开源多Agent世界模拟游戏：支持自动生图与狼人杀模式
速览
该项目是一个开源的多Agent世界模拟系统，允许用户配置Agent在现代世界或狼人杀模式中互动。系统支持自动图像生成（兼容OpenAI及NovelAI格式）和复杂的记忆管理机制，以节省Token并维持上下文连贯性。在狼人杀模式下，LLM能展现出如私下密谋等自发行为，无需人工裁判即可实现高自由度的游戏逻辑。
AI 深度解读
背景
该项目源于对“多 LLM（大型语言模型）模拟小镇生活”这一概念的探索。作者最初看到相关新闻并尝试部署开源仓库，但发现所谓的“开源”仅提供了设计手册，并未开放核心代码。出于对这一机制的兴趣以及现有资源的不完整，作者决定从零开始构建一个真正的开源多 Agent 世界模拟项目。
在基础的世界模拟功能开发完成后，作者发现纯模拟生活模式运行周期极长、体验较为枯燥。为了提升项目的娱乐性和可玩性，作者基于底层的世界模拟机制，衍生出了“狼人杀”模式。该模式旨在通过 Agent 之间的互动、记忆机制以及工具调用，创造出充满“场外要素”和自发行为的复杂社交博弈体验。
核心内容
1. 项目架构与开源承诺 项目名为 TinyWorld，托管于 GitHub。作者明确声明该项目完全开源，无未开源部分，并已获得 LINUX DO 社区的认可。项目旨在提供一个无需 LLM 作为裁判，完全依靠 Agent 调用工具来实现自由度和逻辑闭环的模拟环境。
2. 双模式运行机制 项目包含两种主要运行模式，针对不同的使用场景进行了优化：
- 现代世界模拟模式：让 Agent 在现代背景下生存。该模式节奏极慢，挂机一整天可能仅相当于游戏内的 10 天，适合部署在 NAS 上进行长期挂机测试。
- 狼人杀模式：基于世界模拟机制构建的社交推理游戏。即使在 10 个 Agent 的情况下，也能在一下午内完成一局，具有较高的娱乐性和即时反馈感。
3. 用户界面与配置系统
- 新手模式：提供精简配置，通过颜色标签引导用户逐步完成设置，降低上手门槛。
- 专家模式：允许深度定制。虽然配置项繁多，但大部分为扩展项，基础功能无需复杂配置即可运行。
- 自动补全：若仅配置语言模型，系统会自动生成缺失的配置项。
4. 核心功能特性
- 多格式生图兼容：支持 OpenAI 兼容格式及 NovelAI 格式。针对 Danbooru 提示词格式，引入了“生图名”机制，在生成提示词时用特定名称替换角色名，以稳定角色形象。同时支持 Image2Image，可将立绘作为参考图输入。
- 动态工具调用：系统拥有庞大的工具库（作者曾规划约 1000 种，经筛选保留约 600 种）。调用逻辑基于 Agent 当前的数值、位置及状态，动态决定可用工具，单次调用候选最多可达 80 个。
- 隔离式记忆系统：
- 上下文隔离：Agent 无法直接看到全局上下文，仅能感知其视野内的事件。
- 分层记忆：包含短期记忆（近期事件）、长期记忆（模型判定重要事件）、梦境（夜间自动整理记忆以防上下文过长）以及日记。
- 狼人杀专属记忆：记录投票历史、发言内容等，服务于推理逻辑。
5. 自发性行为与“场外要素” 项目的一大亮点是 Agent 表现出的非预设行为。例如，在狼人杀模式中，若狼人 Agent 与其他 Agent 关系良好，在夜间密谋时可能会自发提出“不杀某人”的建议。这种行为并非硬编码逻辑，而是 LLM 基于社交关系和情境推理产生的结果，极大地丰富了游戏的不可预测性和趣味性。
关键要点
- 完全开源：TinyWorld 项目代码完全公开，无黑盒部分，接受社区监督。
- 双模式设计：区分了长周期的“世界模拟”和短周期的“狼人杀”模式，兼顾长期挂机测试与即时娱乐需求。
- 记忆管理优化：通过短期、长期、梦境及日记的多层记忆结构，解决了 LLM 上下文窗口限制及遗忘问题，同时实现了 Agent 间的视线隔离。
- 角色形象稳定性：通过引入“生图名”替换机制，有效解决了多角色场景下生图形象混乱的问题。
- 动态工具链：基于位置和状态动态筛选工具（最多 80 个候选），替代了传统的固定裁判逻辑，赋予 Agent 更高的自主权。
- 涌现式社交行为：Agent 能根据人际关系自发产生违背阵营利益的“场外”行为，体现了高阶 LLM 在复杂社交模拟中的潜力。
- 持续迭代中：项目尚处于早期阶段（开发约一个月），工具库仍在精简优化中，存在潜在 Bug，需要社区反馈以完善动态调用逻辑。
意义与影响
1. 推动多 Agent 模拟的落地实践 TinyWorld 提供了一个可运行的、去中心化的多 Agent 模拟框架。它证明了在没有中央裁判（LLM Judge）的情况下，仅通过工具调用和记忆机制，即可实现复杂的社交博弈和生存模拟。这为研究多智能体协作、竞争及社会动力学提供了新的实验平台。
2. 提升 LLM 在角色扮演中的沉浸感 通过隔离式记忆和动态工具调用，项目解决了传统角色扮演中“上帝视角”和“记忆断裂”的痛点。Agent 能够像真实人类一样拥有有限的视野、长期的记忆积累以及基于关系的自发决策，极大地提升了模拟的真实感和戏剧性。
3. 促进开源社区的技术交流 作者主动公开项目并寻求社区反馈，展示了开源社区在 AI 应用开发中的协作价值。通过分享从 1000 种工具中筛选、优化动态调用逻辑的经验，为其他开发者提供了关于如何管理复杂 Agent 工具链的宝贵参考。
4. 探索 AI 娱乐与创意生成的边界 狼人杀模式中出现的“场外要素”和自发行为，展示了 AI 在创意生成和叙事构建上的潜力。这种非预设的互动不仅增加了游戏的趣味性，也为未来的 AI 辅助游戏设计、互动小说生成等领域提供了新的思路。