2,466
个编辑
更改
无编辑摘要
为了验证智能体的自主决策能力及其行为模式的合理性，团队模拟了社会人智能体的一日生活，观察其在移动、社交和经济活动 方面的决策和适应能力（如下表所示）。通过 24 小时的仿真，智能体在需求、情感和认知 的驱动下自主规划日常任务，并动态调整行为，以符合现实社会中的时间节奏和互动逻辑。
为了验证智能体的自主决策能力及其行为模式的合理性，团队模拟了社会人智能体的一日生活，观察其在移动、社交和经济活动 方面的决策和适应能力（如下表所示）。通过 24 小时的仿真，智能体在需求、情感和认知 的驱动下自主规划日常任务，并动态调整行为，以符合现实社会中的时间节奏和互动逻辑。
{| class="wikitable"
{| class="wikitable" style="margin: auto;"
|+表 1 社会人智能体自主生活一日示例
|+表 1 社会人智能体自主生活一日示例
|-
|-
为了验证真实城市社会环境在大规模社会模拟中的适应性和运行效率，团队进行了性能测试，评估其在不同规模的智能体数量和高并发查询场景下的表现。实验模拟了1,000、10,000、100,000 和 1,000,000 个智能体在城市、社交和经济空间内的交互，并采用典型工作日出行模式，在 8:30 早高峰启动模拟。测试过程中，团队设定查询执行比为 1:999（即每 999 次数据查询后进行 1 次环境状态更新），贴近智能体的真实交互模式，同时控制模拟进程数为 2、4、8、16 和 32。每种实验条件下，团队重复测试五次，每次持续 10 秒，并记录查询速率（QPS） 在 10^2 至 10^5 之间的变化情况。实验结果表明，即使智能体数量和查询速率显著增加，系统仍保持稳定运行，能够高效处理大规模智能体交互，为大规模社会模拟提供实时、可靠的计算支持。
为了验证真实城市社会环境在大规模社会模拟中的适应性和运行效率，团队进行了性能测试，评估其在不同规模的智能体数量和高并发查询场景下的表现。实验模拟了1,000、10,000、100,000 和 1,000,000 个智能体在城市、社交和经济空间内的交互，并采用典型工作日出行模式，在 8:30 早高峰启动模拟。测试过程中，团队设定查询执行比为 1:999（即每 999 次数据查询后进行 1 次环境状态更新），贴近智能体的真实交互模式，同时控制模拟进程数为 2、4、8、16 和 32。每种实验条件下，团队重复测试五次，每次持续 10 秒，并记录查询速率（QPS） 在 10^2 至 10^5 之间的变化情况。实验结果表明，即使智能体数量和查询速率显著增加，系统仍保持稳定运行，能够高效处理大规模智能体交互，为大规模社会模拟提供实时、可靠的计算支持。
{| class="wikitable"
{| class="wikitable" style="margin: auto;"
|+表 2 城市社会环境性能评估
|+表 2 城市社会环境性能评估
|-
|-
为了评估社会模拟引擎的扩展性和计算效率，团队进行了大规模测试，模拟不同数量的智能体，并测量系统在高并发场景下的表现。在消息通信系统方面，团队测试了 MQTT、Redis Pub/Sub 和 RabbitMQ，比较了它们的并行处理能力、吞吐量（msg/s）和辅助工具支持。实验结果显示，MQTT 和 Redis Pub/Sub 满足高吞吐需求。
为了评估社会模拟引擎的扩展性和计算效率，团队进行了大规模测试，模拟不同数量的智能体，并测量系统在高并发场景下的表现。在消息通信系统方面，团队测试了 MQTT、Redis Pub/Sub 和 RabbitMQ，比较了它们的并行处理能力、吞吐量（msg/s）和辅助工具支持。实验结果显示，MQTT 和 Redis Pub/Sub 满足高吞吐需求。
{| class="wikitable"
{| class="wikitable" style="margin: auto;"
|+表 3 消息系统性能评估
|+表 3 消息系统性能评估
|-
|-
在大规模智能体模拟方面，团队在64 核服务器上运行实验，32 核分配给模拟引擎，32 核用于智能体执行，并测试了1,000和10,000 智能体在不同进程数（8、16、32） 下的运行情况。实验测量了 总执行时间、LLM API 响应时间、模拟器 API 响应时间和令牌消耗，结果表明 Ray 分布式计算框架和智能体分组机制大幅提高了模拟效率，确保系统在 高并发负载下仍能稳定运行。
在大规模智能体模拟方面，团队在64 核服务器上运行实验，32 核分配给模拟引擎，32 核用于智能体执行，并测试了1,000和10,000 智能体在不同进程数（8、16、32） 下的运行情况。实验测量了 总执行时间、LLM API 响应时间、模拟器 API 响应时间和令牌消耗，结果表明 Ray 分布式计算框架和智能体分组机制大幅提高了模拟效率，确保系统在 高并发负载下仍能稳定运行。
{| class="wikitable"
{| class="wikitable" style="margin: auto;"
|+表 4 AgentSociety总体性能评估表
|+表 4 AgentSociety总体性能评估表
|-
|-