WorldSeed
用 YAML 定义规则与角色，运行可观察、可干预的多智能体世界。
- Star 数
- ★ 822
- 最近更新
- 4 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 37/100 · 缺口较多
30 秒速览
- 可在哪里用
- 通用 · 跨平台Codex · OpenAI API · Claude API
- 开始前需要
- 典型场景
- 研究团队想把一个粗略研究想法交给多名专业角色提出假设、执行实验、同行评审并保留可审计过程时。
- 主要局限
- 运行环境同时依赖 Python 3.11+、Node.js 18+、uv 和前端 npm 构建步骤。
这个 Agent 能做什么，适合哪些场景？
WorldSeed 是一个用于构建涌现式多智能体场景的本地世界引擎。开发者在 YAML 中声明实体、角色、私密信息、感知过滤、动作、规则与后果，随后通过 worldseed CLI 启动场景。运行时采用 tick 循环：每个角色看到经过过滤的世界状态、提出动作，确定性结果由 YAML DSL 处理，不确定结果交给基于 LLM 的 Dungeon Master 返回结构化 effects。它提供本地 Web 仪表盘，可观察角色内在状态、私下干预角色，或以角色身份参与；运行记录可保留并回放。仓库附带 AI Layoffs 和 Teahouse 等场景，并支持接入 OpenClaw agents、Codex subagents 及 LiteLLM 支持的模型提供商。
使用 uv run worldseed validate configs/my_scene.yaml 校验场景 YAML，再使用 uv run worldseed play configs/my_scene.yaml 运行世界。引擎在每个 tick 按角色的 perception 规则筛选状态，让角色提出 action；YAML 中可确定的规则由 DSL 解析，无法确定的结果则发送给 LLM Dungeon Master，接收结构化 effects 并更新世界状态、触发后果和日志。启动后在 http://localhost:8000 提供仪表盘，用户可 Watch、Intervene 或 Play。/create-world 可根据提示生成经过验证的 YAML scene config 和 UI config，用户也可直接编辑 configs/teahouse.yaml、configs/ai_layoffs.yaml 一类文件。
- 研究团队想把一个粗略研究想法交给多名专业角色提出假设、执行实验、同行评审并保留可审计过程时。
- 游戏或叙事设计师需要用同一套 tick 引擎测试带有秘密、阵营和非对称信息的间谍或办公室剧情时。
- AI 工具团队希望让学习 API 的角色、构建者、批评者、受众和策展者在一个可追溯场景中竞争产出时。
- 开发者需要通过 YAML 快速试验社会模拟中的角色规则、感知边界和后果链，而不为每个领域重写引擎时。
- 想把 OpenClaw agents 或 Codex subagents 接入一个可观察、可私下干预的多角色世界的工程团队。
如何安装或部署这个 Agent？
需要 Python 3.11+、Node.js 18+ 和 uv。执行：
git clone https://github.com/AIScientists-Dev/WorldSeed && cd WorldSeed
uv sync --extra dmcd frontend && npm install && npm run build && cd ..
cp .env.example .env在 .env 中添加任一 LiteLLM 提供商的 API key，例如 OpenAI、Anthropic 或 Ollama 配置所需的凭据。
如何使用这个 Agent？
先运行 uv run worldseed validate configs/ai_layoffs.yaml 校验场景，再运行 uv run worldseed play configs/ai_layoffs.yaml。打开 http://localhost:8000，在仪表盘中选择 Watch 观察、Intervene 私下提示角色，或 Play 进入角色。创建新场景时可执行 /create-world "你的世界描述"，或直接编写 YAML，然后以 uv run worldseed validate configs/my_scene.yaml 和 uv run worldseed play configs/my_scene.yaml 校验并启动。
这个 Agent 有哪些优点和局限？
- 以 YAML 声明角色、规则、私密信息和感知过滤，核心引擎不依赖硬编码领域知识。
- 将确定性动作交给场景内 DSL，将不确定结果交给返回结构化 effects 的 Dungeon Master，便于同时表达规则与开放式判断。
- 每名角色拥有被过滤的感知视图，适合模拟秘密、误解、情报不对称和社会互动。
- 本地仪表盘同时支持观察、私下干预和扮演，并记录状态变化以便回放。
- 运行环境同时依赖 Python 3.11+、Node.js 18+、uv 和前端 npm 构建步骤。
- 需要配置 LiteLLM 提供商凭据；涉及 Dungeon Master 的结果取决于所选模型。
- 新世界需要理解并维护 YAML 场景、UI 配置、感知规则和 DSL 规则。
- 仓库给出了本地启动方式，但未提供生产部署、托管服务或成本控制的具体说明。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|
| WorldSeed 当前 | 37 · 缺口较多 | ★ 822 | 4 个月前 | Python | Codex · OpenAI API · Claude API |
| MassGen 多智能体协作系统 | 51 · 缺口较多 | ★ 1.1k | 3 个月前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| IR-SIM 智能机器人模拟器 | 43 · 缺口较多 | ★ 1.1k | 5 天前 | Python | — |
| RAI 具身智能机器人框架 | 55 · 缺口较多 | ★ 592 | 13 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示仓库未提供权限模型、用户确认机制、数据流透明性、敏感数据处理、依赖安全审计、外部影响控制、回滚机制或来源归属。所有信任相关标准均缺失，故为0。
自一致性：README、pyproject.toml和测试文件在架构描述上一致，但未提供运行时验证。依赖可用性：依赖列表明确，但未提供锁定文件或完整性校验。失败消息：测试和文档中未提供错误处理或用户可操作的失败提示。
受众与场景：README描述了多种场景，但未明确目标用户。能力边界：文档说明了引擎的通用性，但未明确限制。触发精度：未提供明确的触发条件或输入验证。环境适配：提供了安装和运行说明，但未覆盖所有平台。
信息架构：文档结构清晰，有架构说明。安装说明：提供了安装步骤。命名稳定性：未提供API稳定性承诺。示例与FAQ：提供了示例，但无FAQ。已知限制：未明确列出。许可证：MIT许可证明确。版本与变更日志：有版本号但无变更日志。维护责任：未明确维护者。
输出可用性：提供了演示和示例，但未验证输出质量。边际价值：提供了独特功能，但未与其他方案对比。成本效益：未提供性能或成本数据。
声明可追溯性：README中的声明未提供证据。跨来源佐证：未提供外部验证。事实与推断分离：未明确区分事实和推断。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 仓库未提供任何安全或权限控制机制，运行代理可能具有不受限制的权限。
- 依赖未锁定版本，存在供应链风险。
- 未提供回滚或恢复机制，运行失败可能导致状态丢失。