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
- ★ 824
- 最近更新
- 6 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 56/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 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。
- 不适合
- 只想开箱即用、不愿维护 YAML 场景与感知规则的团队
- 需要生产级部署、托管运行或成本控制的团队
- 源码审查
- 56/100 · 缺口较多
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 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| WorldSeed 当前 | 56 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 824 | 6 个月前 | Python | Codex · OpenAI API · Claude API |
| MassGen 多智能体协作系统 | 50 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.1k | 4 个月前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| KADATH | 66 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 228 | 15 天前 | Python | OpenAI API |
| IR-SIM 智能机器人模拟器 | 57 · 缺口较多 | 代码库 / SDK免费 | ★ 1.2k | 7 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，WorldSeed 按角色过滤感知内容，并记录可回放的事件流；autoresearch 专用运行时只暴露 perceive/act 工具且把文件操作交给引擎。但 OpenClaw 指南允许代理使用自身文件、bash、网络等工具，权限边界取决于外部运行时；系统也鼓励代理自主行动，用户确认主要体现为可选干预，故最小权限和确认机制仅部分成立。事件日志、暂停/恢复和运行记录提高数据流可见性，但没有完整说明数据保留、密钥保护或外部调用数据处理；依赖只列版本范围，未见安全审计证据。恢复能力有暂停、停止、恢复和快照支持；许可证及版权主体明确，但发布者身份未验证，维护责任和更新路径不清。
协议、架构说明和服务代码对感知、动作提交及 tick 生命周期基本一致；但采样内容同时描述 OpenClaw 与 Codex、专用 autoresearch 运行时，无法据此确认所有运行路径完全一致，因此自洽性未给满分。README 提供 Python、Node、uv 和 LiteLLM 等先决条件及安装步骤，但版本范围较宽，外部模型服务和运行时可用性仍是依赖。技能说明称动作失败会返回原因和实际值，且文档列出健康检查、状态查询和排错顺序；未见足够证据证明所有错误路径都有一致处理。
材料明确面向多智能体模拟、生产协作、游戏和虚构世界，并给出研究、工具试点、裁员场景和谍报茶馆等例子，适用场景说明充分。能力边界有区分：WorldSeed 管理共享状态、可见性和后果，代理自身工具负责具体工作；但 OpenClaw 可用工具范围较宽，边界依赖配置。唤醒频率、可用动作、合法目标及可选干预均有说明，不过触发条件主要由场景和外部运行时决定。安装文档覆盖本地服务器、仪表盘、OpenClaw 和 Codex 工作流，但环境要求较多，且采样未覆盖所有运行配置。
文档按快速开始、架构、场景配置、运行时适配器和开发指南组织，另有中英文材料，结构清楚。安装说明包含依赖、命令、模型凭据配置和预算控制，但首次部署细节及不同路径的完整性有限。WorldSeed、worldseed、Codex runner 等名称在材料中大体稳定；示例丰富，排错说明存在，但没有独立 FAQ 或完整覆盖常见故障。文档提及慢或离线代理、预算控制等限制，却没有系统性已知限制清单。仓库含完整 MIT 许可文本；项目版本为 0.1.0，但样本未提供变更日志。版权写明 AIScientists Inc.，但维护责任、支持承诺和更新流程未明确。
产品提供 YAML 场景、角色感知过滤、动作规则、仪表盘和运行记录，能把多代理协作过程整理为可观察、可回放的世界状态；研究示例声称产出论文、实验和演化图，但本次静态审查不能验证这些结果。相对单独使用代理，信息不对称、共享协调状态和后果规则构成明确增量价值；不过收益依赖场景设计和外部代理能力。运行需要 Python、Node、模型服务或运行时，研究场景还可能消耗 GPU 和调用额度；文档有预算控制，但未给出一般成本估算，成本效益证据有限。
主要架构主张可在 README、运行时说明、协议结构及服务代码中找到对应内容，例如感知数据结构、动作选项和事件记录，因此可追溯性和跨文件印证达到普通水平。部分展示数据与实验结果只在 README 中以项目自述形式出现，静态样本无法独立核验；测试命令虽有列出，但本审查没有执行。文档通常区分系统机制与演示叙述，但没有为各项结果提供统一证据标注，事实与推断的分界仍有限。
- OpenClaw 代理可使用自身文件、bash、网络等工具；实际权限和外部副作用取决于运行时配置与场景设置。
- 设置模型凭据并运行场景会调用外部模型服务；autoresearch 场景还可能运行耗时实验并消耗 GPU 资源。文档提供预算控制，但未给出通用成本估算。
- 演示指标属于仓库自述，本次静态审查未执行代码或独立核验结果。
你是这个项目的维护者？把 FARS 徽章加到 README
[](https://followagents.com/zh/agents/worldseed)<a href="https://followagents.com/zh/agents/worldseed"><img src="https://followagents.com/badge/worldseed.svg?lang=zh" alt="FARS 评测"></a>常见问题
能否不用某一家模型供应商？
哪些结果是确定的，哪些会由模型判断？
启动后能做什么？
运行成本如何？
谢谢反馈，我们会据此改进页面。