news 2026/9/5 0:19:46

AI小镇：基于大语言模型的多智能体社会模拟沙盒部署与实践

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
AI小镇：基于大语言模型的多智能体社会模拟沙盒部署与实践

这次我们来看一个名为“AI小镇”的开源项目，它不是一个传统的工具或模型，而是一个模拟AI智能体社会运行的沙盒游戏。这个项目由开发者 mewamew 开源在 GitHub 上，它试图通过游戏化的方式，让玩家直观地观察和干预一个由多个AI智能体构成的微型社会，从而探讨AI时代可能出现的复杂社会现象与矛盾。

项目的核心吸引力在于其“涌现”特性：你无需编写复杂的剧本，只需设定初始角色和环境规则，AI智能体们便会基于大语言模型自主决策、互动，并可能演化出意想不到的故事情节和社会结构。这为研究AI社会学、测试AI Agent协作与冲突、甚至为游戏或叙事创作提供灵感，提供了一个低成本的实验平台。

对于技术爱好者而言，这个项目最值得关注的点在于其本地部署能力和对硬件相对友好的门槛。它并非需要消耗数百GB显存的庞然大物，而是可以通过调用本地或云端的大语言模型API来驱动。这意味着，即使你只有普通的消费级显卡，甚至主要依靠CPU进行推理，也能跑起来。本文将带你完成从环境搭建、模型配置、启动游戏到观察“AI小镇”社会演化的全过程，并探讨其背后的技术实现与潜在应用。

1. 核心能力速览

能力项说明
项目类型AI智能体社会模拟沙盒游戏 / 实验平台
开源地址GitHub:mewamew/my_ai_town
核心机制基于大语言模型驱动多个AI角色，实现自主交互与故事涌现
硬件门槛依赖后端LLM的推理能力。可使用本地模型（需相应GPU/CPU）或云端API（如OpenAI, Anthropic等）。项目本身对显存无直接要求。
启动方式通过命令行启动后端服务器与前端Web界面。
主要功能创建AI角色、定义初始记忆与关系、观察实时交互日志、干预事件发展、导出故事记录。
交互方式Web图形界面，实时查看地图、角色状态和对话流。
适合场景AI社会学实验、多智能体行为研究、游戏剧情生成测试、叙事创作灵感来源、LLM上下文管理与长期记忆测试。

2. 适用场景与使用边界

“AI小镇”适合以下几类用户：

  1. AI研究者与开发者：希望研究多智能体协作、竞争、社会规范形成等课题，需要一个可控制、可复现的实验环境。
  2. 游戏设计师与叙事创作者：将其作为剧情生成器或角色行为模拟器，获取灵感和测试故事线的多种可能性。
  3. 技术爱好者与学习者：对AI Agent和生成式AI应用感兴趣，希望通过一个具体、有趣的项目理解智能体的决策逻辑和交互复杂性。
  4. 教育工作者：用于向学生演示复杂系统、涌现行为以及AI的社会性影响。

它能解决的核心问题是：如何低成本地构建一个动态的、由AI驱动的虚拟社会，并观察其中个体与集体行为的演化。这避免了为每个交互场景手动编写脚本，让“故事”自然生长。

不适合的场景与边界：

  • 高精度商业仿真：该项目侧重于叙事和社会行为模拟，而非经济或物理系统的高保真仿真。
  • 即开即用的娱乐游戏：它更偏向实验平台，游戏性和目标性可能不如商业游戏明确，需要用户自己设定观察目标。
  • 完全离线、零配置：虽然支持本地模型，但需要用户自行部署和配置LLM服务（如Ollama, LocalAI, vLLM等），有一定技术门槛。
  • 内容安全：由于依赖底层大语言模型，生成的内容受模型本身的安全策略和训练数据影响。用户需对生成内容负责，避免用于制造虚假信息、进行人身攻击或产生其他有害内容。在涉及模拟敏感社会议题时，应保持审慎。

