文章目录

一、简单介绍1）项目代码介绍2）重新播放模拟3）适当修改分叉模拟

二、部署斯坦福小镇Demo1）准备工作2）解决遇到的bug3）启动服务器和前端

三、源码剖析1）主题顺序

github链接

一、简单介绍

①背景介绍

This repository accompanies our research paper titled “Generative Agents: Interactive Simulacra of Human Behavior.” It contains our core simulation module for generative agents—computational agents that simulate believable human behaviors—and their game environment.

②总体逻辑

让小镇的NPC自由交流、开party、生活有条不紊

③总结：

Ai会感知周边环境，并将视野里发生的事件记录下来，加入自己的记忆流。之后，不论是Ai计划要做的事，还是对外界的反应，都会受到这个记忆的影响，并依靠ChatGPT进行决策，最后决策的事件也会加入记忆流，形成新的记忆。让NPC具备记忆系统，并依靠大语言模型来帮助NPC做出行动决策

https://github.com/joonspk-research/generative_agents/tree/main

https://www.zhihu.com/question/425708656

https://github.com/joonspk-research/generative_agents/tree/main

https://github.com/search?q=generative-agents&type=repositories

1）项目代码介绍

①项目有后端服务器backend_server和前端服务器frontend_server

②storage会保存程序运行的记录信息

2）重新播放模拟

打开浏览器，输入

http://localhost:8000/replay/<simulation-name>/<starting-time_step>

3）适当修改分叉模拟

这里的模拟是Isabella，scratch.json里面包括人物性格描述、居住地点、生活方式等，

spatial_memory.json里面还有房间布局等等

二、部署斯坦福小镇Demo

1）准备工作

①安装aneconda

②下载仓库代码

git clone https://github.com/joonspk-research/generative_agents.git

cd generative_agents

③用vscode打开generative_agents目录

④在reverie目录的backend_server下载创建文件utils.py文件，填入以下内容

# Copy and paste your OpenAI API

Keyopenai_api_key ="<Your OpenAI API>"

# Put your name

key_owner = "<Name>"

maze assets loc ="../../enviroment/frontend_server/static_dirs/assets"

envircenv_matrix=f"{ maze_assets_loc}/the_ville/matrix"

env_visuals =f"{ maze assets loc}/the_ville/visuals"

fs_storage ="../../environment/frontend server/storage"

fs_temp_storage ="../../environment/frontend_server/temp_storage"

collision block id ="32125'

# Verbose

debug = True

⑤填入OPEN AI API Keys和秘钥的名字

⑥创建新conda环境

conda create -n genagents python=3.11.4

#激活新环境

conda activate genagents

2）解决遇到的bug

①pillow需要更新到最新的从8.4.0改到9.5.0

python -m pip install -r requirements.txt

②打开backend_server目录下的reverie.py文件，跳转400行

curr_move_path=f"{ sim_folder}/movement"

#If the folder doesn't exist, we create it

if not os.path.exists(curr_move_path):

os.makedirs(curr_move_path)

3）启动服务器和前端

①切换到前端目录，然后运行脚本

cd environment/frontend_server

python manage.py runserver

②打开浏览器，输入

1.7.0.0.1:8000

有以上图片则表示启动成功

可以看到前端url的地址是

127.0.0.1:8000

③启动新终端来开启服务器

cd generative_agents

conda activate genagents

cd reverie/backend_server

#准备开启服务器

python reverie.py

④回答要进入的分叉模拟（forked simulation）：

现在是用现有的模板做三个代理（agent）

base_the_ville_sabella_maria_klaus

接着命名这个分叉模拟，随意，就叫test

⑤先跑3步，注意这里的步数，如果跑太多，token消耗的次数越多，3步就几刀

就可看到输出：

三、源码剖析

1）主题顺序

简短说明

①根据填入的演变次数，来决定循环的次数

②便利所有的agent，每个agent执行自己的plan函数，也就是每个人作为一个agent

③根据第二步拿到的计划，然后执行计划

④执行计划之后，先看初始地点有那些人，然后利用prompt去跟这些人互动相互交流，跟同地点的人互动之后再用prompt修改当前的做事计划，然后让别人知道我在干嘛

⑤然后根据之前的今日的计划安排把自己以往的记忆用prompt进行评分排序

（比如做瑜伽重要，就排前面）

⑥根据自己的计划和这个地方的场所列表，用promopt对要去的地方打分，就可以去那个排名第一的地方了

详细说明

①根据填入的演变次数，来决定循环的次数

for repeat in range(repeats):

....

②便利所有的agent，每个agent执行自己的plan函数，也就是每个人作为一个agent

for agent in agents:

agent.plan(global_time,prompt_meta)

而每个agent都是由每个人的名字、描述、初始出生地点（从simulation_config.json里面读取，team_people都是镇上的人）构造出来

而这个plan函数就是给OpenAI接口一个prompt，如下：

根据今天时间写下今天的每小时计划安排

③根据第二步拿到的计划，然后执行计划

④执行计划之后，先看初始地点有那些人，然后利用prompt去跟这些人互动相互交流，跟同地点的人互动之后再用prompt修改当前的做事计划，然后让别人知道我在干嘛

⑤然后根据之前的今日的计划安排把自己以往的记忆用prompt进行评分排序

（比如做瑜伽重要，就排前面）

⑥根据自己的计划和这个地方的场所列表，用promopt对要去的地方打分，就可以去那个排名第一的地方了