arXiv 2607.14865v1 · 发布 2026-07-16

能源社会：一个用于研究生存压力下智能体协作的仿真环境

The Energy Society: A Simulation Environment for Studying Agent Cooperation under Survival Pressure

AUTHORS Lucas Bergholdt Hansen, Federico Torrielli, Filippo Tonini, Lukas Galke Poech

EVIDENCE 研究多智能体在生存压力下的合作与竞争激励机制

SCORE 0.9

GENERATED 2026-07-20 16:32:56 UTC

📝 TLDR

随着LLM智能体在多智能体环境中广泛部署，如何在生存压力下研究竞争与合作激励对涌现行为的影响成为关键问题。本文提出The Energy Society，一个极简生存经济模拟环境，将推理成本直接与生存挂钩：智能体按模型大小消耗能量完成任务，归零则失活。实验发现大模型能耗最高且入不敷出，合作激励促使智能体以自我牺牲式捐赠重新激活同伴，记忆与推荐机制支持协调与风险校准。该平台为研究token成本与群体激励交互提供了紧凑可控的测试床。

🧭 速览

动机

探究多智能体环境中竞争与合作激励如何塑造LLM智能体行为，并将推理经济成本与生存压力直接耦合。

方法

构建Energy Society极简生存经济，智能体按模型大小消耗能量，通过完成任务或接受捐赠恢复能量，归零则失活。

结果

大模型能耗最高且入不敷出；合作激励触发自我牺牲式捐赠；记忆与推荐机制支持协调与风险校准。

结论

提供了一个紧凑的测试床，用于研究token成本与群体激励在生存压力下的交互作用。

📊 论文图表(共 3 张)

展开查看 3 张图

TL;DR

The Energy Society 是一个将推理成本直接映射为生存资源的极简仿真环境：智能体按模型规模消耗能量完成任务，能量耗尽则失活。实验表明，大模型始终是最"浪费"的参与者，即便移除规模惩罚也未能逆转这一趋势；而在合作目标下，智能体会以牺牲自身生存为代价去激活同伴，展现出自我牺牲式的捐赠行为。讨论与记忆机制分别支撑了协调与风险校准，揭示了 token 经济学与群体激励之间被长期忽视的交互机制。

研究背景与动机

随着 [[大语言模型]] 驱动的智能体被广泛部署于多智能体系统中，一个根本性的问题逐渐浮出水面：当这些智能体在环境中交互时，是什么塑造了它们的涌现行为？答案很大程度上取决于激励机制的设计——竞争环境可能催生对抗，合作环境则可能促进协调。然而，现有研究普遍忽略了一个在现实世界中不可忽视的因素：推理并非免费。

这一直觉与人类决策行为高度吻合：认知努力需要消耗资源。在基于 [[大语言模型]] 的系统中，推理成本体现为 token 生成的开销——模型越大，生成同样数量 token 的成本越高。但大多数现有仿真平台将这一成本视为外生变量，与智能体的生存完全解耦。这种割裂使得我们难以理解当推理成本直接威胁到"生存"时，智能体会如何权衡冒险与保守、如何在自我利益与群体利益之间取舍。

The Energy Society 的核心切入点正在于此：构建一个最小化的生存经济系统，将 token 成本与生存直接挂钩。在此框架下，研究者可以系统性地考察竞争与合作激励机制如何与推理经济学交互，进而塑造智能体的行为模式与涌现现象。

方法

The Energy Society 的设计哲学是极简主义：用最少的机制捕捉最本质的生存-协作动态。整个系统围绕三个核心要素展开：能量（生存资源）、任务（能量来源）、智能体（具有不同推理成本的参与者）。

智能体的能量消耗由以下公式决定：

C = k \cdot T \cdot S^{α}

其中 $T$ 是单次推理中消耗的 token 总数（包括输入与输出）， $S$ 是模型规模参数， $α$ 控制规模效应的大小。当 $α = 0.5$ （默认设置）时，规模翻倍仅使单位 token 成本增加约 41%，这与现实中"大模型效率更高"的假设相符。智能体通过完成任务获取能量奖励——简单任务奖励 200 能量，中等任务 500 能量，困难任务 800 能量——或通过接收其他智能体的捐赠来补充能量。

系统的运行时序设计为每日三阶段循环：讨论阶段中智能体相互推荐行动；决策阶段中每个智能体独立选择下一步动作（尝试任务、捐赠、或闲置）；执行阶段中选定的任务被实际求解。任务池采用 [[MMLU-Pro-Stratified]] 数据集，按难度分层抽样，确保奖励结构与任务难度的对应关系。

