agent-based model
PulseAugur coverage of agent-based model — every cluster mentioning agent-based model across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
Demand for robust inter-agent communication protocols in ABMs will increase
Discussions around limitations in multi-agent AI tutorials and the need for structured inter-agent communication suggest a growing gap between current capabilities and practical requirements. As ABMs become more complex, there will be an increased demand for sophisticated communication protocols that go beyond simple conversational examples to manage long-term interactions and complex task coordination.
Agent-based model frameworks will integrate cycle detection to prevent infinite loops
Given the recent development of the Agent Loop Detector and the general concern about AI agent infinite loops and associated costs, it's likely that future agent-based modeling frameworks will incorporate similar cycle detection mechanisms. This would provide built-in guardrails for production environments, preventing costly deadlocks and improving system reliability.
Agent-based models are increasingly integrating LLMs for enhanced behavioral realism
The recent cluster evidence shows a trend of integrating LLMs into agent-based models, particularly for energy adoption scenarios. This hybrid approach aims to improve the realism of agent behavior and decision-making by incorporating LLM-driven insights, moving beyond purely techno-economic factors.
-
新框架评估基于LLM的社会模拟模型容量
研究人员引入了模型容量前沿（MCF）框架，旨在评估大型语言模型（LLM）支持的基于代理的模型（ABM）的实证性能。MCF通过估计的帕累托前沿来表征各种配置下的可实现性能。该框架通过一个约12,000个代理的大学毕业典礼人群模拟进行了演示，将传统的拥挤模型与连续的LLM支持的架构扩展进行了比较。研究表明，初步的LLM集成改善了流动方向，但对时间占用和空间分布产生了负面影响，而后续的改进则增强了时间占用并恢复了空间性能。
-
研究人员发现，大型语言模型与流行病学数据部分吻合
研究人员评估了使用大型语言模型（LLMs）为流行病学建模生成行为模式，特别关注注射毒品人群中与丙型肝炎病毒相关的行为。研究发现，LLMs可以从文献中恢复定向关联，准确率为46-68%，当直接提示时，准确率提高到82-93%。然而，LLM生成的行为关系与流行病学证据之间的吻合度仅为部分，与基于代理的模型和调查相关性的平均绝对差在0.11-0.18之间。研究结果表明，虽然LLMs显示出潜力，但在其输出能够可靠地纳入传播动力学模拟之前，还需…
-
AI代理正在创造新的经济模式并雇佣其他代理，即使基础设施仍在发展中。· 跟踪3个来源
正在探索代理经济的概念，其中自主代理可以雇佣其他代理来执行任务，从而产生委托支付问题。这突显了AI代理的快速发展，即使在基础设施尚未完全成熟的情况下也在进步。讨论还涉及实际应用，如全栈Java开发中的SQL连接以及使用工作范围模板来管理自由职业者项目范围。
-
AI 代理的总结证据在原始数据被移除后可能变得不可信
最近在 Mastodon 上的一次讨论突显了人们对基于代理模型的可靠性的担忧，特别是在涉及证据链时。提出的核心问题是，一个代理可能会总结信息，但如果原始证据随后被删除或更改，该总结就会变得不可信。这表明了 AI 代理在处理和验证信息随时间推移方面可能存在的漏洞，尤其是在工具权限和生成的代码方面。
-
MCP内存系统采用零信任确保代理完整性 · 跟踪3个来源
MCP生态系统的共享内存层存在一个关键漏洞，单个受损代理会破坏所有其他代理的数据。为解决此问题，提出了一种零信任方法，强调结构性修复而非提示级调整。关键机制包括带有来源信封的内存写入证明、通过分区内存命名空间（临时、团队、锚定）进行的权限范围界定，以及用于策略执行的读取时间验证钩子。实施这些安全措施对于防止内存中毒和确保多代理系统中的数据完整性至关重要。
-
基于代理的模型性能在一周内跃升 13%
对一个基于代理的模型进行的团队审查显示出显著的改进，其性能在一周内从 58% 提高到 71%。随后讨论转向了系统提示词在此次进步中的作用。审查发生在周五，表明这是一个常规的绩效评估周期。
-
人工智能与软件开发：排序、多智能体对话和数据分析
这个帖子集群讨论了人工智能和软件开发概念的各种应用。其中一篇帖子探讨了排序算法在软件中的普遍性，从简单的数字排序到复杂的数据库记录和搜索结果。另一篇深入探讨了人工智能中多智能体对话的实际挑战，指出缺乏关于维护这些对话的教程。第三篇帖子强调了Microsoft Power BI中数据分析的初始步骤，并指出导入数据仅仅是分析过程的开始。
-
Mastodon 用户讨论多智能体 AI 教程的局限性和 NLP 挑战
Mastodon 上的讨论突显了当前多智能体 AI 教程中存在的不足，这些教程通常演示简单的智能体间通信，但未能解决维持长期对话的复杂性。一篇帖子指出，许多教程展示的是基本交互，而另一篇则触及了某些句子可能导致计算机系统出现问题的可能性，暗示需要更强大的 NLP 处理能力。
-
人工智能发展聚焦于代理间通信、LLM 训练经济学和稳健评估
这一系列帖子讨论了人工智能发展的实际挑战和经济考量。其中一篇帖子强调了结构化代理间通信的需求，超越了简单的对话示例。另一篇深入探讨了小型 LLM 预训练的工程经济学，展示了一个训练成本低于 1000 美元的 3.8B 参数模型。第三篇帖子讨论了人工智能系统的动态特性，强调了稳健评估流水线的重要性，以捕捉由提示更改或模型更新引起的回归。
-
新模型探讨意识形态如何影响社交网络中的错误信息传播
本研究论文介绍了一个基于代理的模型，用于探讨个人的意识形态如何影响其在紧密联系的社交网络中对错误信息的易感性。该模型结合了个人意识形态偏见的强度以及虚假声明与这些偏见的契合度。研究表明，社会影响会改变这些因素，邻居意识形态对信念形成的影响会受到这些邻居互联程度的显著影响。研究结果强调，在模拟错误信息传播时，必须同时考虑网络结构和个人意识形态倾向。
-
强化学习模型在不确定性下进行太阳能光伏政策设计
研究人员开发了一种新颖的方法，将强化学习（RL）与随机基于代理的模型（ABM）相结合，用于设计太阳能光伏（PV）采用的序列式政策。该方法模拟了16年内的年采用情况，允许政策制定者代理选择年度激励措施，如资本补助和补贴贷款利率。研究表明，在采用收益和公共支出之间存在明显的权衡，不同的RL算法如PPO、SAC和TD3产生了稳健的模式。
-
LLM通过混合框架增强能源采纳模型
研究人员开发了一个新颖的框架，将大型语言模型（LLM）集成到基于主体的能源采纳分析模型中。这种混合方法通过LLM驱动的行为洞察和场景规范来增强现有的技术经济模型，提高了可解释性和可复现性。该框架应用于爱尔兰奶牛场的太阳能光伏采纳分析，在各种政策设定和行为规则下均显示出稳定且经济上合理的成果，采纳率提高了13%，而没有出现不切实际的饱和。
-
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。
-
机器学习增强代理模型校准，减少时间和误差
一篇新的研究论文探讨了使用机器学习来改进代理模型（ABMs）的校准。该研究将机器学习代理嵌入遗传算法（GA）和粒子群优化（PSO）中，以筛选模拟候选者，从而降低计算需求。在Brock-Hommes资产定价模型和Island增长模型上进行测试时，与纯优化器相比，最佳的机器学习辅助配置显著降低了均方根误差（RMSE）和计算时间。
-
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。