项目概述
一个基于Mesa框架的代理建模(ABM)演示模块，专门为游戏玩家模拟设计。实现了Mesa 2.x/3.x双版本兼容，集成了LangGraph工作流编排。
实施状态: 已完成并验证
兼容性: Mesa 2.x/3.x 双版本
架构方案: 方案B - 重构适配
测试结果: 所有功能验证通过
核心目标
- Mesa版本兼容
- 游戏玩家模拟
- LangGraph集成
- 数据收集分析
技术架构
适配器模式架构
版本检测
运行时自动检测Mesa版本 (2.x 或 3.x)
适配器层
透明转换不同版本的API差异
统一接口
业务代码使用一致的API接口
解决的关键问题
- Agent初始化bug 已解决
- time属性缺失 已解决
- agents属性缺失 已解决
- Grid API参数变更 已解决
- RandomActivation缺失 已解决
- DataCollector兼容性 已解决
演示结果
基础演示
50步模拟，15名玩家，10×10网格
关键指标
初始玩家: 15
最终活跃: 0
总获能: 88
数据点: 51
步骤 1-10
玩家活跃度保持15人，能量逐步下降
步骤 11-30
玩家开始能量耗尽，活跃人数减少
步骤 31-50
所有玩家能量耗尽，模拟结束
LangGraph工作流
30步工作流，20名玩家，15×15网格
工作流结果
初始玩家: 20
最终活跃: 1
平均活跃: 10.37
总获能: 112
工作流状态
可视化展示
图表说明
-
活跃玩家趋势
随时间变化的活跃玩家数量
-
总能量变化
玩家总能量的动态变化
-
非活跃玩家
能量耗尽的玩家数量增长
-
能量获取
玩家获得能量的累计总量
代码示例
基础使用
# 导入模块
from delphine_ai_factory.mesa_demo import GamePlayerModel
# 创建模型
model = GamePlayerModel(width=10, height=10, num_players=15)
# 运行模拟
results = model.run_simulation(steps=50)
# 查看结果
print(f"最终活跃玩家: {results['final_active_agents']}")
print(f"总能量获取: {results['total_energy_gained']}")
from delphine_ai_factory.mesa_demo import GamePlayerModel
# 创建模型
model = GamePlayerModel(width=10, height=10, num_players=15)
# 运行模拟
results = model.run_simulation(steps=50)
# 查看结果
print(f"最终活跃玩家: {results['final_active_agents']}")
print(f"总能量获取: {results['total_energy_gained']}")
工作流集成
# 导入工作流
from delphine_ai_factory.mesa_demo import run_workflow_demo
# 运行工作流演示
workflow_results = run_workflow_demo()
# 工作流配置
config = {
"num_players": 20,
"grid_width": 15,
"grid_height": 15,
"simulation_steps": 30
}
# 完整的工作流状态跟踪
from delphine_ai_factory.mesa_demo import run_workflow_demo
# 运行工作流演示
workflow_results = run_workflow_demo()
# 工作流配置
config = {
"num_players": 20,
"grid_width": 15,
"grid_height": 15,
"simulation_steps": 30
}
# 完整的工作流状态跟踪