Generative agent-based modeling with actions grounded in physical, social, or digital space using Concordia

代理模型已经存在数十年，并广泛应用于社会和自然科学领域。随着大型语言模型（LLM）提供的新功能被吸收，这种研究方法的范围现在有望大幅增长。生成式代理模型（GABM）不仅是传统的代理模型（ABM），其中代理之间进行交流。相反，GABM使用LLM来将常识应用于情境，表现“合理”，回忆常见的语义知识，产生API调用以控制数字技术，以及在模拟内部和对从外部观察它的研究人员进行通信。在这里，我们介绍Concordia，这是一个库，用于促进构建和处理GABM。Concordia使得构建语言介导的物理或数字基础环境的模拟变得容易。Concordia代理使用一个灵活的组件系统来产生它们的行为，该组件系统在LLM调用和联想记忆检索之间进行调解。一个名为Game Master（GM）的特殊代理受桌面角色扮演游戏的启发，负责模拟代理相互作用的环境。代理通过用自然语言描述他们想做的事情来采取行动。然后，GM将他们的行动翻译成适当的实现。在模拟的物理世界中，GM检查代理行动的物理合理性并描述它们的影响。在模拟应用程序和服务等技术的数字环境中，GM可能处理API调用，以与外部工具（如Bard，ChatGPT）和数字应用程序（如日历，电子邮件，搜索等）集成。Concordia旨在支持广泛的应用，无论是在科学研究中还是通过模拟用户和/或生成合成数据来评估真实数字服务的性能。

本论文旨在探讨利用大型语言模型（LLM）构建生成式基于代理的模型（GABM），并提供一个名为Concordia的库以便于构建和操作GABM。该方法的目的是在物理或数字环境中进行语言中介模拟。

论文提出了一种新的方法，即利用LLM来处理常识、行为生成和API调用等任务，以构建GABM。在GABM中，特殊的代理Game Master（GM）负责模拟环境，而其他代理则通过自然语言描述其行为。Concordia库提供了一个灵活的组件系统，用于介于LLM调用和联想存储检索之间的行为生成。该方法的创新点在于将LLM应用于代理模型中，以便于在物理或数字环境中进行语言中介模拟。

本论文的亮点包括提出了一种新颖的方法，即利用LLM构建GABM，并提供了一个名为Concordia的库以便于构建和操作GABM。此外，论文还介绍了一个特殊的代理Game Master（GM）来模拟环境，以及使用自然语言描述代理行为的方法。实验设计包括在物理和数字环境中进行模拟，并使用了不同的数据集进行评估。

在相关研究方面，最近的一些工作包括利用深度强化学习构建的代理模型和使用自然语言处理进行环境交互的方法。其中一些论文包括：“Learning to Simulate Complex Physics with Graph Networks”和“Language as an Abstraction for Hierarchical Deep Reinforcement Learning”。