1. 项目概述当大语言模型开始“玩”命名游戏最近在捣鼓多智能体系统特别是想让一群大语言模型LLM学会“商量事儿”。这听起来有点抽象但你可以把它想象成一群来自不同背景、说着不同“方言”的人要一起给一个新发现的物种起个名字。一开始大家各说各的但通过反复交流最终得出了一个所有人都认可的统一名称。这个经典的研究模型在计算社会学和语言演化领域被称为“命名游戏”。我这次折腾的项目就是把“命名游戏”这个沙盘搬到了由多个LLM智能体构成的虚拟世界里去微观地观察它们是如何一步步达成共识的。核心不是看最终结果而是像用显微镜一样去追踪每一个交流回合中每个智能体内部信念的细微变化、词汇选择的博弈以及整个群体动态的涌现过程。这背后牵扯到LLM的推理机制、多智能体交互协议以及像“解码温度”这样的关键参数如何像“调音师”一样精细地控制着整个系统的收敛速度和稳定性。如果你对构建具备协作和涌现能力的AI系统感兴趣或者想知道LLM在群体互动中表现出的“社会性”行为那么这个关于共识形成的微观动力学探索会给你带来不少实操层面的启发和“坑点”预警。2. 核心思路与模型架构设计2.1 为什么是“命名游戏”选择命名游戏作为实验沙盘是基于几个非常实际的考量。首先它的规则极其简单却蕴含着丰富的动力学一个“发起者”智能体向一个“接收者”智能体展示一个物体或概念并试图用一个词来指代它。如果接收者知道这个词共识达成如果不知道发起者会告知接收者学习。这个“猜词-反馈-学习”的循环是语言传播和共识形成最基础的原子操作。其次它完美剥离了复杂任务规划、工具调用等干扰项让我们能聚焦于LLM最核心的“符号对齐”能力——即不同模型对于同一现实所指能否建立并共享同一套符号表征。在LLM的语境下“物体”可以是一个抽象概念如“公平贸易”一个具体物品如“一种新型量子比特”甚至一段代码的功能描述。我们关心的不是LLM能否描述它而是多个LLM能否就一个“标签”达成一致。最后命名游戏的微观状态清晰可测量。每个智能体在任何时刻都有一个“词汇表”记忆记录了物体到词汇的映射。我们可以追踪这个词汇表随时间的演化计算群体中使用不同词汇的比例精确度量共识度如所有智能体使用相同词汇的比例。这为定量分析动力学提供了可能。2.2 多智能体LLM系统的核心组件要搭建这个实验环境我们需要设计几个核心组件它们共同构成了系统的骨架。智能体封装层每个LLM智能体不是一个裸模型而是一个封装了状态、记忆和行为逻辑的实体。其核心属性包括内部LLM引擎可以是同一个模型的不同实例如4个ChatGPT-4o也可以是异构模型混合使用Claude、GPT、本地模型如Llama。异构设置更能模拟真实世界多样化的认知主体。个人词汇表一个字典数据结构存储着{概念唯一ID: 当前偏好词汇}。这是智能体的“个人知识”。交互历史记录每次对话的上下文用于提供给LLM作为提示词的一部分实现基于上下文的学习和调整。环境与调度器这是系统的“导演”。它负责初始化定义一组待命名的概念并随机或以某种策略为每个智能体分配初始词汇可以是空也可以是随机生成的不同词汇。配对与回合调度决定每一轮交互中哪两个智能体进行对话。可以是随机配对、基于社交网络的配对或者让共识度低的智能体更频繁地参与。状态收集与指标计算每轮结束后收集所有智能体的词汇表计算全局共识度、词汇多样性、收敛速度等指标。通信协议定义智能体之间交换信息的格式。这不仅仅是“A对B说一句话”而是结构化的消息。一个典型的协议消息可能包含sender_id: 发送者IDreceiver_id: 接收者IDconcept_id: 当前讨论的概念IDmessage_type: 消息类型如“propose”提议、“acknowledge”确认、“teach”教导content: 消息内容即提议或教导的词汇。context: 本次对话的简短历史防止LLM遗忘。这个协议确保了交互的规范性和可解析性方便我们记录和分析每一帧“微观”动态。2.3 提示词工程引导LLM玩好游戏这是整个项目成败的关键。LLM本身并不知道“命名游戏”的规则我们需要通过精心设计的提示词来塑造它的行为。提示词需要明确以下几个角色和规则角色定义你是一个参与命名游戏的智能体。你的目标是与其他智能体交流对一个给定的概念达成统一的命名。游戏状态当前讨论的概念是[概念描述]。你当前个人词典中对此概念的记录是[当前词汇若无则写“未知”]。本轮上下文现在你作为[发起者/接收者]收到了以下信息[对方的消息]。行动指令对于发起者请根据你的词典向对方提议一个你认为合适的词汇。如果对方同意则共识达成如果对方表示不知道你需要将这个词汇教给他。对于接收者请判断对方提议的词汇你是否知道即是否与你词典中的记录匹配或你认为可以接受。如果知道或接受请确认共识如果不知道请告知对方并等待教学。输出格式约束你的回答必须严格遵循以下JSON格式{“action”: “propose”|“acknowledge”|“learn”, “word”: “提出的词汇”|“确认的词汇”|“学习的词汇”}这个提示词结构将LLM的自由生成约束到了一个可控的决策框架内。在实际操作中我发现在提示词中强调“保持词汇简洁”、“避免生成长句解释”以及“严格按JSON输出”能极大提高系统运行的稳定性和可解析性。注意LLM特别是生成式模型有时会“加戏”在JSON外附加解释性文字。必须在后处理环节添加健壮的解析逻辑如正则表达式提取JSON部分否则系统运行几轮后就会因解析失败而崩溃。3. 核心动力学参数解码温度的杠杆效应如果说提示词定义了游戏的规则那么“解码温度”这个参数就相当于调节游戏“风格”和“难度”的旋钮。它的影响是微观且决定性的。