3. 环境准备与前置条件

在启动“AI小镇”之前，需要确保你的开发环境满足以下条件：

  1. 操作系统：支持 macOS, Windows (通过WSL或原生PowerShell) 和 Linux。项目说明中提到了Mac和Windows的版本，Linux通常兼容性最好。
  2. 运行环境：
    • Node.js (>= 18)：用于运行前端界面和后端部分服务。
    • Python (>= 3.9)：用于后端AI智能体逻辑及与LLM的交互。
    • 包管理工具：npm或yarn(用于Node.js包)，pip(用于Python包)。
  3. 大语言模型后端：这是项目的核心驱动引擎。你必须准备以下其中一种：
    • 云端API：OpenAI GPT系列、Anthropic Claude系列等。你需要相应的API Key。
    • 本地模型服务：例如使用Ollama部署的Llama 3、Mistral等开源模型，或使用LocalAI、vLLM等框架部署的模型。这需要你的机器有足够的GPU显存或CPU内存来运行所选模型。
  4. 代码仓库：使用Git克隆项目到本地。
  5. 网络：能正常访问GitHub、npm registry、pypi。如果使用云端API，需确保网络连接稳定。
  6. 磁盘空间：预留至少1-2GB空间用于存放项目代码、依赖包和日志。

4. 安装部署与启动方式

“AI小镇”的部署主要分为两部分：后端服务器和前端Web界面。以下是通用的部署步骤。

步骤一：克隆项目打开终端或命令行工具，执行以下命令：

git clone https://github.com/mewamew/my_ai_town.git cd my_ai_town

步骤二：安装后端依赖后端通常是一个Python服务。进入后端目录并安装依赖。

# 假设后端目录名为 `server` 或 `backend`，请根据项目实际结构进入 cd server pip install -r requirements.txt

如果项目使用Poetry或PDM，请参照项目README使用对应的命令。

步骤三：安装前端依赖前端通常是一个React或Vue应用。进入前端目录并安装依赖。

# 返回项目根目录，然后进入前端目录，如 `client` 或 `frontend` cd ../client npm install # 或使用 yarn install

步骤四：配置环境变量这是关键一步，你需要告诉项目如何连接你的LLM。在项目根目录或后端目录创建.env文件。

# .env 文件示例 # 使用 OpenAI API LLM_PROVIDER=openai OPENAI_API_KEY=sk-your-openai-api-key-here OPENAI_MODEL=gpt-4-turbo-preview # 或者，使用本地 Ollama 服务 # LLM_PROVIDER=ollama # OLLAMA_BASE_URL=http://localhost:11434 # OLLAMA_MODEL=llama3:8b # 服务器端口配置 SERVER_PORT=8000 CLIENT_PORT=3000

请根据你实际使用的LLM服务修改配置。务必保护好你的API Key，不要将其提交到代码仓库。

步骤五：启动本地LLM服务（如果使用本地模型）如果你选择使用Ollama运行本地模型，需要先启动Ollama服务并拉取模型。

# 安装并启动Ollama服务（请参考Ollama官网） # 拉取一个模型，例如 Llama 3 8B ollama pull llama3:8b # 确保服务在运行 ollama serve

步骤六：启动项目通常需要两个终端窗口分别启动后端和前端。

终端1 - 启动后端：

cd /path/to/my_ai_town/server python main.py # 或 app.py，根据项目实际入口文件

后端启动后，你应该看到类似Server running on http://127.0.0.1:8000的日志。

终端2 - 启动前端：

cd /path/to/my_ai_town/client npm run dev # 或 npm start

前端启动后，通常会提示Local: http://localhost:3000。

步骤七：访问Web界面打开浏览器，访问前端提示的地址（如http://localhost:3000）。你应该能看到“AI小镇”的图形化界面，包括地图、角色列表和控制面板。

