Phase 16: Multi-Agent & Swarms

Geliştirici Ajanlar ve Yeni Oluşan Simülasyon

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 16 · 04 (Primitive Model), Phase 16 · 13 (Shared Memory)

Time: ~75 minutes

Sorun

Çoğu çoklu ajan sistemi sıkı bir şekilde yazılmış ekiplerdir: planlama planları, kodlayıcı kodları, inceleyiciler incelemeleri. Bu iyi tanımlanmış görevler için çalışır. Ajanların hafızası, öncelikleri ve açık bir dünyası olduğunda ortaya çıkan ortaya çıkan, yazılmamış davranışları yakalamaz. Araştırma, toplumsal simülasyon ve giderek daha fazla oyun AI'nin bu ikinci türüne ihtiyacı vardır.

Park 2023'e kadar en iyi ajan simülasyonları ufak senaryo takipçileriydi; bundan sonra, örnekteki açık dünyalarda üreticiler için varsayılandır. 2026'da bir ajan simülasyonu oluşturursanız, ya Smallville'in üç bileşenini kullanıyorsunuz ya da açıkça neden olmadığınızı haklı çıkarıyorsunuz.

Anlam

Üç bileşen

Memory stream.Her giriş bir zaman damgası, bir tür, bir açıklama (doğal dil) ve elde edilen metadata sahiptir:recency- Evet .importance(Agent tarafından 1-10 değerlendirilmiş) ve relevance(kurrent sorguya benzerlik gösterir).

Copy[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

Hatıra kurtarma üç puanı birleştirir:score = w_recency e^(-decay age) + w_importance importance + w_relevance cos_simTop-k girişleri mevcut çağrıda girer.

Reflection.Periodik olarak (her N anısı veya önemli olaylarda), ajan son anılardan daha yüksek sıradaki sentezler üretir. Yansıma girişleri akıma geri döner ve diğer hafızayla aynı şekilde geri alınır. Bu şekilde ajanlar "anlamalar" oluşturur mimarinin uzun vadeli inançlara eşdeğeri.

Plan.Top-down parçalanma. Önce gün düzeyde planı geniş vuruşlarda ("işe git, Klaus ile akşam yemeği yiyin"). Sonra saat düzeyde planlar. Sonra eylem düzeyde planlar. Planlar gözden geçirilebilir: bir gözlem bir plana aykırı olduğunda, ajan etkilenen bölümü yeniden planlar.

Neden üçü de önemli (bırak)

Park et al. gözlem, düşünme ve planlama her birini düşüren ablationlar çalıştı.

• - Hayır .observationAjan bağlamı kaçırıyor ve eski inançlara göre hareket ediyor.
• - Hayır .reflectionajan daha yüksek düzeyde inançlar oluşturabilir; etkileşimler yüzeysel kalır.
• - Hayır .planDavranışlar reaktif gürültü haline gelir; hedefler dağılar.

İnsan değerlendiricilerinden alınan inanç puanları, üçüyle de en yüksek; herhangi birini düşürmek ölçülebilir bir gerileme üretir.

Sevgililer Günü'nün ortaya çıkması

Bir ajan, Isabella Rodriguez, "14 Şubat'ta saat 5'te Hobbs Cafe'de Sevgililer Günü partisi vermek istiyor" hedefiyle tohumlanmış.

1. Isabella'nın planı insanları davet etmektir.
2. Her davet komşunun hafızasında bir gözlem haline gelir.
3. Komşunun düşüncesi inançlara yol açar: "Isabella parti veriyor".
4. Komşunun planı "14 Şubat'ta partiye katılmak" içermektedir.
5. Komşular diğer komşulara haber verirler.
6. 14 Şubat akşam 5'te birkaç ajan Hobbs Cafe'de toplanıyor.

Bu teknik anlamda ortaya çıkış: sistem düzeyinde davranış (bir parti) merkezi bir orkestrasyoncu olmadan yerel etkileşimlerden (iki taraflı davetler + bireysel planlama) ortaya çıktı.

Belgelemiş başarısızlık modları

Park et al. açıkça belge:

• Spatial norm errors.Ajanlar kapalı mağazalara giriyorlar. Ajanlar aynı tek kişilik tuvaletini kullanmaya çalışıyorlar. Ajanlar yemek için tasarlanmamış odalarda yemek yiyorlar.
• Memory overflow.Derin simülasyon çalışmalar hafıza kurtarma maliyetinin artmasına neden olur. Pratik bir çözüm: periyodik hafıza sıkıştırılması (cümle ve kesme) ve düşük önemli girişlerde bozulma.
• Reflection hallucination.Refleksyonlar hafıza akımında bulunmayan ilişkileri icat edebilir. Yumuşaklaştırma: Refleksyon isteklerinde kaynak hafıza kimliklerini ekle ve kurtarma zamanında doğrulayın.

Bunlar üretim ile ilgili hata modlarıdır: 2026 ajan simülasyonu onları miras alır.

