The Energy Society: A Simulation Environment for Studying Agent Cooperation under Survival Pressure
能源社会：在生存压力下研究LLM智能体合作的模拟环境
🧭 多智能体生存压力下的合作与竞争模拟
University of Southern Denmark · University of Turin
构建极小生存经济模拟环境，揭示推理成本与模型规模挂钩时合作激励如何改变多智能体行为
📌 工作参考价值
- 可借鉴'能量消耗与模型规模挂钩'的成本约束设计，用于多Agent推荐系统中的资源分配和预算控制。
- 允许Agent间相互推荐行动（行动建议）能促进协调和任务选择，可应用于分布式推荐Agent的协作机制。
- 记忆模块帮助Agent从历史结果校准风险，可复用到Agent的长期记忆设计，提升决策稳健性。
- 合作激励（如能量捐赠）改变行为模式，可启发在广告竞价或搜索Agent中设计激励对齐策略，避免纯粹自利导致的系统崩溃。
动机：多智能体环境中激励设计如何影响基于LLM的智能体的行为？尤其当推理成本直接与模型规模关联，且生存依赖于能量时，竞争与合作会导致怎样的涌现行为？
方法关键点：设计「能源社会」最小化生存经济——智能体每生成一个token消耗与模型大小成比例的能量，通过完成工作获得能量，也可相互捐赠，能量归零则失活。设置基线（无特殊激励）、竞争（最大化个人生存）和合作（最大化群体生存）三种目标，以及移除成本、移除记忆、移除行动建议等消融变体。所有智能体基于LLM（如GPT-4o-mini）与环境交互。
关键结果：大模型在所有设置中消耗最多能量且净能量为负，即使token成本不与模型大小挂钩时亦然；合作激励下智能体主动捐赠能量复活他人，有时牺牲自身生存，任务分配更均衡；消融显示，允许相互推荐行动促进了协调和风险任务选择，记忆帮助智能体从过去结果校准风险；竞争环境中几乎无直接破坏行为，但存在微妙的自我服务倾向。