AgentSociety — это передовой фреймворк с открытым исходным кодом, предназначенный для моделирования больших популяций агентов, каждый из которых работает на базе больших языковых моделей (LLM), чтобы реалистично воспроизвести сложные взаимодействия, характерные для человеческих обществ. Используя мощные технологии распределённой обработки, особенно Ray, этот проект обеспечивает симуляции с участием десятков тысяч одновременно активных агентов, каждый из которых встроен в детализированную, реалистичную среду, отражающую социальное, экономическое и мобильное поведение.
Ключевые возможности
Масштаб и производительность
* Поддержка больших популяций: фреймворк продемонстрировал симуляции с участием до 30 000 агентов, превосходя реальное время — то есть виртуальное общество работает быстрее, чем в реальности¹.
* Параллелизация с Ray: AgentSociety использует фреймворк Ray для управления крупномасштабным параллельным выполнением агентов, что критически важно для обработки массовых и недетерминированных взаимодействий.
* Эффективное использование ресурсов: группируя агентов и разделяя сетевые клиенты внутри групп, фреймворк значительно сокращает накладные расходы памяти и соединения, преодолевая узкие места портов и памяти, характерные для масштабирования распределённых симуляций.
Реалистичные социальные среды
AgentSociety отличается интеграцией высокореалистичных обратных связей и ограничений, позволяя агентам вести себя так, как это происходит в реальных социальных системах.
* Городское пространство: включает реальные данные карт (например, из OpenStreetMap), дорожные сети, точки интереса и модели мобильности (пешеходная, автомобильная, общественный транспорт), обновляемые каждую симулированную секунду¹.
* Социальное пространство: агенты формируют эволюционирующие социальные сети, взаимодействуя как онлайн, так и офлайн. Моделируется обмен сообщениями (включая модерацию контента и блокировку пользователей) для имитации социальных сетей и моделей реального общения.
* Экономическое пространство: реализуются занятость, потребление, банковское дело, правительство (налоги) и макроэкономическая отчётность — всё это определяется решениями агентов. Агенты должны балансировать доходы и расходы, имитируя реалистичное экономическое поведение.
Архитектура и технологии
Параллелизованный механизм взаимодействия
* Групповое распределённое выполнение: агенты разделены на группы, управляемые «актёрами» Ray, что оптимизирует использование ресурсов при сохранении высокого параллелизма, с асинхронными сетевыми запросами, использующими повторное использование соединений.
* Высокопроизводительный обмен сообщениями: используя возможности Redis Pub/Sub, агенты эффективно взаимодействуют, поддерживая взаимодействие агент-агент и агент-пользователь (внешняя программа).
* Механизм синхронизации времени: фреймворк синхронизирует прогресс агентов и среды, обеспечивая согласованность и воспроизводимость симуляций, несмотря на переменное время обработки вызовов API LLM.
* Комплексные утилиты: регистрация симуляций (через PostgreSQL и локальное файловое хранилище), запись метрик (mlflow) и графический интерфейс для создания экспериментов/управления ими и визуализации результатов.
Количественные результаты
Масштабируемость и скорость
* Быстрее реального времени: при развёртывании с 24 видеокартами NVIDIA A800 симуляции с 30 000 агентов достигали скорости, превышающей реальное время (например, раунд итераций для всех агентов выполнялся быстрее, чем эквивалентное время, прошедшее в реальном мире).
* Линейное масштабирование: производительность масштабируется линейно с вычислительными ресурсами; увеличение количества GPU для обслуживания LLM позволяет повысить пропускную способность симуляции до пределов, установленных серверной частью языковой модели.
* Примерные показатели: в самом крупном эксперименте (30 000 агентов, 8 групп) средний раунд агента завершался за 252 секунды, оставаясь в рамках реального времени и со 100% вероятностью успеха вызова LLM. Время симуляции среды и передачи сообщений остаётся значительно ниже времени вывода LLM, что подтверждает вычислительную эффективность системы.