3.1 解码温度是什么一个直观类比在LLM生成下一个词的概率分布上温度参数控制着采样策略。温度趋近于0时模型总是选择概率最高的那个词贪婪解码输出确定性强但可能单调重复。温度升高时概率分布被“平滑”低概率词也有机会被选中输出变得多样、有创造性但也不稳定。在这个命名游戏中你可以把温度理解为智能体的“个性”或“坚持度”。低温如0.1-0.3智能体非常“固执”和“确定”。一旦它认准了一个词就会坚持使用很难被说服改变。这有利于快速锁定一个选项但也可能导致系统陷入局部最优——比如两个固执的智能体各自坚持己见互不相让形成僵局。高温如0.8-1.2智能体变得“灵活”甚至“善变”。它更容易接受新词也更容易改变自己已有的主张。这有利于探索更多的词汇可能性避免早期僵局但可能导致共识迟迟无法形成群体词汇始终处于波动状态。中温如0.4-0.7这是一个比较平衡的区域。智能体既有一定的倾向性又保留了一定的开放性。通常能观察到最丰富、最典型的共识形成动力学。3.2 温度如何影响微观交互在一个具体的交互回合中温度的影响体现在LLM生成“行动”和“词汇”的环节。影响词汇生成当发起者需要提议一个词时即使是基于相同的概念和记忆不同的温度也会导致它从自己的“心理词典”中选出不同的候选词。低温下它几乎总是输出最自信的那个词高温下它可能会尝试一个不那么常见但自认为贴切的同义词。影响决策行动选择对于接收者判断“是否知道/接受”对方提议的词本身也是一个生成决策输出acknowledge或learn。低温下接收者会严格比对内部记忆只有完全匹配或极高相似度才确认高温下接收者可能因为词汇的语义相近性或创造性而更宽容地“接受”一个新词即使它不完全一样。实操心得温度不是全局固定的。一个高级技巧是设计自适应的温度策略。例如基于共识度的动态温度在游戏初期群体共识度低时采用较高的温度鼓励探索当共识度超过某个阈值后逐渐降低温度以稳定和固化共识。基于智能体角色的温度可以让“专家”智能体初始词汇更准确的使用较低温度保持正确性让“新手”智能体使用较高温度加速学习。基于回合数的退火模拟“模拟退火”算法随着游戏进行全局温度缓慢下降从探索为主转向利用为主。我在实验中设置了一组对照固定低温(0.2)、固定高温(0.9)、动态退火(从1.0到0.2)。结果非常明显固定低温组要么快速收敛于一个可能不是最优的词汇要么陷入死锁固定高温组词汇始终“飘忽”共识曲线上下震荡而动态退火组展现出了最理想的S型学习曲线——前期快速探索多个选项中期加速收敛后期稳定锁定。4. 系统实现与关键代码解析4.1 智能体类的实现下面是一个简化但功能完整的智能体类Python实现它封装了LLM调用、状态管理和决策逻辑。import openai import json import re class LLMAgent: def __init__(self, agent_id, model_namegpt-4, api_keyNone, temperature0.7): self.agent_id agent_id self.model_name model_name self.temperature temperature self.vocabulary {} # {concept_id: preferred_word} self.conversation_history [] if api_key: openai.api_key api_key def get_word_for_concept(self, concept_id, concept_description): 从个人词汇表中获取对应概念的词若没有则生成一个初始词。 if concept_id in self.vocabulary: return self.vocabulary[concept_id] else: # 首次遇到该概念生成一个初始命名 prompt f你是一个命名词汇生成器。请为以下概念生成一个简洁、贴切的单一英文单词或短词组不超过2个词。 概念{concept_description} 请只输出词汇本身不要有任何额外解释。 initial_word self._call_llm(prompt, max_tokens15) initial_word initial_word.strip().strip(\\) self.vocabulary[concept_id] initial_word return initial_word def play_as_initiator(self, concept_id, concept_desc, receiver_id): 作为发起者进行一轮交互。 my_word self.get_word_for_concept(concept_id, concept_desc) prompt self._construct_initiator_prompt(concept_desc, my_word, receiver_id) llm_response self._call_llm(prompt) return self._parse_response(llm_response, my_word) def play_as_receiver(self, concept_id, concept_desc, proposed_word, sender_id): 作为接收者进行一轮交互。 