1. 斯坦福小镇实验:当生成式AI拥有"记忆"会怎样?
去年夏天,斯坦福大学的一个研究团队在25个虚拟角色身上植入了Generative Agents技术,这些角色在数字小镇里自主生活了整整两天。令人惊讶的是,它们不仅记住了彼此的互动,还形成了稳定的社交关系——咖啡店老板记得常客的喜好,作家会在公园固定位置创作,甚至有两个角色自发策划了一场情人节派对。这背后的核心技术,正是基于大型语言模型(LLM)的"记忆流"(Memory Stream)架构。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构解析:Generative Agents如何工作
2.1 记忆流的三层结构
与传统AI对话系统不同,Generative Agents的核心创新在于其记忆管理系统。实验中的每个角色都维护着三个关键组件:
- 观察存储器:以时间戳记录的原始经历
- 示例:"2023-02-14 09:00:00 看到Maria拿着咖啡杯经过书店"
- 反思生成器:定期对记忆进行高阶抽象
- 自动生成:"Maria通常在上午9点购买咖啡,可能是她的晨间习惯"
- 计划执行器:将记忆转化为行动
- 输出结果:"明天8:55提前准备好Maria常点的拿铁"
2.2 大型语言模型的改造策略
研究团队对基础LLM进行了三项关键修改:
- 记忆检索优化:采用时间衰减加权算法,确保近期和重要记忆优先被调用
python复制def retrieve_memories(agent, current_time): memories = agent.memory_stream relevance_scores = [] for mem in memories: # 时间衰减因子 (最近24小时记忆权重更高) time_decay = 1 - (current_time - mem.timestamp).total_seconds() / 86400 # 重要性权重 (由LLM生成时标注) importance = mem.importance relevance_scores.append(time_de
