Download GenerativeAgentsCN - Download do código-fonte GenerativeAgentsCN

GenerativeAgentsCN

Outro código-fonte

1.0.0

Baixar

Chinês Simplificado | Inglês

Agentes Geradores (Agentes Geradores) versão chinesa detalhada

Stanford AI Town foi aberto pela Universidade de Stanford e pelo Google em agosto de 2023. É um mundo virtual composto por 25 agentes que simula a vida humana real.

25 agentes são totalmente conduzidos pelo ChatGPT e podem organizar festas, participar de reuniões e planejar diversas atividades para o Dia dos Namorados de forma independente. Eles podem exibir padrões de vida e hábitos comportamentais semelhantes aos humanos.

O código original dos Agentes Geradores possui baixo grau de engenharia, dificultando a manutenção ou expansão contínua de suas funções. Além disso, depois de mais de um ano, as capacidades do LLM chinês já estão qualificadas para tais tarefas. Portanto, reconstruímos e localizamos em profundidade o projeto original, com o objetivo de fornecer aos usuários chineses uma versão básica e de fácil manutenção para experimentos subsequentes ou para tentar mais jogabilidade.

O projeto Wonderland é uma versão reconstruída do projeto Generative Agents original. Possui uma boa estrutura e a qualidade do código é muito melhor que a versão original. Portanto, este projeto é desenvolvido com base no Wonderland.

Trabalho principal:

Reescrever todos os prompts e mudar o “idioma nativo” do agente para chinês para facilitar o acoplamento com modelos chineses como Qwen-2.5 ou GLM-4;
Com base nas características dos chineses e nas capacidades do modelo Qwen2.5-7b/14b, otimizar os prompts chineses e a lógica de início e fim do diálogo entre os agentes;
Todos os prompts são modelados para facilitar a manutenção posterior;
Corrigidos pequenos problemas na versão original (por exemplo, o agente na versão original de Wonderland não acorda mais depois de adormecer);
Adicione suporte para a API local do Ollama e também conecte a incorporação do LlamaIndex ao Ollama para obter implantação local completa e reduzir custos experimentais. Para instalação e configuração do Ollama, consulte ollama.md ;
Adicionados recursos como "recuperação de breakpoint";
A interface de reprodução é simplificada com base no código front-end original do Generative Agents, e a linha do tempo das atividades do agente e o conteúdo do diálogo são salvos em documentos Markdown.

Tela de reprodução:

instantâneo

Nota: Os nomes dos mapas e dos caracteres também são sincronizados em chinês para evitar que o LLM mude para o contexto em inglês ao encontrar contextos mistos em chinês e inglês.

1. Preparação

1.1 Obtenha o código:

 git clone https://github.com/x-glacier/GenerativeAgentsCN.git
cd GenerativeAgentsCN

1.2 Configurar modelo de linguagem grande (LLM)

Modifique o arquivo de configuração generative_agents/data/config.json :

Ollama é usado por padrão para carregar modelos de quantização locais e fornece APIs compatíveis com OpenAI. Você precisa primeiro extrair o modelo quantitativo (consulte ollama.md) e garantir que base_url e model sejam consistentes com a configuração no Ollama.
Se quiser chamar APIs de outros fabricantes, você precisa preencher a chave correspondente em api_keys e modificar base_url e model de acordo com a documentação da API.

1.3 Instale dependências python

Recomenda-se usar primeiro o anaconda3 para criar e ativar o ambiente virtual:

 conda create -n generative_agents_cn python=3.11
conda activate generative_agents_cn

Instale dependências:

 pip install -r requirements.txt

2. Administre uma cidade virtual

 cd generative_agents
python start.py --name sim-test --start "20240213-09:30" --step 10 --stride 10

Descrição do parâmetro:

name - Cada vez que você inicia a cidade virtual, você precisa definir um nome exclusivo para reprodução posterior.
start - a hora de início da cidade virtual.
resume - Após a execução terminar ou ser interrompida inesperadamente, continue executando a cidade virtual a partir do último "ponto de interrupção".
step - o número de etapas de iteração após as quais interromper a execução.
stride - o tempo (minutos) correspondente a cada iteração na cidade virtual. Se --stride 10 estiver definido, as mudanças de horário da cidade virtual durante o processo de iteração serão 9h, 9h10, 9h20...

3. Reprodução

3.1 Gerar dados de reprodução

 python compress.py --name <simulation-name>

Após a conclusão da operação, o arquivo de dados de reprodução movement.json será gerado no diretório results/compressed/<simulation-name> . Ao mesmo tempo, simulation.md será gerado para apresentar o status e o conteúdo do diálogo de cada agente em uma linha do tempo.

3.2 Iniciar serviço de reprodução

 python replay.py

Abra a página de replay através do navegador (endereço: http://127.0.0.1:5000/?name=<simulation-name> ), e você poderá ver as atividades dos moradores da cidade virtual em vários períodos de tempo.

Você pode mover a tela com as teclas de seta

Descrição do parâmetro

name - o nome definido ao iniciar a cidade virtual.
step - o número da etapa inicial da reprodução, 0 significa iniciar a reprodução a partir do primeiro quadro, o valor padrão é 0.
speed - velocidade de reprodução (0-5), 0 é a mais lenta, 5 é a mais rápida e o valor padrão é 2.
zoom - a taxa de zoom da tela, o valor padrão é 0,8.

Os dados de reprodução nomeados example (gerados por qwen2.5:32b-instruct-q4_K_M) estão integrados na versão de lançamento. Se você deseja iniciar a reprodução desde o início em uma velocidade mais rápida e a taxa de zoom da tela for 0,6, o URL correspondente é: http://127.0.0.1:5000/?name=example&step=0&speed=2&zoom=0.6

Você também pode abrir simulação.md diretamente para visualizar todas as atividades dos personagens e informações de diálogo no example .