Generative Agents
Park J S, O'Brien J, Cai C J, et al. Generative agents: Interactive simulacra of human behavior[C]//Proceedings of the 36th annual acm symposium on user interface software and technology. 2023: 1-22.
这篇论文由斯坦福大学和 Google 的研究人员（如 Joon Sung Park, Percy Liang 等）共同发表，即著名的'AI 小镇（Smallville）'研究。作为自主智能体（Autonomous Agents）领域的开山之作，其核心贡献是提出了'生成式智能体架构（Generative Agent Architecture）'，包含三个关键组件：
- 记忆流（Memory Stream）：一个长期内存数据库，用自然语言记录智能体的所有经历（观察）。通过相关性、近时性、重要性三个维度进行检索，决定智能体当前该想起什么。
- 反思（Reflection）：智能体会定期停下来，对记忆流中的碎片化信息进行归纳总结，提取出高层级的观点（例如：某人很友好，或者我下午需要去买菜），这让智能体能够形成更深刻的判断。
- 规划（Planning）：智能体会制定长、中、短期计划，并根据环境变化（观察到新事物）随时调整计划（Re-planning），保证行为的逻辑连贯性。
实验案例：AI 小镇
最经典的案例是情人节派对。系统只给其中一个叫 Isabella 的 AI 下了一个种子指令——'你想在情人节办个派对'。剩下的事情，人类完全没有插手，整个小镇就自发运转起来了。Isabella 开始四处发邀请函，接到邀请的 AI 们会根据自己的性格决定去不去，甚至有人在派对前一天就开始紧张地讨论该穿什么、要不要带点礼物。甚至有人帮忙装饰咖啡馆，有人提前规划路线，最后 5 个 AI 准时到场，派对办得热火朝天。整个过程虽然丝滑，却没有一条硬编码规则，全是这群电子小人自己'想'出来的。
感知 - 思考 - 行动循环：
- 感知：Agent 观察周围环境并存入记忆流。
- 检索：根据当前场景检索最相关的记忆。
- 行动：通过 Prompting 让 LLM 生成下一步动作（对话、移动、操作物体）。
实验最令人惊叹的是观察到了涌现出的社会行为（Emergent Social Behaviors）：
- 信息传播：一个 Agent 决定举办情人节派对，消息通过社交互动在小镇里传开，大家纷纷调整计划参加。
- 关系演变：智能体之间会建立新的友谊，并根据过去的互动改变对彼此的态度。
- 协作：多个智能体协调时间，共同出现在同一地点。
论文证明了将 LLM 与架构化的记忆机制结合，可以创造出极具真实感的'数字人类'。Agent 的可信度不仅取决于模型本身，更取决于其对过去经历的组织和反思能力。