Üç bileşenli uygulama kuralları

1. Memory is append-only.Hiç bir hafıza girişini mutasyona sokmayın.
2. Importance scores are cheap.Yazma zamanı 1-10 değerini değerlendirmek için Yüksek Lisans Yüksek Lisansına arayın.
3. Retrieval is ranked, not filtered.Top-k kombinasyon puanı; sert filtreler kullanmayın (koneks kaybederler).
4. Reflection runs periodically.İşlenmemiş hafızaların öneminin toplamı bir eşiği (örneğin 150) aşırırken tetikleyici.
5. Plans are revisable.Yeni bir gözlem bir plana aykırı olduğunda, sadece etkilenen bölümü, tüm planı değil, yeniden oluşturun.

Smallville'den öte üreticiler

2024-2026 takip literatürü mimarlığı genişletiyor:

• Multi-agent social simulation for policy / market research.Smallville gibi nüfuslar, kullanıcı davranışlarını özelliklere karşılık olarak simüle eder.
• NPC AI for games.Smallville ajanları ile oynanan rol oynayan oyunlar senaryoda görevlerin yerine yeni hikayeler üretir.
• Generative-agent evaluation benchmarks.Görev doğruluğu yerine, metrik uzun süreler boyunca davranışların güvenilirliği + tutarlılığı haline gelir.

Arsitektur referanstır. Genişlemeler değişken bileşenler (hüye için vektör depolama, geri alma artıran yansıma, nörosimbolik plan) ama üç bölümlü yapıyı korur.

Bu neden çoklu ajan mühendisliği için önemli

Smallville, çoklu ajanların ortaya çıkmasının bileşenler doğru olduğunda ucuz olduğunu kavramın kanıtıdır. Mimarlık şimdi açık kaynaklı modellerde çoğaltıldı (küçük LLM'ler, keskin değil, şık bir şekilde güvenilirliğini kaybediyor).emergent social behaviorBu şekli kullanır.tight task executionBu aşamada daha önceki yönetici / rol / ilkeler kalıplarını kullanıyor.

Yapın

code/main.pyStdlib Python'da üç bileşenini scripted agent politikaları ile uyguluyor (gerçek LLM yok).

• MemoryStream Yenilik/Önem/Alaylılık Kayıtları ile sadece ekleme kayıtları.
• reflect(stream) Son zamanlarda önemli anılar üzerinde yazılı bir düşünce.
• plan(agent_state) Günlük ve saatlik düzeyde güncel inançlara dayanan planlar.
• Scenari: 5 ajan. 1 ajan saat 5'te "eğlenme partisi" ile başlar. Simülasyonda tikler, daveti yayılır ve ajanlar bir araya gelir.

Çık:

Copypython3 code/main.py

Beklenen çıkış: tik-tik iz. Son tik'e kadar, 5 ajanın en az 3'ü partiyi planlarında gösterir ve parti konumunda bir araya gelirler. Tek tohum hiçbir orkestrasyoncu olmadan koordine edilmiş bir gelişi üretir.

Kullan

outputs/skill-simulation-designer.mdBir jeneratif ajan simülasyonu tasarlıyor: ajan sayısı, hafıza şeması, yansıma kadansı, plan ufku ve değerlendirme metrikleri.

Gönder

Üretim simülasyonları için kurallar:

• Memory is the database.Gerçek bir mağazayı (vector DB, Postgres) ölçekle seçin.
• Log the retrieval trace.Her eylem için, onu yönlendiren en üst-k anıları kaydet.
• Budget per-agent tokens.Her ajanın tik başına alın + refleks + planı O(k) LLM çağrılarıdır. N ajan × T tik × tik başına çağrılar bütçenizi küçültüyor.
• Compact memory periodically.Düşük önemli yazıları özetleyip biç.
• Detect spatial / social norm violationsMimarlık onları öğrenmez.

Egzersizler

1. Çık .code/main.py3+ ajanın partide toplandığını onaylayın.
2. Yönlendirme adımını kaldırın. Davranış nasıl görünüyor? Park 2023'te bulunan ablasyon bulgularına haritan.
3. Rekabetçi bir hedef oluşturun ("Klaus akşam 5'te bir araştırma konuşması yapmak istiyor").
4. Yer kısıtlamaları ekleyin: Hobbs Cafe en fazla 4 ajanı tutabilir.
5. Park et al. (arXiv:2304.03442) Bölüm 6 (Çok gelişmiş davranış deneyleri).

Anahtar Terimler

Daha Fazla Okumak

• Park et al. — Generative Agents: Interactive Simulacra of Human Behavior Referans mimarisi
• UIST '23 paper page Yayınlama yeri
• Smallville code release Referans Python uygulaması
• Hayes-Roth 1985 — A Blackboard Architecture for Control Yapılandırılmış hafıza ajanları için önceden kullanılan sanat

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.