AgentVerse

一句话定位

一个面向研究的 多智能体（multi-agent）仿真与协作框架（OpenBMB / ICLR 2024 论文配套实现），核心信条是”用 YAML 配置 + 可插拔规则组件描述一个多智能体环境”：同时提供 simulation（自定义环境观察 LLM 群体涌现行为，如 NLP 课堂、囚徒困境、Pokemon）与 task-solving（把多个 agent 组装成”专家招募→决策→执行→评估”的自动协作系统）两套框架，两者共享 environment / agent / memory / llm 抽象。

设计理念 / 顶层架构

AgentVerse 的核心范式不是”单 agent 的工具循环”，而是 environment 驱动的多 agent 回合制仿真——environment.step() 才是主循环，agent 只是被环境按规则调度的参与者。设计取舍：

• 环境即一等公民：BaseEnvironment（agentverse/environments/base.py:20）持有 agents 列表、rule、max_turns/cnt_turn，AgentVerse.run() 反复 asyncio.run(environment.step()) 直到 is_done()（agentverse/agentverse.py:47）。
• 规则可插拔，环境=规则的组合：simulation 环境把行为拆成 5 个规则组件——Order（发言顺序）/ Visibility（可见性）/ Selector（消息筛选）/ Updater（记忆更新）/ Describer（环境描述），由 SimulationRule 组合（agentverse/environments/simulation_env/rules/base.py:32）。task-solving 环境则换成 4 个规则组件——RoleAssigner（专家招募）/ DecisionMaker（决策/讨论）/ Executor（执行）/ Evaluator（评估），由 TasksolvingRule 组合（agentverse/environments/tasksolving_env/rules/base.py:28）。“实现一个新环境≈实现一组新规则”。
• 注册表 + YAML 配置驱动：一切组件（env / agent / llm / memory / rule / output_parser）都用极简 Registry（agentverse/registry.py:6）以装饰器 @xxx_registry.register("name") 注册，再由 initialization.py 读 config.yaml 按 type 字段 build() 出来（agentverse/initialization.py:59）。零代码改动即可换环境/换 agent/换模型。
• 包结构：agents/（base + simulation_agent/ 的 conversation/tool/reflection… + tasksolving_agent/ 的 solver/critic/executor/evaluator/role_assigner/manager）；environments/（simulation_env/ 与 tasksolving_env/，各带 rules/ 子目录）；memory/（chat_history / summary / vectorstore / sde_team）、memory_manipulator/（basic / plan / reflection）、llms/（OpenAI/Azure/本地 vLLM/FSChat）、output_parser/、tasks/（几十个开箱即用配置）。
• 入口 API：CLI 为主——agentverse-simulation --task ... / agentverse-tasksolving --task ... / agentverse-benchmark（setup.py:48）；编程入口 AgentVerse.from_task(task, tasks_dir)（agentverse/agentverse.py:25）。

最小示例（取自 README 的 CLI 用法，simulation 与 task-solving 各一）：

# Simulation：9 人 NLP 课堂（1 教授 + 8 学生），观察群体对话行为
agentverse-simulation --task simulation/nlp_classroom_9players
# 带 GUI（gradio，访问 http://127.0.0.1:7860/）
agentverse-simulation-gui --task simulation/nlp_classroom_9players

# Task-solving：多 agent 协作头脑风暴（专家招募→讨论→执行→评估）
agentverse-tasksolving --task tasksolving/brainstorming
# 在 benchmark 数据集上跑（如 HumanEval）
agentverse-benchmark --task tasksolving/humaneval/gpt-3.5 --dataset_path data/humaneval/test.jsonl --overwrite

# 一个 simulation 环境的最小 config.yaml（取自 README 的 classroom 示例）
environment:
  env_type: basic        # 注册名 sim-basic
  max_turns: 10
  rule:
    order:      { type: sequential }   # 轮流发言
    visibility: { type: all }          # 消息对所有 agent 可见
    selector:   { type: basic }        # 不筛选
    updater:    { type: basic }        # 更新到所有 agent
    describer:  { type: basic }        # 无额外环境描述
agents:
  - agent_type: conversation
    name: Professor Micheal
    role_description: You are Prof. Micheal, ...
    memory: { memory_type: chat_history }
    prompt_template: *professor_prompt
    llm: { llm_type: text-davinci-003, model: text-davinci-003, temperature: 0.7, max_tokens: 250 }

组件实现（横向逐项）

设计权衡与特性

• “环境 + 规则组件”是它最大的辨识度：与多数”agent 为中心、工具循环”的框架（如 connectonion）相反，AgentVerse 把多 agent 交互显式拆成可替换的规则原子（order/visibility/selector/updater/describer 或 role_assigner/decision_maker/executor/evaluator），用 YAML 描述一个”世界”。研究者改一个 type 字段就能切换发言顺序、可见性、讨论拓扑——非常适合做”涌现行为/协作机制”的对照实验，这也是其 ICLR 论文的核心卖点。
• simulation vs task-solving 双框架共享底座：两套 env 都继承 BaseEnvironment、复用同一套 agent/memory/llm/registry，但规则集与 step 流程完全不同——前者偏开放式群体仿真，后者偏目标导向的”专家系统流水线”（招募专家→讨论出方案→执行→评分迭代，最高 max_turn 轮）。
• 配置驱动、轻代码：Registry + YAML 让”加一个场景”基本是写配置 + 写一个 output_parser，无需碰核心代码（README 的 classroom 教程即三步）。代价是抽象层级多、调试需理解规则装配链路。
• 强研究、弱生产：依赖偏研究态（pydantic 1.10.7、langchain 0.0.157、openai 1.1.0 等被钉死的老版本，requirements.txt）；工具生态依赖外部 BMTools（simulation）与 XAgent ToolServer（task-solving），不内置；无沙箱、无鉴权、无会话持久化/检查点、无系统化 human-in-the-loop。
• 待确认/坑：① README 顶部明确标注 simulation 框架”正在重构”，需稳定纯 simulation 版本要切 release-0.1 分支；Pokemon 也仅在 release-0.1 可用。② setup.py 版本号为 0.1.8.1，与仓库实际状态可能不一致（待确认）。③ DynamicDecisionMaker 源码注释含”To Do: implement dynamic”，部分高级编排实现度待确认（decision_maker/dynamic.py:24）。④ 钉死的老依赖（langchain 0.0.157 / pydantic v1）对新环境安装不友好。

关联

• component-taxonomy · single-vs-multi-agent · multi-agent-orchestration
• 同范式(multi-agent，仿真/协作)：connectonion · 源码：agents-example/agentverse/