Smallville 的聚会为什么只来了五个人

Smallville 的咖啡馆要办情人节聚会，12 个角色收到邀请，最后来了 5 个。比起小镇里的人互相聊天，这个数反而更让我想往下读：没来的七个人是忘了、临时有事，还是程序只让他们嘴上说愿意，却没安排后续？

没来的七个人，不都是“忘了”

Generative Agents 后来真去问了这些角色：

• 三人有时间冲突，其中画家 Rajiv 在忙着准备展览，没空再安排情人节活动；
• 四人说自己有兴趣，但当天没把赴约写进计划。

Rajiv 的理由是访谈里的原话：

I’m focusing on my upcoming show, and I don’t really have time to make any plans for Valentine’s Day.

所以不能把七个人统称为“忘记了”。至少从系统留下的回答看，有安排冲突，也有从意愿到计划没接上的。这些数字和回答都来自论文的社会行为观察（§7.1.2），我没有复现。

图源：论文 Figure 1，版权归原作者。

小镇有 25 个角色，研究者给了他们初始背景，也给了咖啡馆经营者 Isabella 一个办聚会的意图。两天模拟里，消息靠交流传开，知道聚会的人从 1 个（4%）变成 13 个（52%）。这里的“知道”按交流中听说过来统计，不等于收到邀请，更不等于答应到场。论文还专门核查过有没有角色假称知道，结论是没有一个是编出来的（§7.1.2）。

人物会聊天当然显眼，但要让聊天影响下午去哪，消息得先存下来，安排活动时再取出来。

一句邀请要走完记忆、规划、执行三段

系统把观察、对话和行动写进 memory stream。决定下一步时，按三个分数挑一部分记忆：

分数	看什么	论文里怎么算（§4.1）
相关性	和眼下的处境对不对得上	查询与记忆的余弦相似度
近期程度	隔了多久	按距上次被检索的游戏内小时数指数衰减，因子 0.995
重要性	这件事本身的分量	让模型直接打 1–10 分

三个分数先各自 min-max 归一，权重 α 全设为 1，加起来排序。取多少条也没有固定的 top-k：排在前面的记忆，能塞进上下文窗口多少就塞多少。

所以一句邀请进入历史后，并不会马上变成要执行的日程。模型规划一天时要先取到相关信息，把活动放进安排，再逐步拆到小时、拆到五至十五分钟的动作；环境程序接着执行移动和物体操作，人物才会真的出现在咖啡馆。

按 §4.3 的写法，第一层是把一天切成五到八块的粗计划，每条计划带地点、开始时间和时长，计划本身也写回记忆流，必要时可以中途改。也就是说，“去咖啡馆”要变成一条有地点有钟点的记录才算数，嘴上答应不算。

那四个有兴趣却没列进计划的人，被问“想不想去”时可以答想去；但要在具体时间改变行动，得靠规划产出一次赴约。论文没有替这四人逐一找到出错的那条记忆权重，所以不能猜是哪个召回参数造成了缺席。能确定的是，检查范围可以从笼统的“Agent 不记事”，缩到邀请怎样进入计划这一段。

消融数字：规划这一环最不能省

论文的消融（§6.5.1、Figure 8）让 100 名真人在五个条件之间比较访谈回答的可信度，用 TrueSkill 打分：

条件	TrueSkill μ
完整架构	29.89
去掉反思	26.88
去掉反思和规划	25.64
人类众包写手	22.95
观察、反思、规划全去掉	21.21

每去掉一层，分数就掉一档，去掉规划之后掉到 25.64，比只去反思再低一截。这和聚会的观察对得上：“知道”这一步问题不大，缺的往往是“排进日程”。要注意这是对访谈回答的可信度评分，不是到场率这类任务指标。

