企业官网建设流程全解析

用Python+LLM构建智能体沙盒：从零实现25个AI角色的行为模拟

在游戏开发、社交模拟和自动化测试领域，构建可信的AI行为一直是个技术难题。传统方法要么依赖繁琐的状态机规则，要么需要海量的训练数据。现在，借助大语言模型(LLM)和Python生态，开发者可以快速创建具有记忆、规划和社交能力的智能体系统。本文将带你用不到200行核心代码，搭建一个简化版的斯坦福AI小镇模拟环境。

1. 环境搭建与基础架构

我们需要三个核心组件：LLM交互层、记忆管理系统和沙盒环境接口。以下是推荐的技术栈：

# 基础依赖 pip install openai python-dotenv numpy sentence-transformers fastapi uvicorn

系统架构对比表：

创建基础Agent类时，我们需要定义几个关键属性：

class GenerativeAgent: def __init__(self, name, description): self.name = name self.description = description # 角色背景设定 self.memory_stream = [] # 记忆列表 self.current_plan = [] # 当前行动计划 self.location = "广场" # 初始位置

提示：使用.env文件管理API密钥，避免硬编码。国内开发者可以考虑使用Moonshot、DeepSeek等兼容OpenAI API的国产大模型。

2. 记忆系统的工程实现

记忆流(Memory Stream)是智能体的核心组件，需要处理三种关键特性：

1. 近期性(Recency)：最近的事件权重更高
2. 重要性(Importance)：关键事件需要长期记住
3. 相关性(Relevance)：与当前情境关联的内容

实现记忆检索的函数示例：

def retrieve_memories(self, query_embedding, top_k=5): # 计算记忆的相关性得分 scores = [] for memory in self.memory_stream: recency = math.exp(-0.1 * (time.now() - memory.timestamp).hours) importance = memory.importance / 10 # 0-10分制 relevance = cosine_similarity(query_embedding, memory.embedding) composite_score = recency + importance + relevance scores.append((composite_score, memory)) # 返回得分最高的记忆 return sorted(scores, reverse=True)[:top_k]

记忆系统优化技巧：

• 对长期记忆进行定期摘要(Reflection)
• 为不同类型记忆设置不同衰减系数
• 使用向量数据库优化大规模记忆检索

3. 行为规划与决策引擎

智能体的日常行为需要分层规划：

1. 每日大纲：早晨生成的粗略计划（如"上午工作，下午社交"）
2. 小时计划：分解为具体活动（如"9:00-10:00 在咖啡厅写作"）
3. 即时动作：根据环境变化实时调整（如"与遇到的熟人聊天"）

实现计划生成的代码框架：

def generate_plan(self): # 生成每日大纲 prompt = f"{self.description}\n当前时间：早上8点\n请生成今日计划大纲：" daily_plan = llm_query(prompt) self.add_memory(f"制定每日计划：{daily_plan}", importance=7) # 分解为具体时段计划 for chunk in split_daily_plan(daily_plan): detail_prompt = f"将'{chunk}'分解为具体活动，考虑角色特点：{self.description}" detailed_actions = llm_query(detail_prompt) self.current_plan.extend(parse_actions(detailed_actions))

注意：实际项目中应该添加计划冲突检测和资源占用检查，避免多个智能体同时前往同一地点。

4. 多智能体社交模拟

当两个智能体相遇时，对话系统按以下流程工作：

1. 检索彼此相关的记忆（过去互动、共同朋友等）
2. 生成符合角色性格的初始对话
3. 根据对方回应动态延续话题
4. 将对话内容存入双方记忆

def generate_dialogue(self, other_agent): # 检索与对方相关的记忆 context_memories = self.retrieve_memories(other_agent.name) # 构建对话提示 prompt = f""" {self.description} 相关背景：{context_memories} 当前地点：{self.location} 遇到：{other_agent.name}（{other_agent.description}） 请生成自然对话开场白： """ opening_line = llm_query(prompt) self.add_memory(f"与{other_agent.name}对话：{opening_line}", importance=5) return opening_line

社交行为优化点：

• 为不同关系级别设置对话风格（陌生/朋友/亲密）
• 添加非语言交互（表情符号、肢体动作）
• 模拟信息传播的保真度

5. 沙盒环境与可视化

使用FastAPI搭建简单的Web界面：

from fastapi import FastAPI from fastapi.staticfiles import StaticFiles app = FastAPI() app.mount("/static", StaticFiles(directory="static"), name="static") @app.get("/agent/{agent_id}") async def get_agent_state(agent_id: int): agent = agents[agent_id] return { "name": agent.name, "location": agent.location, "current_action": agent.current_plan[0] if agent.current_plan else "空闲", "recent_memories": [m.text for m in agent.memory_stream[:3]] }

前端可以使用Three.js或Phaser.js实现2D/3D可视化，关键是要显示：

• 智能体的实时位置
• 当前执行的动作
• 最近的重要记忆
• 社交关系网络图

在项目后期，可以添加以下高级功能：

• 环境物品的交互系统
• 天气和时间的影响因子
• 突发事件模拟（如公共活动）
• 长期关系发展算法

开发这类系统时最常见的挑战是LLM的响应延迟和API成本。我们可以通过以下方式优化：

1. 对非关键决策使用较小模型
2. 实现对话和计划的本地缓存
3. 批量处理多个智能体的请求
4. 设置合理的速率限制和退避策略

一个实用的调试技巧是为每个智能体创建日志文件，记录其决策过程和内存状态变化。当出现不符合预期的行为时，可以追溯完整的推理链条。