Stanford Generative Agents (AI Town)
Overview
斯坦福 2023 年 4 月发表的论文 "Generative Agents: Interactive Simulacra of Human Behavior"，提出多智能体社交模拟的完整架构。GitHub 开源项目 joonspk-research/generative_agents。
论文: arxiv.org/abs/2304.03442 核心: 25 个 AI 角色在虚拟小镇中自主生活、社交、协作
核心架构：Memory → Reflection → Planning
Generative Agent
├── Memory Stream (记忆流)
│ ├── observations (感知观察)
│ ├── reflections (自我反思)
│ └── plans (行动计划)
├── Retrieval Model (检索模型)
├── Reflection Model (反思模型)
└── Planning Model (规划模型)
1. Memory Stream（记忆流）
持久化的观察记录序列，每个条目包含：
- 文本（观察内容）
- 创建时间戳
- 重要性评分
# 记忆条目结构
{
"text": "Alice talked about her frustration with the broken printer",
"created_at": timestamp,
"importance": 7, # 1-10 重要性
"type": "observation" # 或 "reflection"
}
2. Reflection（反思）
定期将记忆流聚合成高层次的反思：
Observation: "Klaus used 5 papers in 2 hours"
↓ 检索相关记忆
↓ Reflection: "Klaus has been using a lot of paper"
↓ 检索相关记忆
↓ Reflection: "The printer in the office is frequently used by many people.
Klaus might be concerned about the office's environmental footprint."
反思结果本身也写回 Memory Stream，形成递归层次。
3. Planning（规划）
基于反思和当前状态，生成一天的详细行动计划链：
07:00 起床，洗漱，穿衣
07:30 做早餐（羊角面包 + 咖啡）
08:00 吃早餐
08:30 去学校图书馆
09:00 研究（论文 + 编程）
12:00 午餐
...
规划会随执行情况动态调整（replan）。
与 Microverse 对比
| 维度 | Stanford Generative Agents | Microverse |
|---|---|---|
| 发布年份 | 2023 | 2025 |
| 角色数量 | 25 | 8 |
| 场景 | 沙盒小镇（画布/厨房/咖啡馆/办公） | 办公室单一场景 |
| 架构核心 | Memory → Reflection → Planning | 感知 → 状态 → 决策 → Action |
| 记忆系统 | 无限记忆流 + 重要性评分 + 递归反思 | 有限记忆池（上限50条） + 重要性分级 |
| 规划系统 | 完整 12 小时行动计划链，每日重排 | 任务池（最多 3 个活跃任务），按 priority 排序 |
| 对话系统 | 自由对话，无字数约束 | 30字约束，双向递归 |
| 感知系统 | 观察周围 agent 的行为和对话 | 房间定位 + 物品列表 + 角色位置 |
| 决策 | Reflection → Plan → Act 循环 | LLM Prompt 决策（选项 1/2） |
| 开发引擎 | Python + Chrome MMO 可视化 | Godot 4 + GDScript |
| 开源 | GitHub 开源 | GitHub 开源 |
| 社交规则 | 弱（仅有基本位置约束） | 强（BackgroundStoryManager） |
| 存档系统 | 无（每次重启清空） | GameSaveManager 持久化 |
| LLM | GPT-3.5/GPT-4 | 多 Provider（OpenAI/Claude/DeepSeek...） |
关键创新差异
Stanford 的贡献
- Reflection 递归抽象 — 从低层 observations 自动生成高层 insights
- 完整行动规划链 — 一天 12 小时，每 5 分钟一个 action slot
- Agent 间观察传播 — A 看到 B 的行为会影响 A 的记忆
Microverse 的改进
- 多 Provider 支持 — 不绑定 OpenAI，任何 LLM 均可
- 社会规则引擎 — BackgroundStoryManager 可配置规则约束
- 持久化存档 — 退出再进，记忆和状态不丢失
- 角色独立 AI 配置 — Stephen 可以用 Claude，Jack 可以用 DeepSeek
- 30字对话约束 — 避免 LLM 输出过长，保持实时对话节奏
共同局限性
| 问题 | 描述 |
|---|---|
| 幻觉 | LLM 可能创造不存在的角色名/事件 |
| Token 成本 | 每个 agent 的 prompt 包含全量上下文，成本随 agent 数增长 |
| 延迟 | LLM API 调用带来秒级延迟，对话不实时 |
| 现实差距 | 角色行为仍有明显的"AI味"，非真实人类社交 |
相关页面
- multi-agent-ai-simulation — 多智能体 AI 通用概念
- multi-agent-ai-game-impl — Microverse 的具体实现
- microverse-dialog-system — Microverse 对话系统详解
- llm-integration — 多 Provider LLM 集成
参考文献
- Park et al. "Generative Agents: Interactive Simulacra of Human Behavior", Stanford HAI, 2023
- GitHub:
joonspk-research/generative_agents