TinyTroupe — это экспериментальная Python-библиотека от Microsoft, предназначенная для моделирования людей с определёнными личностными характеристиками, интересами и целями. Эти искусственные агенты, называемые «TinyPerson», могут взаимодействовать между собой и с окружающей средой, имитируя реалистичное поведение.
В основе TinyTroupe лежит класс TinyPerson. TinyPerson - это основной строительный блок для создания сложных, управляемых LLM агентов.
Экспериментируйте с различными промптами, конфигурациями памяти и ментальными способностями, чтобы раскрыть весь потенциал моделирования человеческого поведения.
Представьте его как чертеж для смоделированной личности. Каждая TinyPerson обладает:
Установка
Примеры использования
1. Создание TinyPerson
Внутри директории examples создайте файл my_person.py и добавьте следующий код:
Этот пример создаёт агента, задаёт его характеристики, инициирует взаимодействие и показывает историю взаимодействия.
2. Методы взаимодействия
act(): Определяет поведение агента, запрашивая у LLM действие на основе памяти и когнитивного состояния.
listen(): Моделирует получение сообщения от другого агента или среды, сохраняя информацию в памяти.
_observe(): Записывает стимулы (события, ощущения) во внутреннюю память агента.
3. Управление памятью
TinyPerson использует episodic_memory и semantic_memory:
episodic_memory: Хранит конкретные события, организует их по времени и ограничивает количество используемых записей.
semantic_memory: Хранит общие знания, индексируя текстовые документы с помощью llama_index.
4. Внутреннее состояние и конфигурация
_update_cognitive_state(): Изменяет цели, внимание, эмоции и другие внутренние переменные.
define(): Устанавливает или обновляет параметры конфигурации агента.
reset_prompt(): Пересоздаёт системный промпт для LLM на основе текущей конфигурации и памяти агента.
Управление акторами и средой
5. Создание и управление мирами
В TinyTroupe среда моделируется с помощью TinyWorld, а социальные связи — через TinySocialNetwork.
Метод make_everyone_accessible() позволяет всем агентам взаимодействовать друг с другом.
6. Управление акторами в комнате
Если акторы уже определены, но вам нужно их обновить или заменить, можно использовать:
7. Запуск симуляции
Для моделирования взаимодействий используется run():
8. Управление взаимодействиями
Если вам нужно контролировать диалоги между агентами:
Этот код инициирует разговор и генерирует ответ агента.
9. Создание социальных сетей
TinySocialNetwork позволяет моделировать социальные связи и группы:
Пример простого чата с общением на русском языке:
функция установки языка акторов
Часть словарей характеристики актора:
Этот код создает двух агентов (lila и oscar), загружает их спецификации, переводит их язык общения на русский, помещает их в общий мир (world), делает всех участников доступными друг для друга и запускает взаимодействие между ними.
Разбор кода по шагам:
Загрузка агентов из спецификаций:
Создаются два агента: lila и oscar.
Они загружаются из спецификаций lila_spec и oscar_spec, которые, содержат их характеристики (возраст, профессия, интересы и т. д.).
configure_language устанавливает русский язык для агентов.
Это также пересоздает их системный промпт, чтобы они отвечали на русском.
Создание мира и размещение агентов:
Создается виртуальный мир TinyWorld с названием "Chat Room".
В этот мир добавляются lila и oscar, что позволяет им взаимодействовать.
Делаем всех доступными друг для друга:
Убеждаемся, что агенты могут "видеть" и "слышать" друг друга.
Без этого метода агент мог бы не знать, что другой агент существует в том же мире.
lila получает фразу "Начинает разговор с Оскаром, чтобы узнать о нем больше".
Это стимулирует ее к действию (например, задать вопросы Оскару).
Запуск симуляции взаимодействий:
Ожидаемое поведение
lila попытается поговорить с oscar, задавая вопросы на русском.
oscar ответит, используя информацию из своей памяти и спецификации.
world.run(4) заставит их несколько раз обменяться репликами.
После выполнения кода в памяти агентов появятся новые знания о собеседнике.
💡 Совет: Если агенты не разговаривают, попробуйте добавить world.step() после lila.listen(), чтобы проверить их реакцию перед запуском полного цикла run(4).
Пример в Google Colab
код на гитхабе