5. 功能测试与效果验证

成功启动后，让我们通过几个关键操作来验证“AI小镇”是否运行正常。

5.1 初始化小镇与角色创建

  1. 目的：测试基础配置和角色生成功能。
  2. 操作：在Web界面找到“新建模拟”或“创建小镇”按钮。通常你需要：
    • 设置小镇名称（如“宁静山谷”）。
    • 定义初始角色数量（例如3-5个）。
    • 为每个角色设定基本信息：姓名、年龄、职业、初始性格描述（如“好奇的图书管理员”、“务实的铁匠”）、初始记忆或目标。
  3. 预期结果：系统成功创建小镇实例，并在界面地图上显示代表角色的图标或头像。右侧日志面板开始输出初始化信息，如“小镇‘宁静山谷’已创建”、“角色‘艾米莉’（图书管理员）已加入”。
  4. 成功判断：界面元素正常加载，角色列表可见，无错误弹窗。

5.2 观察自主交互与事件涌现

  1. 目的：验证AI智能体的核心能力——自主决策与交互。
  2. 操作：点击“开始模拟”或“运行”按钮。然后最小化操作，静观其变10-15分钟。
  3. 输入：无需额外输入，系统将基于时间推进和角色设定驱动事件。
  4. 预期结果：日志面板开始持续滚动，输出角色之间的对话、独白和行动描述。例如：
    • “上午9:00，艾米莉在图书馆遇到了铁匠约翰。”
    • “约翰：早上好，艾米莉。最近有什么有趣的新书吗？”
    • “艾米莉：有一本关于古代锻造工艺的书，我想你会感兴趣……”
    • “下午2:00，约翰在铁匠铺尝试根据书中的描述改进一把匕首。”
  5. 成功判断：日志内容连贯、符合角色设定，并且能看出事件之间存在逻辑关联（如上例中的“借书”引发了后续的“锻造尝试”），这表明智能体具备基于记忆和上下文进行决策的能力。

5.3 主动干预与事件引导

  1. 目的：测试用户干预系统运行的能力。
  2. 操作：在模拟运行过程中，找到“添加事件”或“发送指令”的输入框。
  3. 输入：输入一个外部事件，例如：“一场突如其来的暴雨袭击了小镇，所有人都躲进了社区中心。”
  4. 预期结果：系统将此事件作为新的上下文注入。日志应显示角色们对这个突发事件的反应，例如：“暴雨来临，约翰急忙收起铺子外的工具，跑向社区中心。”“艾米莉在社区中心遇到了惊慌的居民，她试图讲故事安抚大家。”
  5. 成功判断：角色的后续行为和对话能体现出对用户输入事件的合理反应，证明了系统的可干预性。

5.4 长期记忆与关系演化验证

  1. 目的：测试AI智能体是否具备超越单次会话的长期记忆，以及关系是否会随时间变化。
  2. 操作：让模拟运行较长时间（如虚拟时间1-2天），或使用加速功能。重点关注两个有交互的角色。
  3. 观察点：
    • 记忆引用：角色A在后续对话中，是否提及了之前与角色B发生的特定事件？（例如，“还记得昨天那场暴雨吗？”）
    • 关系变化：系统界面是否有显示角色间“亲密度”、“信任度”等关系数值的变化？或者从对话语气中是否能感知到关系升温或恶化？
  4. 成功判断：能观察到基于历史交互产生的记忆引用和关系动态变化，这表明项目实现了某种形式的向量存储或记忆管理机制。

6. 接口API与批量任务

“AI小镇”的核心是一个后端服务，它很可能提供了API接口，允许开发者以编程方式与之交互，实现自动化或集成到其他系统中。

6.1 API接口概览

通过检查后端代码或Swagger文档（如果提供），通常可以找到以下类型的接口：

  • GET /api/simulations：获取当前所有模拟实例列表。
  • POST /api/simulations：创建一个新的模拟实例。
  • GET /api/simulations/{id}：获取特定模拟的详细信息（角色、状态、历史）。
  • POST /api/simulations/{id}/actions：向特定模拟注入一个自定义事件或指令。
  • GET /api/simulations/{id}/events：以流式或分页方式获取模拟的事件日志。
  • POST /api/characters：创建独立于模拟的AI角色模板。

