本文深入解析了生成式智能体（Generative Agents）认知链中的“感知”模块，详细阐述了其在空间感知、事件感知、记忆存储和重要性评分方面的工作原理。该模块是智能体理解和与环境互动的基础，通过多层级空间记忆、距离优先的注意力机制以及利用GPT模型进行显著性评分，有效地处理和存储环境信息，为后续的记忆检索、规划和执行奠定基础。

✨ 空间感知与记忆构建：Perceive模块的核心功能之一是识别角色周围可见的瓦片（tiles），并利用这些信息更新其多层级（世界、区域、场景、游戏对象）的空间记忆树。这种树状结构支持动态扩展，能够高效地存储和检索复杂环境中的空间信息，为智能体的导航和定位提供支持。

🌟 事件感知与去重：该模块能够识别角色视野范围内发生的事件，并判断是否为新事件。通过遍历附近的瓦片并过滤重复事件，同时根据距离对事件进行排序，保留最近的事件，有效避免了信息过载，确保智能体优先处理最重要的动态信息。

🎯 重要性评分与GPT应用：Perceive模块利用GPT模型对感知到的事件进行“显著性”（poignancy）评分，这是后续行为决策的关键。无论是普通事件还是聊天事件，都有专门的GPT模型进行评分，为事件的优先级排序提供了依据，其中空闲状态的事件被赋予固定评分。

🧠 记忆更新与联想记忆：新感知到的事件会被转化为机器可理解的记忆节点，并写入联想记忆（associative memory）。这包括提取关键词、生成嵌入向量（embedding）以及计算重要性分数。同时，若事件涉及角色自身的对话，对话内容也会被一并保存，为智能体的长期记忆和学习提供基础。

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

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。

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。

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

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

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

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.pyevent_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.pydef 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

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。