Multi-Agent Simulation
🇹🇭 ภาษาไทย
การสร้าง computational environment ที่มี autonomous agents หลายตัว — แต่ละตัวมี state, memory, และ behavior rules ของตัวเอง — แล้วให้วิ่ง interact กันเพื่อสังเกต emergent outcomes
องค์ประกอบหลัก
| องค์ประกอบ | คำอธิบาย |
|---|---|
| Agent | หน่วย autonomous ที่มี personality, memory, behavioral rules |
| Environment | space ที่ agents interact กัน |
| Memory | สิ่งที่ agent จำและนำมาตัดสินใจ |
| Interaction rules | กฎที่กำหนดว่า agents communicate กันอย่างไร |
| Emergence | macro behavior ที่เกิดจาก micro interactions |
Workflow (ตาม MiroFish)
Seed Input → Graph Building → Agent Instantiation → Simulation Loop → Output → Post-hoc Interaction
Memory ใน Multi-Agent Systems
- Zep Cloud (MiroFish) — per-agent long-term memory + temporal tracking
- In-context window — history ใน prompt (จำกัดด้วย context length)
- Vector store (MemPalace-style) — semantic retrieval จาก stored history
Use Cases
Social simulation, creative exploration (novel endings, historical what-ifs), financial market modeling, computational social science research
ข้อจำกัด
- Validation gap — ยากพิสูจน์ว่า simulation accurate กับ reality
- Agent fidelity — agents ยังไม่ represent human complexity จริงๆ
- Compute cost — thousands of agents × many rounds = LLM API costs สูง
- Emergent unpredictability — บางครั้ง emergence ที่ได้ไม่ meaningful
Related
- Swarm Intelligence — ปรัชญาที่ multi-agent simulation ยึด
- MiroFish — implementation หลักใน wiki นี้
- OASIS — open-source simulation engine ที่ MiroFish ใช้
🇬🇧 English
A computational environment populated with multiple autonomous agents — each with its own state, memory, and behavioral rules — that interact with each other, allowing observation of emergent outcomes.
Key Components
| Component | Description |
|---|---|
| Agent | Autonomous unit with personality, memory, and behavioral rules |
| Environment | The shared space where agents interact |
| Memory | What each agent remembers and uses to make decisions |
| Interaction rules | Rules governing how agents communicate and affect each other |
| Emergence | Macro-level behavior that arises from micro-level interactions |
Typical Workflow (based on MiroFish)
Seed Input
↓
Graph Building (entity extraction, GraphRAG construction)
↓
Agent Instantiation (persona + memory injection)
↓
Simulation Loop (temporal, dynamic memory updates)
↓
Output Extraction (report, observable state)
↓
Post-hoc Interaction (query the simulated world)
Memory Approaches in Multi-Agent Systems
- Zep Cloud (used by MiroFish) — per-agent long-term memory with temporal tracking
- In-context window — history stored in the prompt (limited by context length)
- Vector store (MemPalace-style) — semantic retrieval from stored interaction history
Use Cases
- Social simulation — public opinion modeling, policy impact testing, PR crisis simulation
- Creative exploration — novel endings, historical what-ifs, scenario planning
- Financial modeling — market behavior simulation where agents represent market participants
- Research — computational social science
Limitations
- Validation gap — difficult to prove that simulation outcomes match reality
- Agent fidelity — agents are still far from representing true human complexity
- Compute cost — thousands of agents × many simulation rounds = high LLM API costs
- Emergent unpredictability — emergent outcomes are sometimes not meaningful or interpretable