my_word self.get_word_for_concept(concept_id, concept_desc) prompt self._construct_receiver_prompt(concept_desc, my_word, proposed_word, sender_id) llm_response self._call_llm(prompt) return self._parse_response(llm_response, my_word, proposed_word) def _call_llm(self, prompt, max_tokens100): 调用LLM API的核心函数。 try: response openai.ChatCompletion.create( modelself.model_name, messages[{role: user, content: prompt}], temperatureself.temperature, max_tokensmax_tokens ) return response.choices[0].message.content except Exception as e: print(fAgent {self.agent_id} LLM call failed: {e}) return {\action\: \error\, \word\: \\} def _construct_initiator_prompt(self, concept_desc, my_word, receiver_id): # 构建发起者提示词包含角色、状态、历史、指令 history_str json.dumps(self.conversation_history[-3:], ensure_asciiFalse) if self.conversation_history else [] prompt f你正在参与一个多智能体命名游戏。 角色发起者。 目标概念{concept_desc} 你个人当前使用的词{my_word} 最近的对话历史{history_str} 任务向智能体{receiver_id}提议一个词来描述上述概念。如果对方知道该词则达成共识如果对方不知道你需要教会他。 请严格按以下JSON格式回应不要有任何额外文本 {{action: propose, word: 你提议的词汇}} return prompt def _parse_response(self, llm_response, my_wordNone, proposed_wordNone): 解析LLM的回复提取结构化动作。这是稳定性的关键。 # 使用正则表达式尝试提取最像JSON的部分 json_match re.search(r\{.*\}, llm_response, re.DOTALL) if not json_match: return {action: error, word: , raw: llm_response} try: response_dict json.loads(json_match.group()) action response_dict.get(action, error) word response_dict.get(word, ).strip() # 后处理如果action是acknowledge但word为空用提议词或自己的词填充 if action acknowledge and not word: word proposed_word if proposed_word else my_word return {action: action, word: word, raw: llm_response} except json.JSONDecodeError: return {action: error, word: , raw: llm_response} def update_vocabulary(self, concept_id, new_word): 更新智能体的词汇表。 self.vocabulary[concept_id] new_word def record_conversation(self, record): 记录对话历史。 self.conversation_history.append(record)关键点解析_parse_response函数中的正则表达式提取是必备的健壮性措施。LLM的回复可能包含思考过程或格式偏差直接json.loads()整个回复极易失败。get_word_for_concept方法实现了智能体的“记忆”查询和“创造”能力。首次遇到概念时它会自主生成一个初始命名这模拟了智能体对世界的初始认知。提示词中包含了简短的对话历史self.conversation_history[-3:]这为LLM提供了上下文使其行为能基于之前的互动进行调整这是实现动态学习的关键。4.2 环境模拟与主循环主循环负责驱动整个多轮交互过程并收集数据。import random from collections import defaultdict class NamingGameEnvironment: def __init__(self, concept_list, agent_list): self.concepts concept_list # [{id:1, desc:A sustainable energy source...}, ...] self.agents agent_list # list of LLMAgent objects self.global_history [] self.consensus_data [] # 记录每轮后的共识度 def run_round(self, round_num): 运行一轮游戏。 # 1. 随机选择一个概念 concept random.choice(self.concepts) # 2. 随机选择两个不同的智能体 initiator, receiver random.sample(self.agents, 2) # 3. 发起者行动 init_response initiator.play_as_initiator(concept[id], concept[desc], receiver.agent_id) proposed_word init_response[word] # 4. 接收者行动 rec_response receiver.play_as_receiver(concept[id], concept[desc], proposed_word, initiator.agent_id) # 5. 处理交互结果并更新状态 interaction_record { round: round_num, concept: concept[id], initiator: initiator.agent_id, receiver: receiver.agent_id, proposed_word: proposed_word, action: rec_response[action], final_word: rec_response[word] } if rec_response[action] acknowledge: # 共识达成双方词汇表更新为最终词可能是提议词也可能是接收者确认的词 final_word rec_response[word] initiator.update_vocabulary(concept[id], final_word) receiver.update_vocabulary(concept[id], final_word) interaction_record[result] consensus_reached elif rec_response[action] learn: # 接收者学习新词 receiver.update_vocabulary(concept[id], proposed_word) interaction_record[result] learning_happened else: interaction_record[result] error_or_no_change # 6. 记录历史 self.global_history.append(interaction_record) initiator.record_conversation(interaction_record) receiver.record_conversation(interaction_record) return interaction_record def calculate_consensus(self): 计算当前所有智能体对所有概念的共识度。 concept_word_map defaultdict(set) for agent in self.agents: for cid, word in agent.vocabulary.items(): concept_word_map[cid].add(word) total_agreement 0 for cid, word_set in concept_word_map.items(): # 如果所有智能体对这个概念都有记录且记录的唯一词汇数为1则达成共识 if len(word_set) 1: total_agreement 1 consensus_ratio total_agreement / len(self.concepts) if self.concepts else 0 return consensus_ratio def run_simulation(self, total_rounds500): 运行完整模拟。 for round in range(total_rounds): self.run_round(round) if round % 10 0: # 每10轮计算一次共识度 consensus self.calculate_consensus() self.consensus_data.append((round, consensus)) print(fRound {round}: Consensus {consensus:.3f}) if consensus 0.95: # 提前终止条件 print(fEarly stopping at round {round} due to high consensus.) break这个主循环实现了最基本的随机配对、顺序执行。你可以在此基础上扩展更复杂的调度策略比如优先选择对未共识概念持有不同词汇的智能体配对以加速收敛。5. 实验结果分析与典型动力学模式运行上述系统改变智能体数量N、解码温度T等参数我们可以观察到丰富的动力学行为。以下是一些典型的模式。5.1 共识形成曲线与相变将共识度随时间或交互轮次的变化绘制成曲线是最直观的观察方式。温度设置典型曲线形态动力学特征微观解释低温 (T 0.3)快速上升后进入平台期或缓慢增长可能无法达到100%共识。收敛快易陷局部僵局。少数“固执”智能体坚持己见形成稳定少数派阻碍全局共识。