@techNmak: 世界模型在AI智能体中是一个重要概念，但这个术语常常被解释得过于宽松。对于一个长时间运行的智能体来说…

世界模型在AI智能体中是一个重要概念，但这个术语常常被解释得过于宽松。 对于一个执行长期任务的智能体来说，记住之前的文本只是问题的一部分。它可能需要跟踪存在哪些实体、它们如何相互关联、当前什么是真实的、之前发生了什么、哪些约束仍然适用，以及它的行动如何可能改变环境。世界模型代表了那个演变的状态和结构。在基于模型的设置中，它还可以捕获预测行动后世界如何演变所需的动态。经典的World模型研究，例如，学习环境的压缩空间和时间表示，智能体可以用它来控制和模拟运行。 这听起来接近上下文、记忆或RAG，但区别很重要。活跃上下文是当前提供给模型的信息。知识库存储信息。RAG在需要时检索相关的存储信息。世界模型关注的是表示环境的状态，重要的是，该状态如何随时间变化。这些机制可以协同工作，但它们不是同一件事。 假设一个智能体知道Alice在Acme工作。后来，Alice辞职并加入了Nova。检索任何一条陈述都很容易。更难的问题是维护演变的状态 => 哪个关系现在是真的，哪个之前是真的，转变何时发生，以及其他哪些决策依赖于该变化。随着任务跨越许多行动和观察，规划和一致性越来越依赖于保留这些转变，而不是从原始历史中反复重建世界。 这在通常的机器人示例之外变得特别有趣。 Pocket FM的Sherpa使用叙事世界模型处理长篇小说。它从章节本身构建故事记忆，并跟踪诸如角色、地点、历史、角色知道什么以及情节已经做出的承诺等事物。新写作可以对照已确立的故事事实进行检查，已完成的章节会更新模型，以便后续剧集仍然可以恢复很早之前确立的信息。 基础研究更精确地将其描述为基于叙事学的类型化时间状态图，结合查询条件的混合检索。这种结构对于普通平面检索处理不好的问题很有用，比如角色何时学到了某事、一个事件是否发生在另一个事件之前、一个较早的设置是否已解决，或者一个关系如何随时间变化。 一个长期运行的虚构世界有许多相同的状态管理问题，这些问题使世界模型在其他地方有用。实体持续存在，关系演变，知识易手，事件改变后来的可能性，早期的承诺约束接下来可能发生的事情。 这就是世界模型的真正意义：不仅仅是存储发生了什么，而是跟踪什么是真实的现在。