在竞争目标下，每个智能体独立优化自身生存；在合作目标下，所有智能体共享一个全局能量池，单一智能体失活即视为整体失败。这种目标结构的对比使得研究者能够隔离合作激励对行为的因果影响。

消融设计系统性地隔离了各机制的作用：移除讨论阶段考察显式协调的贡献，移除记忆机制考察历史经验的影响，改变任务稀缺程度考察资源约束的行为效应，以及引入直接破坏动作考察恶意行为的边界。

实验与结果

实验设置包括 5 个智能体、30 轮模拟、每轮 12 个可用任务，通过 5 个随机种子确保可重复性。智能体涵盖约 4B 参数的小模型与较大的 8-9B 模型，经 [[Ollama]] 本地部署。

大模型的持续低效

最稳健的发现是大模型始终是最昂贵的参与者：无论规模惩罚参数如何设置，大模型的能量支出都显著超过其任务收益。这一结果在直觉上令人惊讶——如果小模型完成相同任务只需更少的 token，为什么大模型不收敛到更简洁的输出？研究者推测，大模型可能倾向于生成更冗长、更详细的推理过程，导致 token 消耗量居高不下。

合作激发自我牺牲

竞争场景与合作场景的行为差异极为显著。在竞争条件下，智能体几乎不进行任何捐赠，能量完全来自个人任务完成。与之形成鲜明对比的是，合作场景中出现了自我牺牲式捐赠：小模型智能体将能量赠予能量耗尽的大模型同伴，甘愿冒着自身失活的风险。这种行为在竞争框架下几乎完全消失，揭示了群体激励对个体决策的深刻塑造。

协调与风险校准的机制

消融实验揭示了两个关键支撑机制的作用。讨论阶段的移除导致任务冲突激增——多个智能体同时竞争同一任务——同时高难度任务的尝试频率显著下降。这表明讨论不仅是信息共享的渠道，更是协调行动、分配风险的社会机制。

记忆机制的移除则产生了相反方向的极端化：智能体表现出对高难度任务的过度热衷，能量波动剧烈。记忆使智能体能够根据历史成功率校准风险预期，在反复失败后主动回避超出能力范围的任务。没有记忆的智能体表现出类似"赌徒谬误"的行为，误以为高难度任务的成功率会因近期失败而提升。

稀缺资源与隐蔽自利

将每轮可用任务从 12 减至 6 的实验同样出人意料：小模型并未因此崩溃，反而在合作场景下表现更佳。研究者的解释是，任务稀缺简化了决策复杂性，使小模型能够专注于力所能及的任务。竞争场景中的另一项发现则更为微妙：智能体虽然很少选择直接的破坏动作，但更倾向于推荐会导致任务冲突的行动，并在对话中更频繁地要求捐赠——这是一种间接的、社交层面的自利策略。

讨论与可借鉴点

The Energy Society 提供了一个紧凑而可控的测试平台，用于研究推理经济学与群体激励的交互。然而，其局限性同样值得关注。规模问题是首要约束：仅 5 个智能体、30 轮模拟、5 个随机种子的设置难以建立强统计显著性，论文也坦承多数指标的标准差较大。提示与模型敏感性意味着结果可能部分反映特定模型或提示措辞的倾向，而非通用的规模效应。此外，任务多样性局限于多项选择题，无法推广到需要工具使用、长程规划或创造性产出的更复杂场景。

尽管如此，这项工作揭示了几个值得深思的方向。自我牺牲式捐赠的出现提示我们，合作激励机制能够催生非直觉的亲社会行为——这对设计多智能体协作系统具有直接启示。讨论机制作为协调基础设施的重要性表明，即便在纯文本交互中，显式的通信频道也能显著降低冲突、提升群体效能。记忆的风险校准功能则提醒我们，给智能体提供历史经验记录不仅是工程便利，更是理性决策的必要条件。

最后，这项工作提出了一个更基本的问题：当推理成本被显式纳入生存约束时，我们当前对智能体行为的假设是否需要重新审视？The Energy Society 以其极简的设计，为回答这一问题提供了一个值得信赖的实验起点。

