這禮拜細讀了 multi-agent 的概念先驅論文：「Generative Agents: Interactive Simulacra of Human Behavior」。這篇論文最吸引我的地方，在於它不是透過複雜的遊戲程式碼來控制 NPC，而是嘗試用大型語言模型作為「大腦」，讓 25 個 Agent 在名為 Smallville 的沙盒小鎮裡「生活」。

筆記第一部分主要整理了論文的Abstract、Introduction和Conclusion。

核心筆記整理

在傳統的遊戲開發中，NPC 的行為通常是由「有限狀態機」(Finite State Machines) 或特定的「腳本」寫死的。這導致 NPC 很難有長期記憶，也無法應對突發的社交互動。

本研究提出的 Generative Agents 架構核心在於：

1. 自然語言記憶：所有經歷都用文字記錄，就像日記一樣。
2. 反思機制：Agent 會定時關機（或是空閒時）思考「我之前的經歷代表了什麼？」，進而形成對他人的觀點或自我價值觀。
3. 動態計畫：行為不是固定的，而是根据當前情境（例如看到鄰居在舉辦派對）動態調整。

1. Abstract

• 擴展模擬架構：建立一套架構，利用自然語言來儲存、合成並動態檢索 Agent 的經歷。
• 湧現行為 (Emergent Behaviors)：最驚艷的實驗結果是，Agent 展現了自主的社交能力。例如，只要告訴一位 Agent「你想辦情人節派對」，消息便會在小鎮裡自發散開，其他 Agent 會根據彼此細節約定時間並準時參加。
• 潛在應用：不僅是遊戲，還能用於人際溝通演練、社交平台原型設計。

2. Introduction

• 核心目標
  • 可信的人類行為代理 (Believable Proxies)：建立能夠在社交環境中模擬人類行為的計算模型，應用於訓練、社會科學研究及沉浸式遊戲。
  • 自主性 (Autonomy)：代理人能夠自主安排作息（如起床、烹飪、工作）、形成個人觀點，並能根據情境主導社交互動。
• 技術架構：長期記憶與連貫性 為了實現可信度，本研究提出了一套擴展大型語言模型（LLM）的架構：
  1. 記憶流 (Memory Stream)：使用自然語言記錄代理人的所有經歷，確保行為長期連貫。
  2. 反思機制 (Reflection)：代理人能對記憶進行深度處理，合成更高層次的抽象觀察與自我認同。
  3. 檢索與規劃 (Retrieval & Planning)：動態檢索相關記憶，並根據當前環境與長期目標制定合理的行動計畫。
• Smallville 沙盒實驗 研究在一個名為 Smallville 的虛擬城鎮中實例化了 25 位代理人。其實驗結果展現了驚人的「湧現社交行為」：
  • 案例分享：僅需給予一位代理人「想辦情人節派對」的初始念頭，代理人便會自動散播消息、邀請朋友、彼此約定時間，並最終準時出現在派對現場。
• 主要貢獻
  • 定義生成式代理人：提出一種新型態的互動式人類行為模擬。
  • 新型架構設計：解決了 LLM 在處理長期記憶與行為穩定性上的挑戰。
  • 評估方法論：透過「面談」與「開放式社交觀察」兩階段，驗證架構各組件對於「可信度」的影響。

3. Conclusion

• 具備社交連貫性的個體：實驗證明，這套架構能讓 25 個以 ChatGPT 為基礎的 Agent 展示出複雜的集體行為模式。
• 評估成果：參與實驗的評估者認為這些 Agent 的行為高度可信。