这篇文章分析 Generative Agents 中的 感知 Perceive 模块 ，是 Persona 类认知链 Perceive → Retrieve → Plan → Reflect → Execute 中的第一环。主要功能如下：
- 空间感知：识别角色周围可见的瓦片（tiles），并更新其空间记忆树。
- 事件感知：识别角色视野范围内正在发生的事件，并判断是否为新事件。
- 记忆存储 ：将新感知到的事件写入联想记忆（
associative memory）。 - 重要性评分：通过 GPT 模型对事件进行"显著性"（poignancy）评分，用于后续行为决策。
主要函数详解
1. generate_poig_score
python
def generate_poig_score(persona, event_type, description):- 作用：根据事件类型和描述，使用 GPT 模型计算事件的重要性分数。
- 逻辑 ：
- 如果是空闲状态（如
"is idle"），返回固定值1。 - 如果是普通事件（event），调用
run_gpt_prompt_event_poignancy()获取评分。 - 如果是聊天事件（chat），调用
run_gpt_prompt_chat_poignancy()获取评分。
- 如果是空闲状态（如
2. perceive
输入：
- persona: 当前角色实例。
- maze: 地图实例，提供位置与事件信息。
输出：
ret_events: 一组感知到的新事件，每个事件是一个<ConceptNode>对象。
python
def perceive(persona, maze):这是整个模块的核心函数，负责完成以下任务：
A. 空间感知
python
nearby_tiles = maze.get_nearby_tiles(persona.scratch.curr_tile, persona.scratch.vision_r)- 获取当前角色视野范围内的所有瓦片。
- 更新角色的空间记忆树（
s_mem.tree），记录世界、区域、场景、游戏对象等信息。
B. 事件感知
python
for tile in nearby_tiles:
...- 遍历所有附近瓦片，收集其中的事件。
- 过滤掉重复事件（一个事件可能跨多个瓦片）。
- 根据距离排序，保留最近的
<att_bandwidth>个事件。
C. 事件处理与记忆更新
python
latest_events = persona.a_mem.get_summarized_latest_events(...)
if p_event not in latest_events
# 调用 openai 模型能力 gpt_structure.py
event_embdding = get_embedding(deesc_embedding_in)
# 调用 openai 模型能力。Get event poignancy.
event_poignancy = generate_poig_score(persona,
"event",
desc_embedding_in)
chat_poignancy = generate_poig_score(persona, "chat",
persona.scratch.act_description)
# 调用 openai 模型能力 gpt_structure.py
def generate_poig_score(persona, event_type, description):
if "is idle" in description:
return 1
if event_type == "event":
return run_gpt_prompt_event_poignancy(persona, description)[0]
elif event_type == "chat":
return run_gpt_prompt_chat_poignancy(persona,
persona.scratch.act_description)[0]- 判断事件是否为新事件（不在最近记忆中）。
- 提取关键词、生成嵌入向量（embedding）、计算显著性评分。
- 若事件是角色自身的对话，则一并保存对话内容。
D. 记忆写入
python
persona.a_mem.add_chat(...)
persona.a_mem.add_event(...)- 将新聊天/事件写入联想记忆。
- 更新角色临时记忆中的重要性阈值（
importance_trigger_curr）。
设计亮点
多层级空间记忆
- 使用树状结构存储世界、区域、场景、物体，便于快速定位。
- 支持动态扩展，适用于复杂环境。
距离优先的注意力机制
- 使用
<att_bandwidth>控制最大感知事件数。 - 优先感知距离近的事件，避免信息过载。
显著性评分机制
- 利用 GPT 模型评估事件重要性。
- 分别支持普通事件与聊天事件的评分模型。
记忆去重机制
- 使用集合（
set()）过滤重复事件。 - 保证每次只处理真正的新事件。
关键参数说明
| 参数 | 描述 |
|---|---|
vision_r |
角色视野半径（单位：tile） |
att_bandwidth |
最多感知的事件数量 |
retention |
用于判断是否为新事件的时间窗口（步数） |
这些参数控制角色的感知能力，可用于模拟不同性格或能力的角色。
总结
perceive.py 是 生成式智能体认知架构 的第一环，负责从环境中提取事件与空间信息，并将其转化为机器可理解的记忆节点。它具备以下核心能力：
| 功能 | 描述 |
|---|---|
| 空间感知 | 构建角色的空间记忆树 |
| 事件感知 | 识别视野内的事件并去重 |
| 显著性评分 | 使用 GPT 模型评估事件重要性 |
| 内存更新 | 将新事件写入联想记忆供后续模块使用 |
它是构建完整智能体行为链条的基础模块，直接影响后续的记忆检索、规划与执行过程。