在 2026 年构建 Agent 模拟，你要么采用 Smallville 的三个组件，要么明确说明为什么不采用。

概念

三个组件

记忆流。 一个只追加的日志，记录观察、行动、反思和计划。每个条目都有时间戳、类型、描述（自然语言）以及派生元数据：新近度（recency）、重要性（importance）（Agent 自评 1-10）和相关性（relevance）（与当前查询的余弦相似度）。

复制[2026-02-14 09:12:03] observation: Isabella Rodriguez asked me if I like jazz
[2026-02-14 09:14:22] reflection:   I enjoy long conversations about music
[2026-02-14 10:05:00] plan:         Attend Isabella's Valentine's Day party tonight

记忆检索会组合三个分数：score = w_recency * e^(-decay * age) + w_importance * importance + w_relevance * cos_sim。得分最高的 k 个条目进入当前 prompt。

反思。 周期性触发（每 N 条记忆或遇到重要事件时），Agent 从最近的记忆中生成更高阶的综合。反思条目会回到记忆流中，并像其他记忆一样可被检索。Agent 就是这样建立「理解」的——相当于该架构中的长期信念。

计划。 自顶向下分解。首先是一个粗线条的日级计划（「去上班，和 Klaus 吃晚饭」）。然后是小时级计划。接着是动作级计划。计划可修订：当观察与计划矛盾时，Agent 只重规划受影响的那一段。

为什么三者缺一不可（消融）

Park 等人分别去掉了观察、反思和计划做消融。每种消融都会损害可信度：

• 没有观察，Agent 会错过上下文，基于过时的信念行动。
• 没有反思，Agent 无法形成高阶信念；交互停留在浅层。
• 没有计划，行为变成反应式的噪声；目标消散。

人类评分者给出的可信度分数在三者齐备时最高；去掉任何一个都会带来可测量的回退。

情人节派对的涌现

一个 Agent Isabella Rodriguez 被赋予目标「想在 2 月 14 日下午 5 点在 Hobbs Cafe 办一场情人节派对」。其余 24 个 Agent 没有这个种子。随着模拟天数推进：

1. Isabella 的计划包含邀请他人。
2. 邀请成为邻居记忆流中的一条观察。
3. 这个邻居的反思生成信念：「Isabella 要办派对。」
4. 邻居的计划纳入「2 月 14 日参加派对」。
5. 邻居再告诉其他邻居。邀请在没有中心协调的情况下传播开来。
6. 2 月 14 日下午 5 点，若干 Agent 汇聚到 Hobbs Cafe。

这是技术意义上的涌现：系统级行为（一场派对）从局部交互（双边邀请 + 个体规划）中产生，没有中心编排器。

已记录的失效模式

Park 等人明确记录了：

• 空间规范错误。 Agent 走进关门的商店。Agent 试图使用同一个单人卫生间。Agent 在不适合用餐的房间里吃饭。模型无法仅从环境中推断社会-物理规范。
• 记忆溢出。 长时间的深度模拟会让记忆检索成本持续增长。实用补救：周期性记忆压缩（总结并修剪）以及对低重要性条目的衰减。
• 反思幻觉。 反思可能虚构出记忆流中并不存在的关系。缓解：在反思 prompt 中包含来源记忆 id，并在检索时校验。

这些都是与生产相关的失效模式：任何 2026 年的 Agent 模拟都会继承它们。

三组件实现规则

1. 记忆只追加。 永不修改记忆条目。更正是新条目。
2. 重要性分数要廉价。 在写入时调用 LLM 打 1-10 分。缓存分数。
3. 检索是排序，不是过滤。 按组合分数取 top-k；不要用硬过滤（会丢失上下文）。
4. 反思周期性运行。 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那一段，而不是整份计划。

Smallville 之外的生成式 Agent

2024-2026 年的后续文献扩展了该架构：

• 用于政策/市场研究的多 Agent 社会模拟。 Smallville 式人群模拟用户对新功能的行为反应。比 A/B 测试更快；准确性仍有争议。
• 游戏中的 NPC AI。 配备 Smallville Agent 的 RPG 会产生涌现式剧情，而不是脚本化任务。
• 生成式 Agent 评估基准。 指标不再是任务准确率，而是长时间运行中行为的可信度 + 连贯性。

该架构是参考。各种扩展会替换组件（用向量库做记忆、检索增强的反思、神经符号计划），但保留三部分结构。

这对多 Agent 工程意味着什么

Smallville 证明了：只要组件选对，多 Agent 涌现的成本很低。该架构如今已在开源模型上复现（较小的 LLM 会平滑地、而非断崖式地损失可信度）。任何需要涌现式社会行为的生产系统都采用这种形态。任何需要紧密任务执行的系统，则采用本阶段前面的监督者/角色/原语模式。

构建它

code/main.py 用标准库 Python 实现三个组件，采用脚本化的 Agent 策略（没有真实 LLM）。演示在缩小规模上复现了情人节派对的涌现：

• MemoryStream —— 只追加日志，支持按新近度/重要性/相关性检索。
• reflect(stream) —— 对近期高重要性记忆做脚本化反思。
• plan(agent_state) —— 基于当前信念生成日级和小时级计划。
• 场景：5 个 Agent。Agent 1 从「下午 5 点办派对」开始。随着模拟 tick 推进，邀请扩散，Agent 们汇聚。

运行：

复制python3 code/main.py

预期输出：逐 tick 的轨迹。到最后一个 tick，5 个 Agent 中至少有 3 个的计划里出现了派对，并且它们在派对地点汇聚。单一初始种子在没有任何编排器的情况下产生了协调到达。

使用它

outputs/skill-simulation-designer.md 用于设计生成式 Agent 模拟：Agent 数量、记忆 schema、反思节奏、计划时程以及评估指标。

交付它

生产模拟的规则：

• 记忆就是数据库。 规模化时选择真正的存储（向量数据库、Postgres）。内存中的标准库实现只适合原型。
• 记录检索轨迹。 对每个动作，记录驱动它的 top-k 记忆。这是你的调试能力所在。
• 为每个 Agent 设定 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 的调用次数，可能远远超出预算。
• 周期性压缩记忆。 总结并修剪低重要性条目。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。 架构本身学不到这些。

练习

1. 运行 code/main.py。确认 3 个以上 Agent 在派对地点汇聚。把 Agent 增加到 10 个——涌现还会发生吗？
2. 去掉反思步骤。行为看起来如何？对照 Park 2023 的消融结论。
3. 引入一个相互竞争的种子目标（「Klaus 想在下午 5 点做一场研究报告」）。Agent 会分裂，还是一个目标占主导？由什么决定？
4. 增加空间约束：Hobbs Cafe 最多容纳 4 个 Agent。模拟是优雅地处理溢出，还是撞上「单人卫生间」式的失败模式？
5. 阅读 Park 等人（arXiv:2304.03442）第 6 节（涌现行为实验）。找出一个在你的缩小版中无法复现的行为。你需要增强架构中的哪个组件？

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 —— 发表会议
• Smallville code release —— 参考 Python 实现
• Hayes-Roth 1985 — A Blackboard Architecture for Control —— 结构化记忆 Agent 的先例

示意图共 1 张