6.2 API调用示例

假设后端运行在http://localhost:8000。

示例1：创建模拟

import requests import json url = "http://localhost:8000/api/simulations" headers = {"Content-Type": "application/json"} payload = { "name": "API创建的小镇", "description": "通过API接口创建的测试小镇", "config": { "initial_characters": [ {"name": "Alice", "traits": ["inventive", "solitary"], "goal": "修复一台旧收音机"}, {"name": "Bob", "traits": ["pragmatic", "community-minded"], "goal": "让小镇广场更整洁"} ] } } response = requests.post(url, headers=headers, data=json.dumps(payload)) if response.status_code == 201: simulation_id = response.json().get("id") print(f"模拟创建成功！ID: {simulation_id}") else: print(f"创建失败: {response.status_code}, {response.text}")

示例2：向模拟发送指令

simulation_id = "your_simulation_id_here" action_url = f"http://localhost:8000/api/simulations/{simulation_id}/actions" action_payload = { "type": "user_event", "content": "小镇的东边森林发现了一处神秘的发光洞穴。", "priority": "high" } response = requests.post(action_url, headers=headers, data=json.dumps(action_payload)) print(f"指令发送状态: {response.status_code}")

示例3：流式获取事件日志

# 使用 curl 进行 Server-Sent Events (SSE) 订阅 curl -N http://localhost:8000/api/simulations/{simulation_id}/events/stream

6.3 批量任务与自动化

利用API，你可以设计批量任务，例如：

  • 批量场景测试：编写脚本，自动创建数百个不同初始条件的小镇，运行固定时长后，收集关于冲突发生频率、合作事件数量的统计数据。
  • 剧情线探索：针对同一个初始小镇，使用不同的干预指令（“引入外来者”、“资源短缺”），批量运行，然后对比生成的故事线，用于游戏剧情分支设计。
  • 模型对比：保持小镇初始状态一致，但切换后端连接的LLM（如GPT-4 vs Claude vs 本地Llama），批量运行后分析不同模型生成的社会动态差异。

关键建议：在批量任务中，务必为每个模拟实例设置唯一的标识符，并做好日志记录。考虑加入延迟和错误重试机制，避免对API服务造成过大压力。

7. 资源占用与性能观察

“AI小镇”项目本身的资源消耗很低，主要压力来自于其调用的大语言模型后端。因此，性能观察的重点在于LLM服务。

  1. LLM API调用延迟：

    • 观察方法：打开浏览器开发者工具（F12）的“网络”选项卡，查看前端与后端通信的请求耗时。或者直接在后端服务日志中查看每个LLM调用的响应时间。
    • 影响因素：云端API的延迟取决于网络和API提供商；本地模型的延迟取决于模型大小、你的硬件性能（GPU/CPU）和推理参数。
    • 体验影响：高延迟会导致小镇“时间”流逝变慢，角色响应不连贯。如果使用云端API，需注意费用和速率限制。

  2. 本地模型资源占用：

    • 观察方法：使用nvidia-smi（NVIDIA GPU）或htop/任务管理器（CPU/内存）来监控。
    • 典型情况：运行一个70亿参数（7B）的量化模型（如Llama-3-8B-Instruct-q4_K_M），在GPU上可能需要4-8GB显存；在CPU上推理会占用大量内存和CPU时间，且速度慢很多。
    • 优化方向：使用量化程度更高的模型（如q3_K_S），降低推理的max_tokens（单次生成最大长度），或升级硬件。

  3. 项目自身资源：

    • 内存：后端Python服务会维护角色记忆、世界状态等，长时间运行或角色众多时，内存会缓慢增长。定期重启服务可以缓解。
    • 磁盘：日志文件和可能的事件数据库会逐渐增大，需定期清理或配置日志轮转。

  4. 并发与扩展性：

    • 单个后端实例同时处理多个活跃的“小镇”模拟可能会力不从心，导致响应变慢。
    • 如果需要进行大规模批量实验，建议采用队列（如Redis）和工作进程（Celery）架构，将每个模拟作为独立任务处理。

