agent-based model
PulseAugur coverage of agent-based model — every cluster mentioning agent-based model across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新工具可检测并防止 AI 智能体无限循环，节省成本
一种新方法“智能体循环检测器”（Agent Loop Detector）已被开发出来，以解决多智能体 AI 系统陷入无限循环的问题，这会导致过多的 token 使用和高昂的成本。该方法将智能体交互视为有向图，并采用 Tarjan 算法来识别循环和潜在的死锁。该工具提供检测关键死锁、计算陷入困境的风险与效率低下的风险以及估算恢复路径的功能，为生产环境提供必要的安全保障。
-
新框架利用人工智能模拟认知智能货运走廊
研究人员开发了一个新的基于代理的建模框架，该框架集成了强化学习和多智能体强化学习来模拟认知智能货运走廊。该框架旨在通过实现车队编队和充电协调的自适应决策来改进联网和自动驾驶汽车（CAVs）的部署。初步结果表明，认知场景提高了吞吐量并减少了拥堵，而辅助场景通过车队编队节省了能源，并且与基于规则的方法相比，MARL协调在充电容量利用率方面更有效。
-
AI代理商进入争执循环，使用LangGraph和MCP工具解决
一位开发者在使用两个独立的AI代理（AgentA和AgentB）生成和审查产品描述时遇到了无限循环。AgentA侧重于技术特性，而AgentB侧重于用户利益，导致持续的争执。为了解决这个问题，开发者使用LangGraph的StateGraph和MCP的工具模块实现了一个审查/批评循环，实现了代理商之间的迭代反馈和修订。
-
多代理系统中的静默故障：因未察觉的代理超时导致处理陈旧数据
一个分布式多代理系统出现静默故障，其中一个代理的超时未被其他代理察觉，导致使用了陈旧数据。代理 A 负责数据提取，因服务器小故障而超时。代理 B（协调器）使用了代理 C 的陈旧缓存数据作为备用方案，然后由代理 D 进行验证。尽管所有单个代理都报告成功，但系统处理了过时信息，用户后来才发现。这凸显了多代理系统中一个关键风险：故障可能被备用方案吸收，而无需对数据的时效性进行适当验证，因此需要在交接点进行可见性监控。
-
MechanicAI 推出用于 AI 代理管道故障的自愈 sidecar · 跟踪 5 个来源
MechanicAI 推出了新的自愈 sidecar，旨在自动检测并从 AI 代理管道的常见故障中恢复。该工具解决了包括 LangChain, CrewAI, n8n 和 Ollama 在内的各种框架中的无限循环、工具错误被忽略、上下文溢出和速率限制级联等问题。通过监控这些管道，MechanicAI 旨在防止不正确的结果和崩溃，提供本地的一次性购买解决方案。
-
大型语言模型在社会模拟中的应用：从高级建模到边界要求 · 跟踪 4 个来源
一本书的章节和一篇立场论文探讨了大型语言模型（LLMs）在社会模拟中的应用。书的章节追溯了从基于主体的模型到人工智能增强的模拟和社会数字孪生的演变，强调了向更现实的社会系统表示的转变。立场论文认为，在基于 LLM 的社会模拟中设定明确的边界是必要的，并强调当前 LLM 倾向于同质化输出，这限制了它们捕捉基本行为多样性的能力。它提出了验证和约束方法，以确保这些模拟能够提供对社会科学的真正见解。
-
可靠的交接对于生产环境中的多代理AI系统至关重要
开发多代理AI系统面临着超越单个代理能力范围的重大挑战，主要涉及它们之间通信和数据传输的可靠性。诸如模式不匹配、静默故障传播和上下文窗口限制等问题可能导致生产环境中出现不可预测的错误。实施显式契约、使用结构化输出格式（如Pydantic或JSON Schema）以及采用健壮的错误处理和同步机制，对于构建可靠的多代理架构至关重要。
-
大语言模型驱动的SAMAS系统通过基于代理的建模增强经济模拟
研究人员开发了SAMAS，一个通过整合大语言模型（LLMs）来增强经济模拟中基于代理的建模（ABM）的新型系统。与传统的自上而下的经济模型不同，SAMAS采用自下而上的方法，利用大语言模型赋予个体代理丰富的宏观经济理解和决策能力。这个情境感知生成系统旨在更好地捕捉社会复杂性和个体多样性，与现有的ABM系统相比，在波动性和转折点预测方面能带来更高的真实性。
-
新研究探讨了基于主体的自适应策略修订在监管模拟中的应用
两篇新提交至 arXiv 的论文探讨了基于主体的监管模拟的先进方法。第一篇论文介绍了一种机器指导的策略修订层，该层允许在模拟中动态调整策略决策，旨在通过将模拟结果反馈给策略控制器来改进监管分析。第二篇论文侧重于区分这些模拟中的静态和自适应策略机制，并提出了一个基准来评估不同自适应控制器如何执行，以及监管结论如何根据主体和策略的适应性而变化。
-
新的基于代理的模型模拟自适应交通行为
研究人员开发了一个名为MATraM的新型代理模型，以改进交通模拟。该模型允许代理在面对不理想的出行条件（如出行时间增加）时，动态调整其日常活动安排。通过将自适应决策整合到活动安排中，MATraM能更真实地反映个体行为和涌现的出行模式。
-
新的模拟模型优化急诊科资源配置
研究人员开发了一种结合了离散事件模拟（DES）和基于智能体的建模（ABM）的混合模拟模型，以创建急诊科的数字孪生。该模型旨在通过复制真实的急诊科动态和干预措施来探索和验证资源优化策略。一个概念验证性的多智能体系统被集成，以在模拟环境中自主发现资源分配策略。
-
AI模型模拟具有电网感知功能的电动汽车充电系统
研究人员开发了一个可配置的、具有电网感知功能的基于代理的模型（ABM），用于分析电动汽车（EV）充电系统。该模型使用SimPy框架在Python中实现，集成了各种EV行为、充电约束和一个用于功率分配的能源沙盒。它允许研究用户充电动态以及设施级别的功率管理，重点关注基础设施和协调策略如何影响性能和电网负载。
-
研究人员比较了用于 Agent-Based Models 的数据同化与基于似然的推理
一篇新论文系统地比较了在 Agent-Based Models (ABMs) 中估计隐态的数据同化 (DA) 和基于似然的推理 (LBI)。DA 应用广泛，适合聚合预测，而 LBI 通过直接使用模型的似然函数，提供更精确的代理级别推理。研究发现，即使模型误设，LBI 在个体级别预测方面也更优越，而 DA 在聚合结果方面仍具竞争力。