筆記第二部分對應「Generative Agents: Interactive Simulacra of Human Behavior」中的 GENERATIVE AGENT BEHAVIOR AND INTERACTION，會簡單介紹關於實驗的初始設定，包含 Agent 的個人檔案、互動模式、定義「一天」，以及實驗中最重要的結果：Emergent Social Behaviors。

論文中有提到關於整個沙盒如何設計，但由於和Multi-Agent設計無關，在這邊不細講。

初始設定

• Agent

  實驗團隊建立 25 位獨特的 Agent，其核心設定包含：

  • 視覺呈現：由簡單的像素頭像代表。
  • 種子記憶 (Seed Memories)：
    • 開發者為每位 Agent 撰寫一段自然語言描述。
    • 內容涵蓋：職業、家庭關係、社交圈與性格特徵。
    • 初始化方式：系統將描述中以分號分隔的短句轉化為 Agent 的「初始記憶」。

  下面是其中一位John Lin的設定：

  John Lin is a pharmacy shopkeeper at the Willow Market and Pharmacy who loves to help people. He is always looking for ways to make the process of getting medication easier for his customers; John Lin is living with his wife, Mei Lin, who is a college professor, and son, Eddy Lin, who is a student studying music theory; John Lin loves his family very much; John Lin has known the old couple next-door, Sam Moore and Jennifer Moore, for a few years; John Lin thinks Sam Moore is a kind and nice man; John Lin knows his neighbor, Yuriko Yamamoto, well; John Lin knows of his neighbors, Tamara Taylor and Carmen Ortiz, but has not met them before; John Lin and Tom Moreno are colleagues at The Willows Market and Pharmacy; John Lin and Tom Moreno are friends and like to discuss local politics together; John Lin knows
  the Moreno family somewhat well — the husband Tom Moreno and the wife Jane Moreno.
  

• Communication & Action
  • 在每個 time step，Agent 會輸出一段描述當前動作的自然語言，動作會被轉化為沙盒世界中的實際位移，動作為變成頭頂的 emoji，方便觀察
  • Agent 間可以用自然語言溝通，主要根據在沙盒世界中的地理位置，判斷擦肩而過或是開啟對話。
• User Controls 用戶可以透過兩種身份與 Agent 進行交互：

所謂「一天」

• 行為生成核心邏輯
  • 初始驅動：由自然語言描述作為基礎（Seed Memory）。
  • 動態演化：隨著沙盒時間推進，Agent 透過互動、建立記憶與協調活動，使其行為不斷演化。
• 舉例：John Lin 一家的晨間時間線 (7:00 AM - 9:00 AM)

• 社交與記憶傳遞分析 透過 John 與家人間的對話，展示了 Agent 的記憶與語境理解能力：

  #### 場景一：父子對話（資訊產生）

  • 內容：Eddy 告訴 John 他正在為課程創作一段音樂，雖然這週截止但過程很有趣。
  • 關鍵點：這是新記憶的生成點。

  #### 場景二：夫妻對話（記憶檢索與傳遞）

  • 內容：當 Mei 詢問 Eddy 是否已去學校時，John 能夠準確回憶並轉述先前的對話。
  • 對話回溯：

    **John**: 「是的，他剛走。他正在為課堂寫一段音樂作品。」
    **John**: 「我想他真的很喜歡這件事，他說很有趣。」
    

  • 關鍵點：展現了 Agent 不僅能儲存事實，還能根據先前的社交內容進行跨角色資訊傳遞。

• 核心機制總結

  1. 行為自主性：Agent 根據預設身分自主安排盥洗、用餐與工作的先後順序。
  2. 社交協調：Agent 能察覺環境中的其他成員並啟動對話。
  3. 記憶連貫性：Agent 能將與 A Agent 的對話內容，在隨後與 B Agent 的互動中進行檢索與應用，形成了真實的社會網路互動。

Emergent Social Behaviors

Agent 透過交換資訊、建立關係與協調活動，展現出超越單一指令的複雜社會動態。其核心包含三大面向：

1. Information Diffusion

   資訊會像現實世界一樣，透過對話在 Agent 之間流動與傳播。

   • 機制：當 Agent 遇見彼此並開啟對話時，會分享彼此的近況或聽到的消息。
   • 案例：市長選舉
     1. 初始源頭：Sam 告訴 Tom 他要參選鎮長。
     2. 二次傳播：Tom 隨後與 John 討論 Sam 的勝選機率（此時 John 也已從其他管道聽說此消息）。
     3. 社會影響：最終「參選」的消息傳遍小鎮，形成支持與猶豫的不同輿論群體。

2. Relationship Memory

   Agent 不僅能認識新朋友，還能記錄並回憶過去互動的細節。

   • 機制：系統會儲存初次見面的情境與對話內容，並在未來的互動中檢索這些記憶。
   • 案例：攝影專案
     • 初次見面：Sam 在公園偶遇陌生人 Latoya，Latoya 提到正在做攝影專案。
     • 後續互動：下次見面時，Sam 能主動詢問：「嘿 Latoya，妳的攝影專案進展得如何？」展現了長期的關係連結。

3. Coordination

   Agent 能夠共同規劃並執行複雜的群體活動。

   • 核心特性：用戶僅需設定一個初始意圖 (Seed Intent)，其餘細節由 Agent 架構自主完成。
   • 案例：情人節派對

• 核心結論：湧現性 (Emergence)

  這段落強調了 Generative Agent 架構的強大之處：用戶干預極小化，社會行為極大化。

  • 低度人工干預：用戶不需要手動編寫「宣傳、佈置、邀約、赴約」等繁瑣指令。
  • 自主社會化：Agent 會根據其架構（記憶 $\rightarrow$ 規劃 $\rightarrow$ 反思）自主決定散播消息、尋求幫助、甚至約出暗戀對象。