8. 常见问题与排查方法

问题现象可能原因排查方式解决方案
前端页面无法打开1. 前端服务未启动。
2. 端口被占用。
3. 代理或防火墙阻止。		1. 检查前端终端是否运行，有无报错。
2. 执行netstat -ano | findstr :3000(Win) 或lsof -i:3000(Mac/Linux) 查看端口占用。
3. 检查浏览器控制台错误。		1. 确保在client目录执行了npm run dev。
2. 更换端口：在package.json或启动命令中修改PORT环境变量。
3. 关闭系统代理或防火墙临时测试。
后端启动失败1. Python依赖未安装或版本冲突。
2..env配置文件缺失或错误。
3. 指定端口被占用。		1. 查看后端启动命令的报错信息，通常是ModuleNotFoundError。
2. 检查项目根目录或server目录下是否存在正确的.env文件。
3. 检查端口占用情况。		1. 在虚拟环境中重装依赖：pip install -r requirements.txt。
2. 根据模板创建或修正.env文件，确保API Key等配置正确。
3. 更换SERVER_PORT环境变量或命令行参数。
创建角色或事件无响应1. LLM服务未连接或配置错误。
2. API Key无效或余额不足。
3. 本地模型未加载。		1. 查看后端日志，是否有连接LLM服务超时或认证失败的报错。
2. 测试LLM服务本身是否正常（如用curl调用Ollama）。
3. 检查.env中的LLM_PROVIDER和模型名称。		1. 确保Ollama等服务已启动且运行在正确端口。
2. 验证云端API Key的有效性和额度。
3. 确认.env配置与所用服务匹配。
角色行为重复或不符合设定1. LLM模型能力限制。
2. 角色初始提示词（Prompt）设计不佳。
3. 温度（Temperature）参数设置过低。		1. 检查单个角色的输出是否过于单调。
2. 审查项目中定义角色性格和目标的Prompt模板。
3. 查看后端调用LLM时的参数。		1. 尝试更强大的模型（如从7B升级到70B，或使用GPT-4）。
2. 优化角色描述，使其更具体、更具冲突性。
3. 适当提高生成温度（如从0.7调到0.9），增加随机性。
模拟运行一段时间后卡住或崩溃1. 内存泄漏（长时间运行积累）。
2. LLM API调用达到速率限制。
3. 生成了不符合预期的内容导致解析错误。		1. 监控后端进程内存使用情况。
2. 查看日志中是否有“rate limit”或“quota exceeded”错误。
3. 检查崩溃前的最后几条日志。		1. 定期重启后端服务。
2. 为云端API增加请求间隔，或升级套餐。
3. 在后端代码中增加对LLM返回内容的异常处理和日志记录。

9. 最佳实践与使用建议

  1. 从小规模开始：首次运行时，先创建2-3个角色的小镇，观察基础交互是否正常。再逐步增加角色数量和复杂度。
  2. 精心设计角色：角色的初始描述（性格、目标、记忆）是涌现故事的种子。避免使用过于宽泛的词汇（如“善良”），而是用具体的行为倾向来描述（如“经常分享食物给邻居”）。
  3. 善用“干预”功能：不要只做旁观者。当故事陷入循环或停滞时，适时地通过添加外部事件来注入新的变量，这能产生更有趣的剧情转折。
  4. 日志是宝藏：将运行日志保存下来。这些日志不仅是故事记录，更是分析AI行为模式的宝贵数据。你可以编写脚本对日志进行关键词提取、情感分析或关系图谱构建。
  5. 模型选择策略：
    • 探索与创意：需要丰富、出乎意料的故事时，选择能力更强的模型（如GPT-4）或调高温度参数。
    • 成本与可控性：需要稳定、低成本运行批量实验时，选择性能足够的开源模型（如Llama 3 8B），并调低温度参数。
  6. 项目管理：为不同的实验目标创建独立的项目分支或配置文件。例如，一个分支专门测试“资源竞争”，另一个分支测试“信息传播”。
  7. 合规与伦理思考：在模拟涉及欺骗、冲突、灾难等主题时，始终保持清醒。明确这只是一个实验工具，其生成内容不代表任何真实立场。避免用其生成可用于误导或伤害他人的内容。

