Real Agents

真正的代理商

中文|英語

真實代理是一個計劃框架，將傳統人工智能方法與大語言模型（LLM）相結合，適用於生成的AI代理。它包括一個Unity插件和演示項目。

該項目開發的原因是要完成我的本科論文（設計）和我對遊戲AI的個人興趣。

先決條件知識

大型語言模型可以執行推理，決策和計劃問題。我們已經有許多成熟的代理框架來幫助用戶操作一些工具，例如搜索文檔和創建網頁。

但是我認為在遊戲中實施它時有幾個問題：

難以調試：如果行為執行依賴於LLM，它將帶來難以估計的令牌用法以及如何處理代理異常；

緩慢的響應：例如，如果遊戲中的狀態發生變化，我們可能需要重建提示單詞和上下文。如果讓NPC像生成AI一樣生成計劃，則需要大量時間等待LLM生成，而LLM不能應用於實時遊戲。

因此，我試圖根據傳統的AI方法製作LLM，允許代理通過了解狀態數量和行為之間的關係來計劃，而行為執行和狀態監控由程序完成，並且代理只會在狀態更改時觸發計劃行動。 。

特徵

1. 結合面向目標的行動計劃（GOAP）
2. 代理人根據遊戲中定義的一組行為直接計劃
3. 代理商根據GOAP計劃者學習並製定計劃

依賴性

{
  "dependencies" : {
    "com.cysharp.unitask" : " https://github.com/Cysharp/UniTask.git?path=src/UniTask/Assets/Plugins/UniTask " ,
    "com.huggingface.sharp-transformers" : " https://github.com/AkiKurisu/sharp-transformers.git " ,
    "com.kurisu.akiai" : " https://github.com/AkiKurisu/AkiAI.git " ,
    "com.kurisu.akibt" : " https://github.com/AkiKurisu/AkiBT.git " ,
    "com.kurisu.akiframework" : " https://github.com/AkiKurisu/AkiFramework.git " ,
    "com.kurisu.akigoap" : " https://github.com/AkiKurisu/AkiGOAP.git " ,
    "com.kurisu.unichat" : " https://github.com/AkiKurisu/UniChat.git "
  }
}

直接經驗

從發布頁面下載Windows Build版本

原則

1. 首先使用LLM根據GOAP數據標記操作和目標。

2. 讓代理商和規劃師在運行時基於世界各州（世界州）生成和搜索計劃。

3. 比較計劃，LLM在內存上反映和迭代。

4. 然後，您可以關閉計劃者並讓代理生成計劃。

建築學

步驟1：預處理

首先，開發人員定義了可執行的ActionSet集（ Actions ）和目標集（ GoalSet ）。

每個行為都是基於GOAP規則的，並且具有前提Precondition和Effect 。

 public class Eat : DescriptiveTask
{
        protected sealed override void SetupDerived ( )
        {
            Preconditions [ States . HasFood ] = true ;
            Preconditions [ States . IsHungry ] = true ;
        }
        protected sealed override void SetupEffects ( )
        {
            Effects [ States . IsHungry ] = false ;
        }
}

其次，將Action輸入大型語言模型，將其匯總為自然語言，作為代理人對行為（ InitialImpression ）和長期記憶（ Summary ）的初始印象，並留下短期記憶（ Comments ）空白。

 "Name" : " Cook " ,
"InitialImpression" : " To Cook, you need to have energy and ingredients, and as a result, you will have food. " ,
"Summary" : " Latest summary " ,
"Comments" : [
  " " ,
  " " ,
  " " ,
  " " ,
  " "
]

