Paper 1: Generative Agents (Smallville)

Park et al., 2023 | Stanford | UIST'23

一句话是什么

用 LLM 驱动 25 个 AI 角色住在一个像素小镇里，他们会起床、上班、聊八卦、自发组织派对——所有社交行为都是"涌现"出来的，没有人写剧本。

"Believable proxies of human behavior" — 可信的人类行为代理。

架构核心：三件事（第 8 页 Section 4，Figure 5 最重要）

感知(Perceive) → 记忆流(Memory Stream) → 检索(Retrieve) → 行动(Act)
                        ↑                          ↓
                     反思(Reflect)            计划(Plan)

① Memory Stream（记忆流）— 第 8 页

每个 agent 有一条时间线，所有经历都存成自然语言条目，比如：

  • "Isabella Rodriguez is writing in her journal"
  • "The refrigerator is empty"

检索时用三个维度打分，取加权和：

  • Recency（最近性）：越新的记忆分越高，指数衰减。
  • Importance（重要性）：让 LLM 给每条记忆打 1-10 分，"刷牙"得 2 分，"分手"得 8 分。
  • Relevance（相关性）：与当前情境的 embedding 余弦相似度。
score = recency + importance + relevance

② Reflection（反思）— 第 9 页，Figure 7

当重要性分数累计超过阈值（150），agent 会停下来"想一想"，把零散观察升华成高层洞察：

底层观察：Klaus 在读书、Klaus 在找资料、Klaus 在问图书管理员 → 中层反思：Klaus 热衷于研究 → 高层反思：Klaus 对研究高度投入。

这就是反思树（reflection tree），叶子是原始观察，越往上越抽象。

③ Planning（计划）— 第 10 页

先生成一天的粗粒度计划："1) 8am 起床 2) 去药店上班 3) 12pm 吃午饭…"

再递归分解成 5-15 分钟的具体行动块。计划存入记忆流，可以中途因新观察而修改。

最精彩的实验结果（第 6 页 Section 3.4）

只给一个 agent "Isabella 想举办情人节派对"这一条初始种子，两天后：

  • 消息自发在全镇传播
  • Maria 因为暗恋 Klaus 而主动邀请他
  • 5 个 agent 在正确时间自发出现在咖啡馆

没有人写这些剧情，完全是 agent 自己演出来的。

对我做 agent sim 最重要的一点

第 8 页这个公式：检索 = Recency + Importance + Relevance 三者加权。

这是目前所有 multi-agent simulation 项目的记忆检索基准设计，后面 Mem0、Zep 那几篇都是在改进这套思路。记住这个公式，读后面的论文时你会看到它反复出现。

对我做 Halo 这类 persona 产品最重要的一点

第 7 页这个发现：即使把访谈内容随机删掉 80%，interview-based agent 依然以 0.79 准确率碾压 composite agent（0.76）。

这说明什么？不是访谈的"量"重要，是访谈的"质"——这个人用自己的语言说过的话，本身就携带了人口统计信息捕捉不到的个性信号。

另一个重要发现（第 8 页 Figure 3）：Interview-based 方法显著降低了跨族裔、跨政治倾向的偏差（DPD）。Demographic-based 方法容易把少数群体模拟成刻板印象，而访谈文本让 agent 还原的是"这个具体的人"而不是"这类人"。

Paper 2: OASIS（大规模社交网络模拟）

Finding 1：信息传播规模和广度能复现真实世界（第 7 页 Figure 4）

OASIS 模拟出的信息扩散曲线和 Twitter 真实数据基本吻合，RMSE 误差约 30%。传播"深度"偏低，因为推荐系统没法完全还原真实 Twitter 算法的复杂度。

Finding 2：群体极化——LLM agent 比真人更容易走极端（第 8 页 Figure 5）

让 196 个 agent 讨论一个两难问题，随着互动轮次增加，意见越来越极端。尤其是去掉安全护栏的 uncensored 模型，极化速度更快，会用"always better"这类绝对化表达。

Finding 3：羊群效应——agent 比人类更容易跟风（第 9 页 Figure 6）

一条帖子最初被踩了，agent 后续会继续踩；但真实人类看到同样情况会先思考再决定。Agent 有更强的羊群效应，人类有更强的独立判断。

Finding 4：agent 规模越大，意见越多元、越有帮助（第 9-10 页 Figure 7）

196 个 agent → 10,196 个 → 100,196 个，同样 196 个核心 agent 的意见质量随规模提升。更大的"社会"给了他们更多元的反馈，意见变得更有深度。

对 Halo 最重要的一点

这篇是"mediator agent / ice-breaker agent"设计的理论基础。

在 Halo 这样的场景里，两个 persona agent 互动时如果加入第三个 mediator agent——它不代表任何一方，只负责总结双方的分歧、提出中间立场、推动对话收敛——从这篇论文来看是有理论支撑的。辩论机制天然适合处理"两个 agent 视角不同、需要达成某种共识"的场景。

Love First, Know Later

对 Halo 最重要的两句话（第 4 页 Discussion）

论文明确说了四个未来能力：

  1. Personalized evolution：用户对 agent 行为给反馈 → DPO/RLHF 方式持续优化 → agent 越来越像真实的你。
  2. Bidirectional transparency：用户可以观看自己的 agent 和别人的 agent 互动，理解配对系统在做什么。
  3. Active preference exploration：通过模拟发现用户自己都不知道的隐性偏好。
  4. 局限：目前只做两人配对，多人社交动态（群体约会、朋友圈兼容性）需要更复杂的博弈论框架。

产品层面的延伸思考

是不是可以显示 agent 在和多少人聊、进度怎么样——相当于一种可视化的"成瘾性"？

接受 venture 经济学要求上瘾 UX，可以把 agent chat 黑箱的揭示瞬间设计成老虎机的一次拉杆——每次揭示就是一次变量奖励。