斯坦福 AI 小镇

规则只有一条：你可以往一个居民的脑子里塞一条记忆，然后袖手旁观。没什么大不了的——就一句话而已，对吧？点下面三条记忆中的一条，看它接下来的一天：

注意最右边那个金框的结局——它不在任何剧本里，是从你塞的那一句话里长出来的。而你刚才做的，就是研究者做的全部：整场实验里，人类的干预只有两条塞进去的记忆——Isabella 的派对，和 Maria 的暗恋。剩下的一切，都是 25 个智能体自己跑出来的。但一条静静躺着的记忆，凭什么能长成一整天的行为？要看懂这件事，得先看看没有记忆的 AI，过的是什么日子。

让游戏角色像个人，老办法是把行为一条条写死：行为树、状态机——"看到玩家就打招呼，血量低就逃跑"。可开放世界里会发生的事是写不完的。于是这篇论文之前，大家想到了偷懒的新招：角色每走一步，就问一次大语言模型（LLM）"我现在该干嘛？"模型见多识广，答得头头是道。

听起来很完美。点「问它：现在该干嘛？」，替一个没有记忆的角色，把中午这一个小时问完：

看到第三个盒子红起来了吗？每一次回答单独看都无懈可击——"中午了，该吃饭"，逻辑满分。但模型不记得半小时前它刚吃过：于是同一个人在 12 点、12 点半、1 点各吃了一次午饭。缺的从来不是聪明，是记性。点「接上记忆流」你会看到：同样的模型，只要每次回答前先想起"刚吃过"，一天立刻连贯了。

论文的方案就从这里出发：给每个智能体（generative agent，「生成式智能体」）配一条记忆流（memory stream）——一本用大白话记的流水账，看到什么、做过什么、想过什么，全部按时间戳存进去；行动前先从里面想起几条，再问模型。然而新麻烦马上就来：这本流水账几天就长到几千条，而模型一次能读的上下文就那么点。凭什么决定，此刻该想起哪几条？

先排除两个笨办法。全塞进去？几千条流水账远超模型一次能读的长度。压缩成一句摘要塞进去？论文试过，得到的回答平庸到没用——什么都提一嘴，等于什么都没说。剩下的路只有一条：挑。

而"挑"这件事，你自己天天在做。朋友问"周末去哪玩"，你不会把三十年人生过一遍电影——脑子里自动浮上来的，是最近看到的攻略、刻骨的那次旅行、和这个问题相关的几段记忆。论文把这个直觉拆成了三个可以打分的量：时近性（recency，多久前发生，随时间指数衰减）、重要性（importance，有多刻骨，让模型给每条记忆打 1–10 分）、相关性（relevance，和眼前的问题多贴）。三个分数加起来，得分最高的几条才被"想起"。

下面是 Isabella 记忆流里真实的几条。现在她问自己：店里要补什么货？拖动三个旋钮改变每个分数的权重，把某一个拧到 0 或拧满，看"想起来的记忆"（金框前三名）怎么变：

试过把相关性拧到 0 吗？排第一的变成了"和 Maria 商量办情人节派对"——那是她最刻骨的记忆，却答不了"补什么货"。把重要性拧满，刻骨的大事同样会淹没眼前的杂务；把时近性拧满，刚发生的琐事全挤上来。三个分数各管一件事，缺了哪个，"想起来的"都会答非所问。论文最后取了最朴素的配方：三者等权重，直接相加。

然而检索再准，取回的也只是发生过的事。一个人对自己的认识——"我是个什么样的人"——在流水账里是查不到的。它得被想出来。

只有流水账的智能体，回答"你最想和谁共度一小时"这种问题时只有一招：挑碰面次数最多的人——像用打卡记录代替友情。论文加的第二个零件叫反思（reflection）：每隔一阵，智能体回看最近的经历，问自己几个高层问题，把答案写成更抽象的结论，存回记忆流。结论之上还能再反思，于是记忆里长出一棵树。

下面是论文里 Klaus 的真实例子。拖动滑块，从底下的琐事一层层往上合成——拖到头，看这棵树到底有什么用：

你拖到最后看到的那次翻转就是全部意义：有了树顶那句"高度投入研究"，Klaus 挑的不再是天天打照面的邻居 Wolfgang，而是同样痴迷研究的 Maria。反思把"谁离我最近"升级成了"谁和我同频"。记住这棵树——派对那天，它还会替 Klaus 做一次决定。

现在智能体记得住、想得起、也知道自己是谁了。可它还差最后一个零件：知道接下来干什么。而且这个"干什么"，不能是逐步临场发挥——那样第二节的三次午饭就会卷土重来。

论文的做法像你安排周末：先写粗的，再逐级放大。智能体每天早上根据身世和昨天的总结，先列出 5–8 块的粗线条计划，然后把每一块递归拆成小时级，再拆成 5–15 分钟级的具体动作——拆出来的每一层，照例写回记忆流。下面是音乐系学生 Eddy 的一天被拆开的样子：