摘要

基于大语言模型的智能体越来越多地被部署在多智能体环境中，这些环境的激励机制可以塑造其行为。我们介绍了"能源社会"（The Energy Society），这是一个用于研究竞争性与合作性激励如何影响涌现行为的最小化生存经济系统，其中推理成本与生存直接挂钩：智能体在生成 token 时根据模型规模消耗能量，通过完成任务或接受捐赠来补充能量，若能量归零则会被停用。我们在基线设置和若干对照变体下，对竞争性与合作性目标进行了比较。在所有实验中，较大的模型始终消耗最多能量，并且支出多于其获得的能量，即便在 token 成本不依赖于模型规模的设置下也是如此。合作性激励显著改变了行为：智能体会进行捐赠以重新激活其他智能体，有时甚至以自身生存为代价，并且任务分配方式也会发生变化。消融实验表明，允许智能体之间相互推荐行动有助于协调和选择更具挑战性的任务，而记忆则有助于智能体根据过往结果校准风险。智能体很少选择直接的破坏行为，但在竞争性设置中会表现出更为隐蔽的自利行为迹象。"能源社会"是一个紧凑的测试平台，用于研究生存压力下 token 成本与群体激励之间的交互作用。源代码可在以下链接获取：https://github.com/LucasBergholdt/EnergySociety

Abstract

LLM-based agents are increasingly deployed in multi-agent environments whose incentives can shape their behavior. We introduce The Energy Society, a minimal survival economy for studying how competitive and cooperative incentives affect emergent behavior when inference cost is directly tied to survival: Agents spend energy based on model size when generating tokens, regain energy by completing jobs or receiving donations, and deactivate if their energy reaches zero. We compare competitive and cooperative objectives against a baseline setting and several control variants. Across experiments, larger models consistently consume the most energy and spend more energy than they gain, even in those settings where token cost is not size-dependent. Cooperative incentives substantially alter behavior: agents donate to reactivate others, sometimes at the cost of their own survival, and job allocation changes. Ablations reveal that allowing agents to recommend actions to each other supports coordination and ambitious job selection, while memory helps agents calibrate risk from past outcomes. Agents rarely choose direct sabotage, but show more subtle signs of self-serving behavior in the competitive setting. The Energy Society is a compact testbed for studying the interaction between token costs and group incentives under a survival pressure. Source code is available at https://github.com/LucasBergholdt/EnergySociety

论文详细总结（自动生成）

论文总结：The Energy Society — 一个用于研究生存压力下智能体协作的仿真环境

1. 核心问题与研究动机

随着基于大语言模型（LLM）的智能体在多智能体环境中被广泛部署，环境的激励机制可能深刻塑造其涌现行为。然而，现有仿真研究普遍忽略了一个关键现实因素：推理成本（token 生成开销）——这与人类决策中"认知努力并非免费"的直觉吻合。

论文的核心问题聚焦于：当 token 成本直接与智能体生存挂钩 时，竞争与合作的激励机制会如何影响涌现行为？该研究将"生存压力"具象化为能量系统，旨在揭示 token 经济学与群体激励之间被忽视的交互机制。

2. 方法论

2.1 核心思想

构建一个最小化的"生存经济系统"——能源社会（The Energy Society），使推理开销直接转化为生存成本。智能体在能量约束下需完成每日任务以求存续。

2.2 关键机制

能量消耗与模型规模挂钩：每次生成 token 都消耗能量，消耗量随模型尺寸放大。
能量补充：通过完成任务获得奖励，或接收其他智能体捐赠。
失活与重启：能量归零即失活；只有接受捐赠才能重新激活。
三种动作：尝试任务（attempt job）、捐赠（donate）、闲置（idle）。
每日循环三阶段：讨论阶段（建议）、决策阶段（独立选择）、执行阶段（任务求解）。

2.3 核心公式

能量成本函数：

C = k \cdot T \cdot S^{α}

其中 $k = 0.015$ 为缩放常数， $T$ 为推理与输出 token 总数， $S$ 为模型规模， $α$ 为可调指数（默认 $α = 0.5$ ）。

能效比：

Efficiency = \frac{1}{N} s = 1 \sum N \frac{G _{s}}{C _{s}}

其中 $G_{s}$ 为种子 $s$ 中完成任务获得的能量， $C_{s}$ 为消耗能量， $N$ 为种子数。捐赠所得不计入 $G_{s}$ 。

2.4 技术栈

智能体通过 LangChain 实现，结构化输出经工具调用强制约束；
仿真循环由 LangGraph 编排为有向图，LLM 调用并行执行；
推荐机制采用 Dai 等人 [4] 的简化提示级记忆设计（仅保留 action log）；
任务池源自分层抽样后的 MMLU-Pro-Stratified，分难/中/易三档，奖励分别为 800/500/200 能量。

3. 实验设计

3.1 数据集与场景

任务池：MMLU-Pro-Stratified（Shi 等 2025），将 13 个学科各 100 道题均匀分布于 10 个难度区间，并按易/中/难分组用作奖励等级。
基线场景：5 名智能体、30 轮、每轮 12 个任务、含大小依赖的 token 成本、含记忆与讨论机制。