輸入大型語言模型的Goal ，讓LLM生成自然語言作為使用該目標的解釋（ Explanation ）。並結合它們以獲得集合G的解釋。

在實際代理中，您可以直接單擊RealAgentSet編輯器中的Self Description以生成上述數據。

步驟2：學習

調整代理模式（ AgentMode ）並將其設置為Training 。

計劃者此時運行的Plan由計劃者搜索，並且代理商同時生成Plan 。如果行為有差異，LLM會反思原因並將Comment作為短期內存。

當短期內存達到閾值時，代理會根據初始印象，評論和當前的長期記憶來匯總它，覆蓋長期記憶並迭代。

步驟3：實時計劃

根據外部的目標輸入，代理在虛擬空間中實時原因。

LLM根據其自身對每種行為的記憶找到合適的Plan 。由於沒有計劃者比較，因此僅確定Plan是否可行。如果不是，LLM會生成（ Comment ）並將其註入內存。

代理人生成和評估計劃

代理執行計劃

推理後端

該實驗使用OpenAI的ChatGpt3.5作為推理模型。您需要在遊戲設置接口中填寫自己的API鍵。

執照

麻省理工學院

演示許可參考

有關VRM模型，請參閱單個作者的許可證聲明。

多邊形幻想王國是一項付費資產。

https://assetstore.unity.com/packages/3d/environments/fantasy/polygon-fantasy-kingdom-kingdom-low-poly-poly-poly-3d-art-art-synty-164532

示例場景是由程序世界創建的場景優化器優化的。

可以在AssetStore中免費下載低點環境。

https://assetstore.unity.com/packages/3d/environments/lowpoly-envorirnment-nature-nature-free-medieval-fantasy-series-187052

熱量 - 完整的現代UI是付費資產。

https://assetstore.unity.com/packages/2d/gui/heat-complete-modern-ui-264857

Gui-CasualFantasy是付費資產。

https://assetstore.unity.com/packages/2d/gui/gui/gui-casual-fantasy-265651

Unity Chan Animation歸Japan Unity Technology日本所有，並符合UC2許可。

中世紀動畫巨型包有付費資產。

https://assetstore.unity.com/packages/3d/animations/medieval-animation-mega-pack-12141

Unity入門資產屬於Unity Companion許可證，可以在AssetStore中免費下載。

https://assetstore.unity.com/packages/essentials/starter-assets-thirdperson-upders--in-new-charactercontroller-pa-196526

UNIVRM符合MIT許可。

https://github.com/vrm-c/univrm

Akiframework在MIT許可下。

https://github.com/akikurisu/akiframework

演示中使用的其他動畫，音樂，UI和字體資源是網絡資源，不應用於商業目的。

引用此存儲庫

 @misc{realagents,
  author = {YiFei Feng},
  title = {Real Agents: An planning framework for generative artificial intelligence agents},
  year = {2024},
  publisher = {GitHub},
  journal = {https://github.com/AkiKurisu/Real-Agents},
  school = {East China University of Political Science and Law},
  location = {Shanghai, China}
}

參考

1. 史蒂夫·拉賓（Steve Rabin）， AI Pro 3：收集了遊戲AI專業人士的智慧，國際標準書。

2. [Orkin 06] Orkin，J。2006。3個州和一個計劃：恐懼的AI ，遊戲開發人員會議，加利福尼亞州舊金山。

3. Joon Sung Park，Joseph C. O'Brien，Carrie J. Cai，Meredith Ringel Morris，Percy Liang和Michael S. Bernstein。 2023年。生成劑：人類行為的交互式模擬。

4. Wang，Zihao等。 “描述，解釋，計劃和選擇：與大語言模型的互動計劃可實現開放世界的多任務代理。” ARXIV ABS/2302.01560（2023）：n。 PAG。

5. Lin J，Zhao H，Zhang A等。代理：用於大語言模型評估的開源沙盒[J]。 ARXIV預印型ARXIV：2308.04026，2023。

6. XI，Z.，Chen，W.，Guo，X.，He，W.，Ding，Y.，Hong，B.，Zhang，M.，Wang，J. OU，S.，Weng，R.，Cheng，W.，Zhang，Q.，Qin，W.，Zheng，Y.，Qiu，X.，Huan，X。，＆Gui，T。（2023）。大型語言模型代理的興起和潛力：調查。 ARXIV，ABS/2309.07864。