智能体决策确定性高难以改变初始观点或接受新词。交互中“学习”事件发生率低。中温 (0.4 T 0.7)经典的S型逻辑增长曲线。初期缓慢探索中期加速收敛后期趋于稳定。稳健收敛。系统能有效探索词汇空间并通过成功的交互“教-学”传播优势词汇最终淘汰其他变体。智能体在坚持和妥协间有良好平衡。既有一定惯性保持现有词汇又有足够概率接受更优或更流行的新词。高温 (T 0.8)曲线在低位大幅震荡或缓慢、波动地上升难以稳定。共识困难持续波动。智能体过于“善变”刚学会的词可能下一轮就被自己或他人放弃优势词汇难以形成和维持。高随机性导致决策不稳定。即使达成临时共识也极易被后续的随机提议打破。实操发现在异构模型混合GPT-4和Claude环境中由于不同模型固有的“风格”和“偏好”差异达成共识所需的轮次明显多于同构模型。这模拟了现实世界中不同文化或专业背景的个体沟通时需要更多的磨合。5.2 词汇竞争与“胜者通吃”在微观层面我们可以追踪每个概念下不同词汇的“市场份额”随时间的变化。通常会观察到“词汇竞争”现象初期多个词汇并存随着交互进行其中一个词汇会逐渐获得优势其使用频率像滚雪球一样增长正反馈最终占据主导地位实现“胜者通吃”。这个过程类似于生物进化中的自然选择或社交媒体上的迷因传播。影响哪个词汇能胜出的因素很复杂初始优势某个词汇在初始化时被更多智能体使用。智能体影响力持有某个词汇的智能体如果更频繁地被选为发起者或它的提议更容易被接受该词汇传播更快。词汇本身的“适应性”有些词汇可能因为更简洁、更形象或更符合LLM的语义偏好这本身是个有趣的研究点而在传播中具有内在优势。我在一次实验中给一个描述“去中心化协作组织”的概念设置了三个初始词汇DAO,Decentralized Collective,Web3 Squad。经过300轮交互DAO以压倒性优势胜出。回溯历史发现早期一次由DAO持有者向一个高“社交度”被配对次数多的智能体成功教学成为了关键的转折点。5.3 错误模式与系统鲁棒性分析系统在运行中会出现各种“错误”分析它们对理解LLM的行为和提升系统鲁棒性至关重要。问题类型表现可能原因缓解策略解析失败LLM回复不符合JSON格式导致_parse_response报错。提示词约束力不足模型自身输出习惯。1. 在提示词中强化格式要求。2. 使用更健壮的解析如前述正则表达式。3. 对解析失败的情况设置默认动作如“无操作”。语义漂移智能体提议的词汇逐渐偏离概念原意。例如将“量子纠缠”逐渐说成“粒子连接”。多轮传递中LLM对概念的理解产生细微偏差并累积。1. 定期在提示词中重新注入精确的概念描述。2. 引入“权威源”智能体其词汇固定不变定期参与交互以纠正漂移。无效交互双方来回提议不同的词但谁也不接受对方的也不发生“学习”。双方温度都过低过于固执或者提议的词确实都不合适。1. 引入“协商失败”计数器超过阈值后强制一方学习或引入第三方仲裁。2. 动态调整温度在僵局时暂时提高灵活性。系统振荡群体共识在几个词汇间周期性摇摆。高温环境下某个智能体偶然提议了一个新词因其“新颖性”被快速接受但另一个旧词也有其支持者形成拉锯。1. 降低温度以增加系统惯性。2. 引入“记忆衰减”或“词汇权重”让使用次数多的词汇更不容易被替换。6. 扩展方向与高级议题这个基础框架可以沿多个方向进行深度扩展以研究更复杂的社会计算现象。6.1 引入智能体网络拓扑现实中的交流不是完全随机的。我们可以为智能体定义社交网络如小世界网络、无标度网络交互只发生在有连接的智能体之间。这将研究问题引向共识如何在结构化群体中传播中心节点连接数多的智能体是否会成为“意见领袖”加速或主导共识形成社区结构是否会阻碍全局共识导致形成多个局部共识方言区实现上只需修改环境类的配对逻辑从random.sample改为根据网络邻接表选择邻居。6.2 定义智能体策略与心智理论基础模型中的智能体是“诚实”且反应式的。我们可以赋予它们更复杂的策略保守者策略极不愿意改变自己的词汇。迎合者策略倾向于接受对方提议的词以快速达成一致。欺骗者策略可能故意教授错误的词以测试系统鲁棒性或模拟信息战场景。 更高级的是让智能体具备初步的“心智理论”——即推断其他智能体知识状态的能力。例如一个智能体可能因为“认为对方大概率不知道某个生僻词”而选择一个更常见的同义词。这需要通过在提示词中嵌入对其他智能体历史的推理来实现复杂度剧增但更贴近真实社交智能。6.3 多概念与词汇关联性目前每个概念独立。我们可以引入概念之间的语义关联。例如概念A“新能源汽车”和概念B“充电桩”。智能体对A的命名如EV可能影响对B的命名倾向于EV Charger而非Plug-in Station。这模拟了词汇系统中的语义场和类比创造可以研究共识如何在相关概念间协同演化。6.4 与强化学习的结合可以将每个智能体视为一个强化学习智能体。其“状态”是自己的词汇表和局部观察到的交互历史“动作”是提议或回应某个词“奖励”可以是达成共识正奖励、交流失败负奖励或保持词汇简洁性形奖励。目标是学习一个最优的沟通策略。这便将问题导向了多智能体强化学习与自然语言沟通的交叉领域即著名的“Lewis Signaling Game”的LLM版本探索智能体如何从零开始涌现出一套有效的沟通协议。这个项目就像打开了一个观察LLM群体行为的显微镜。它不仅仅是实现一个游戏更是提供了一个可控制、可测量、可重复的实验平台用于探索语言、共识、社会学习等复杂现象在AI智能体中的涌现。从工程角度看它锻炼了构建复杂多智能体系统、设计鲁棒的人机交互协议以及进行严谨实验分析的能力。每一次参数调整后观察到的曲线变化都像是在直接触碰AI认知世界的那些微妙齿轮。