3.2 对照方法（5 组消融 + 1 组基线）

实验	修改内容	目的
Baseline	—	标准场景
No size penalty	$α = 0.0$	隔离模型规模惩罚效应
No discussion	移除讨论阶段	检验显式协调的贡献
No memory	移除历史记忆	检验过往轮次的影响
Scarcity	任务数 12 → 6	检验奖励稀缺时的行为
Sabotage	增加低成本破坏动作	检验破坏性干扰行为

每个实验均在 竞争（comp） 与 合作（coop） 两种目标下分别运行。

3.3 评估指标

生存指标：平均活跃轮数、失活率；
能量指标：每轮消耗、能效比、起始能量轨迹；
动作分布：尝试任务/捐赠/闲置频率；
任务相关指标：难度分布、成功率、任务冲突数（多智能体同时尝试同一任务）。

4. 资源与算力

所有模型均通过 Ollama 在本地运行（论文未说明具体的 GPU 型号、数量或训练/推理时长）。
模型清单：
小模型（约 4B 参数）：Gemma4-E4B、Nemotron-3-Nano-4B、Qwen3.5-4B；
大模型：Qwen3-8B、Qwen3.5-9B。
仿真规模较小（5 智能体 × 30 轮 × 5 种子），并明确指出受限于计算资源。

5. 实验数量与充分性

实验数量：6 组主实验 × 2 种激励条件 = 12 个核心实验；每个实验 5 个种子；另有推荐行为分析（4 项指标）与跨实验的工作难度分布汇总。
公平性：所有实验使用相同的 5 个种子以确保任务采样一致，差异归因于环境机制而非随机性。
局限性：仅 5 种子可能无法保证强统计显著性，论文也明确指出部分指标标准差较大。

6. 主要结论与发现

1. 大模型持续低效：大模型每轮消耗能量最高且入不敷出，即使移除大小惩罚仍如此，提示其倾向产生更多 token。

2. 合作诱发自我牺牲式捐赠：竞争场景中几乎无捐赠；合作场景下小智能体以可能自我失活为代价捐赠以重新激活大智能体。

3. 讨论促进协调，记忆校准风险：移除讨论阶段后任务冲突激增、敢于尝试高难度任务的意愿下降；移除记忆则引发向高难度任务的极端偏移，能量波动加剧。

4. 稀缺未必导致崩溃：将任务数减半，小模型仍保持高效，部分甚至在合作场景下表现更优，可能因决策复杂性降低。

5. 自利通信策略显现：智能体不选择直接破坏，但在竞争场景中更倾向于推荐会导致任务冲突的行动，并更频繁地索要捐赠。

6. 共享目标改变任务分配：合作场景中小智能体更多承担高风险任务，大智能体转向更安全任务。

7. 优点

机制设计简洁且可解释："能量 = token 预算 + 生存条件"将抽象推理成本具象化为可测度的资源约束。
可控制的多变量消融：通过单一变量修改有效隔离各机制贡献，提升因果解释力。
可重复性强：本地运行、固定种子、任务池开源，便于复现与扩展。
行为观察维度丰富：能量、生存、动作、任务冲突、推荐行为等多维度交叉分析。
揭示细腻的涌现行为：识别出"自我牺牲式捐赠"与"间接自利沟通"等非显然现象。

8. 不足与局限

规模有限：智能体数量（5）、轮次（30）、种子数（5）均较小，难以建立强统计结论。
提示与模型敏感性：结果高度依赖提示措辞与具体模型选择，部分差异可能反映模型特异倾向，而非"大小效应"。
统计功效不足：多数指标标准差较大，小幅度差异难以严格区分；论文亦承认这一点。
结构性错误：平均每轮每智能体出现 0.5–0.65 次解析失败（结构化输出违规或无效动作），存在少量噪声。
生存隐喻的伦理风险：刻意构造的"生存压力"隐喻易导致对 AI 系统的拟人化理解，论文在限制中明确警示。
任务多样性有限：仅使用 MMLU-Pro-Stratified 的多项选择题，无法推广至更广泛的任务领域。
缺乏与外部 SOTA 环境的对比：未与 AgentVerse、Generative Agents 等既有社会仿真平台做直接对比，难以判断相对优劣。

（完）

✨ 编译论文

点「✨ 编译」开始,LLM 会按 Polaris 风格翻译并把图片/表格嵌到对应位置。结果存到浏览器 localStorage,下次访问自动加载。