另一个数字也指向同一处。在 453 条关于其他角色的回答里，被判为幻觉的只有 1.3%（6 条），§6.5.2 的小标题就叫“Generative Agents Remember, but With Embellishments”。记忆本身很少凭空编造，更多是在真实记忆上添油加醋。所以我更倾向把问题放在“怎么用记忆排计划”，而不是“记忆坏了”。

画像写得再丰富，也替代不了几点去哪

系统还有反思：把一些观察概括成更高层的判断，记下所依据的记忆编号，供后续使用。比如角色多次接触某个主题，反思可以概括出他的兴趣，这和保存每次原话是两种用途。记下编号，每条概括都能回到它依据的那几次观察，不会只剩一句没出处的判断。

机制本身很朴素（§4.2）：

1. 最近事件的重要性分数累加超过 150，就触发一次反思，实际每天两三次；
2. 拿记忆流里最近 100 条记录，先让模型提 3 个最突出的高层问题；
3. 再按这些问题检索，要 5 条高层洞见，每条带着指向所依据记忆的指针；
4. 反思还能再引用反思，长成一棵“反思树”。

反思能帮人物在一段时间里保持行为倾向，也可能添出不够准确的印象。聚会这件事提醒我：角色画像写得再丰富，也替代不了“某天几点去哪”这样的具体安排。

五个人之外，论文自己认的错

旧的解释只盯着召回，论文 §7.2 “Boundaries and Errors”其实还列了三类跑歪的情况：

• 记忆越攒越多，检索和选址变差，有角色午饭跑去了酒吧；
• 物理和社会规范没写清就会判断错，比如不知道店几点关门还往里走，把宿舍浴室当成公用的；
• 指令调优让角色整体“更有礼貌、更配合”，Isabella 几乎不拒绝别人的提议，久而久之自己的兴趣被别人带着走。

第三条最有意思，它恰好落在聚会发起人身上。一个几乎不说“不”的角色，能把消息传给很多人，却未必能让别人把她的事排在自己的事前面。这只是我的联想，论文没把它和到场率连起来。

§8.2 的局限也值得记一笔：评测只在较短的时间尺度和一个众包基线上做过，而且记忆可以被攻击，一段精心构造的对话就能让角色相信一件从没发生过的事。既然一句邀请能顺着记忆走到计划里，一句假话也能。

跑一个小镇要多少钱，后来又变成了什么

聚会意图和人物背景是研究者设的，之后消息怎么传、人物怎么安排活动，留下了可以观察的过程。公开代码与演示里，一句邀请要经过收到消息、规划日程、执行移动，人物才会走进咖啡馆。

代价不低。论文用的是 gpt-3.5-turbo，25 个角色跑两天就花掉“数千美元的 token 额度”，还要跑好几天（§8.2）；附录 A 给的省法是低层计划临近时才展开、缓存角色概要。代码仓库的 README 也说得直白：要自己在 utils.py 里填 OpenAI key，触到每小时限额 API 会挂住、可能得重启模拟，角色多了费用不小。

今天最直接的工程化版本是 a16z 的 AI Town，README 写明受这篇论文启发，改成 JS/TS 框架，后端用 Convex 管共享状态和向量检索，默认跑本地 Ollama 上的 llama3。论文里“能塞多少记忆就塞多少”，在这里变成了 constants.ts 里的 NUM_MEMORIES_TO_SEARCH 一个常数；页面空闲 5 分钟模拟就暂停，成本被显式管了起来。

学术上有两条方向相反的后续：

• 同一作者组把方法搬到访谈驱动的个体模拟：1052 名美国人，用访谈建的角色在问卷上的回答，分别达到被试自己两周重测一致性的 83%（只用访谈）、82%（只用问卷）、86%（两者合用），只用人口学信息的只有 74%。
• Taillandier 等人批评这类工作主要评估涌现行为“可信、自洽”，而不是它和真实数据对不对得上。

我觉得两条都站得住。Smallville 证明了“像人”可以做出来，十二个人来五个的结果也很像人；但像不像真实小镇里的人，这篇论文没测，也不打算测。