论文里有个现成的例子：爸爸 John 撞见 Eddy 在花园里散步——这不在任何人的计划里。智能体不会装作没看见，也不会慌乱：它先判断"要不要反应"，聊上几句，然后从那一刻起把剩下的一天重新拆一遍。计划被打断不是故障，是常态：计划给了行为长程的骨架，反应给了它临场的弹性。到这里，四个零件全齐了：记忆流负责记、检索负责想起、反思负责懂自己、计划负责往前走。单看每一个都不惊人——惊人的是把装着这套循环的 25 个人放进同一座小镇，同时按下播放键。

回到你在第一节塞的那条记忆。研究者做的一模一样：给 Isabella 塞下"想办情人节派对"，给 Maria 塞下"暗恋 Klaus"，然后收手。接下来两天里发生的事，论文原样记录了传播路径，每个气泡都是当事人自发的原话。点「下一步」，按天看这句邀请怎么传遍小镇：

注意第二圈里每个人的措辞都不一样——Ayesha 甚至把它包装成了自己的"朗读夜"。消息不是被复制粘贴的，是每个人用自己的记忆重新讲了一遍，最后还绕回了 Isabella 本人。两天，12 人听说，2 月 14 日下午 5 人真的走进咖啡馆。没有一行脚本规定谁该告诉谁、谁必须出席——这叫涌现（emergence）：社会行为从个体循环里自己长出来。

不过，先替杠精问一句：怎么证明这是记忆流、反思、计划的功劳，而不是大模型本来就这么神？论文的回答很硬核——当着你的面，把零件一个个拆下来。

这种"拆零件测试"学名叫消融实验（ablation）：把架构逐级砍掉，请 100 名人类评判者旁观各版本智能体的访谈回答，两两比较谁的行为更像"一个可信的人"。他们还请了真人临时工假扮智能体来回答，作为人类基准线。点下面的配置，亲手拆：

最底下那档值得多看一眼：去掉记忆、反思、计划之后剩下的，正是第二节里那个"每步都问一次大模型"的常规做法——21.2 分，连人类临时工（虚线，22.95）都不如。而完整架构比它高出整整八个标准差。可信，不在于模型多聪明，而在于它能不能记得、综合、并照着自己的过往行动。模型没换过，换的只是那三个你已经亲手摸过的零件。

好——机制懂了，证据也看了。现在把上帝之手还给你，这次不限一条记忆。

派对前一天，你可以给任何人塞任何一条记忆。先猜：9 种组合里，哪一种能让派对彻底告吹？猜完动手验证——组合选对了，才说明你真的看懂了这套架构的软肋：

找到了：唯一的死穴是 Isabella 的场地。因为整场派对在这套架构里，最初只是她一个人记忆流里的一条记忆，和由它长出的计划——她是传播树唯一的根。给 Maria 或 Klaus 塞坏消息，派对安然无恙：邀请早已复制进 12 个人的记忆流，枝叶砍不死它；甚至谣言也会在别人"亲眼所见"的新观察面前败下阵来。分布式的记忆网络极其顽强，但根节点永远是单点故障。这既是你能"当上帝"的原因，也是它的全部边界：你改变不了任何人，你只能给记忆，然后等它长。

回想你这一路亲手做过的事：你往 Isabella 脑子里塞过一条记忆，看它长成一场派对；你逼一个没有记性的模型吃了三次午饭；你把"相关性"拧到 0，看她想起了最刻骨却最没用的事；你拖着 Klaus 的琐事长成一棵树，看它替他挑对了人；你按着天数看一句邀请传遍小镇，又把架构拆到比人类临时工还不如；最后你用一条水管坏消息，亲手弄垮了这场派对。这些操作背后是同一句话：一个"可信的人"，在这套架构里不过是一条记忆流，加上不断在它之上的检索与综合。

这篇论文之后，"记忆流、反思、计划"成了智能体领域的通用蓝图——今天你听到的各种 AI agent，骨架大多能在这座 25 人的小镇里找到影子。但它同时留下一道没有答案的题，论文作者自己在结尾按响了警铃：正因为它太像人，人才会对它动真感情。如果"会记得、会反思、会照着过往行动"就足以让我们在对面认出一个"人"——那条认出彼此的线，究竟该划在哪里？你刚刚在沙盒里随手拆掉过一场 12 个人的派对。当小镇从 25 人变成两万五千人的时候，愿意接过上帝之手的人，最好先像你今天这样，摸清楚每一个零件。