Humanoid Agents 是一个系统，通过引入 System 1 processing 的三个要素：Basic needs、Emotion 和 Closeness in Relationships，指导 Generative Agents 更像人类行为，能够使用这些动态元素来适应他们的日常活动和与其他 agents 的对话，并通过实证实验支持。

Oct, 2023

本研究考虑将行为规则、奖励和人类示范化为生成 AI 代理即程序化人物角色，以模拟人类玩家的游戏体验，通过 Go-Explore 强化学习方法来训练人类化的代理，其结果显示生成的代理呈现出人类玩家的不同游戏风格和体验响应，同时对玩家体验的考虑，能够更好地推动行为探索。

Aug, 2022

利用 Lyfe Agents 实现了高度自治生成智能代理，能够在虚拟社会中模拟复杂的社交行为，并能以低计算成本与人进行实时互动，通过自主协作和信息交流解决犯罪等问题，同时比现有替代方案的计算成本低 10-100 倍。

Oct, 2023

计算思维与计算机编程具有学习曲线陡峭的特点。通过对话代理和生成式人工智能（genAI）的应用，可以提供个性化指导、互动学习体验和代码生成来促进学习过程。然而，目前基于 genAI 的聊天机器人主要面向专业开发人员，对教育需求的考虑可能不足够。因此，与教育者合作设计教育工具至关重要，本文通过设计虚构会话中的参与教育者洞察了一种具备指导学生分步练习、调整指导方法并关注教育背景、技能和学习偏好的对话代理，这些发现可为面向教授计算思维和计算机编程的辅导对话代理的未来实施提供指导。

Nov, 2023

大型语言模型的出现极大地推进了逼真互动代理的模拟。本研究提出了一种名为 Affordable Generative Agents（AGA）的框架，通过代理 - 环境和代理 - 代理层面上的生成，实现了具有可信度和低成本的互动。在多个环境中进行的广泛实验展示了我们提出的框架的效果和效率。通过对 LLM 代理中出现的可信行为机制进行深入分析，我们发现代理只能在固定环境中生成有限的行为，从中了解促进新型互动行为的方法。

Feb, 2024

通过与类 ChatGPT 的大规模语言模型连接，利用基于生成的人工智能的代理人疫情模型，使每个代理人能够自主理解和决策，从而将人类行为纳入疫情模型，本研究开创可能改善动态系统建模的潜力，为代表人类大脑、推理和决策方式的建模提供一种方法。

Jul, 2023

利用生成式人工智能建立反馈丰富的社会系统计算模型，通过生成代理基于模型（GABMs），将人类决策过程在社会环境中进行模拟，并探讨了社会规范扩散的一种简单 GABM 模型，以及该模型在不同情境下的敏感性和重要性。

Sep, 2023

通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

Dec, 2020

通过引用维特根斯坦的后期著作，本文试图解决对话代理人是否具有意识的问题，同时避免二元思维的陷阱。

Feb, 2024

通过模拟不同环境中多代理之间的语言交互，研究语言在人类集体行为中的作用，发现多信息交流有助于多样性情境中的更多新颖且有意义的新兴行为的产生。

Mar, 2024