Влияние реалистичных сред
* Аутентичность поведения агентов: включение реалистичных симуляторов среды значительно улучшило аутентичность и человечность поведения агентов по сравнению как с чисто LLM-подходными «текстовыми симуляторами», так и с различными генеративными базовыми линиями траекторий.
* Эмпирические бенчмарки: по таким показателям, как радиус гирации, ежедневно посещаемые места и распределение поведенческих намерений, агенты LLM с поддержкой среды значительно превзошли как базовые линии только с подсказками, так и классические модели, близко соответствуя реальным данным.
Варианты использования и приложения
Открытый дизайн и настраиваемые среды делают AgentSociety мощным инструментом для:
* Исследований в области социальных наук: изучения социальных закономерностей, возникающих явлений, мобильности и распространения информации.
* Городского планирования и анализа политики: оценки интервенций в смоделированных средах перед их внедрением в реальном мире.
* Науки об управлении: моделирования организационной динамики, изменений в рабочей силе и экономического поведения.
AgentSociety выделяется как первый фреймворк с открытым исходным кодом, который эффективно и реалистично моделирует социальные взаимодействия в беспрецедентном масштабе. Его интеграция агентов на базе LLM с параллелизованными, управляемыми данными средами позиционирует его как критически важный инструмент как для вычислительных исследований, так и для практической поддержки принятия решений в понимании сложных социальных динамик.
Ознакомьтесь с [статьёй]() и [проектом](). Вся заслуга за это исследование принадлежит исследователям этого проекта. Также подписывайтесь на нас в [Twitter]() и присоединяйтесь к нашему [ML SubReddit](), насчитывающему более 100 тысяч участников, и подписывайтесь на [наш информационный бюллетень]().
Эта статья впервые появилась на [MarkTechPost]().
1. Какие ключевые возможности предлагает фреймворк AgentSociety для моделирования социальных взаимодействий?
AgentSociety предлагает несколько ключевых возможностей для моделирования социальных взаимодействий, включая:
* поддержку больших популяций агентов (до 30 000 агентов);
* параллелизацию с использованием фреймворка Ray для управления крупномасштабным выполнением агентов;
* эффективное использование ресурсов через группировку агентов и разделение сетевых клиентов;
* интеграцию высокореалистичных обратных связей и ограничений для моделирования поведения агентов в социальных, экономических и мобильных средах.
2. Какие технологии используются в AgentSociety для обеспечения высокой производительности и масштабируемости?
В AgentSociety используются следующие технологии для обеспечения высокой производительности и масштабируемости:
* фреймворк Ray для управления крупномасштабным параллельным выполнением агентов;
* Redis Pub/Sub для высокопроизводительного обмена сообщениями между агентами;
* PostgreSQL и локальное файловое хранилище для регистрации симуляций;
* mlflow для записи метрик;
* графический интерфейс для создания экспериментов и визуализации результатов.
3. Какие количественные результаты были получены при использовании AgentSociety для симуляции социальных взаимодействий?
При использовании AgentSociety для симуляции социальных взаимодействий были получены следующие количественные результаты:
* симуляции с 30 000 агентов достигали скорости, превышающей реальное время;
* производительность масштабировалась линейно с вычислительными ресурсами;
* средний раунд агента завершался за 252 секунды, оставаясь в рамках реального времени;
* агенты LLM с поддержкой среды значительно превзошли базовые линии только с подсказками и классические модели по таким показателям, как радиус гирации, ежедневно посещаемые места и распределение поведенческих намерений.
4. Какие варианты использования и приложения предлагает AgentSociety?
AgentSociety предлагает следующие варианты использования и приложения:
* исследования в области социальных наук;
* городское планирование и анализ политики;
* наука об управлении.
5. Какие преимущества предлагает AgentSociety по сравнению с другими подходами к моделированию социальных взаимодействий?
AgentSociety предлагает следующие преимущества по сравнению с другими подходами к моделированию социальных взаимодействий:
* интеграция агентов на базе LLM с параллелизованными, управляемыми данными средами;
* поддержка больших популяций агентов;
* эффективное использование ресурсов;
* высокая производительность и масштабируемость;
* реалистичное моделирование социальных взаимодействий.