10. 总结与下一步

“AI小镇”项目将一个宏大的命题——AI时代的社会矛盾——拆解成了一个可触摸、可实验的技术沙盒。它最值得尝试的点在于，用极低的成本，让你亲身体验到“多智能体”和“涌现行为”这两个核心概念。你不是在阅读论文，而是在观察一个动态系统的演化。

对于初次使用者，建议最先验证“自主交互”和“长期记忆”这两个核心功能。如果角色能基于简单的设定进行有逻辑的对话，并在后续互动中引用之前的对话，那么这个项目的基本盘就稳了。

最容易踩的坑主要集中在环境配置，尤其是LLM后端的连接上。务必耐心检查.env配置文件和网络连接。另一个常见问题是对生成内容质量期待过高，需要理解当前LLM的局限性，并通过优化角色Prompt和适时干预来引导。

下一步，你可以：

  • 深度定制：修改后端代码，为角色添加更复杂的属性（如体力、财富、技能），模拟更精细的社会系统。
  • 可视化增强：改进前端界面，用更丰富的图表展示角色关系网络、情绪变化趋势或事件类型统计。
  • 外部集成：将“AI小镇”作为剧情引擎，接入到文字冒险游戏或互动小说平台中。
  • 定量研究：设计对照实验，用数据来回答诸如“在何种初始条件下，合作更容易涌现？”等问题。

这个项目就像一台社会学的“显微镜”，虽然模拟的世界是虚拟的，但它引发的关于AI行为、社会结构和人机交互的思考，却是非常真实的。建议收藏本文，在部署和实验过程中遇到问题时，可以快速回溯排查。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/9/4 17:52:36

智能车竞赛全国亚军：从零到一的工程化开发与系统集成实战

如果你是一名参加过智能车竞赛的学生，或者正在准备参赛，看到“全国亚军”这个成绩时，你可能会想：他们到底强在哪里？是用了什么“黑科技”传感器，还是写了惊为天人的控制算法？又或者，…

作者头像 李华
网站建设 2026/9/4 17:48:32

Minecraft文字消失怎么办？从字体渲染到录屏输出的排查指南

“我文字呢？！” 这句话，几乎每一个玩 Minecraft 的人都在某个瞬间喊出来过。如果把它拆开看，vidsaminecraft 这个关键词背后，往往是一次录屏复盘、一次教程录制或者一次直播回放的现场。你正开着录像，准备给…

作者头像 李华
网站建设 2026/9/4 14:35:35

JavaWeb实战：从零开发图书借阅管理系统，掌握Servlet到JDBC核心架构

简介：一套可供课程设计和毕业设计直接参考的基于JavaWeb的图书借阅管理系统，采用JSPJavaBeanMySQLTomcat实现，覆盖读者端和管理员端完整功能流程。读者可完成注册登录、查询借阅图书、查看借阅历史、归还图书及个人信息修改；管理员…

作者头像 李华
网站建设 2026/9/5 4:06:35

数字人直播如何避免录播感？OBS画面与音频去重实战指南

做数字人直播，很多人一开始就把方向定错了。他们以为难点在“怎么用 AI 生成一个数字人”，于是反复试口播视频工具，试文字转声音，试形象驱动，最后生成了一条看起来还不错的视频，扔进直播软件开始循环播放。…

作者头像 李华
网站建设 2026/9/4 21:16:27

手撕Transformer：PyTorch实现与训练实战指南

手撕 Transformer 这件事，很多人一开始会觉得特别难，尤其是看到 QKV、多头注意力、位置编码这些名词堆在一起时，很容易劝退。但等你真正把一个可运行的 PyTorch 代码从头写到尾，再看到 loss 一点点降下去，会发现 Trans…

作者头像 李华
网站建设 2026/9/4 21:13:51

马自达EZ-6澳洲碰撞测试解析：新能源安全与增程技术深度评测

2025 款马自达 EZ-6 最近在海外市场动作不少，尤其是澳洲车辆测试机构的全面测试结果出来之后，很多人在问这台车到底什么水平。这次我们直接把它拆开看：测试机构重点考察了哪些维度、EZ-6 在安全、三电、智能座舱和辅助驾驶上的真实表现、以及…

作者头像 李华