English | 中文
用 AI 模拟一所学校，观察学生如何成长。
每个孩子都是独一无二的。但我们的教育系统很少有机会真正理解——一个内向的孩子在什么样的社交环境中会打开自己，一个充满好奇心的学生在哪个转折点找到了人生方向。
AI School 想做的事很简单：让 AI 学生在虚拟校园里「活」起来，然后观察他们。
每个 AI 学生拥有独立的人格、记忆和目标。他们上课、交友、争论、迷茫、成长——所有行为不是预编程的，而是从个体交互中自然涌现的。我们通过观察这些涌现行为，研究学生身心发展与职业匹配的规律。
这不是一个教育游戏，而是一个研究工具。我们相信，理解了虚拟学生的成长规律，就能更好地陪伴真实的孩子。
# 1. 克隆项目
git clone https://github.com/your-org/ai-school.git && cd ai-school
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入 DeepSeek 和智谱 API Key
# 3. 启动基础设施
docker compose up -d
# 4. 构建前端
cd frontend && npm install && npx vite build && cd ..
# 5. 启动服务
cargo run --bin ai-school-api
# 6. 打开浏览器
open http://localhost:3000详细配置步骤见 SETUP.md。
demo.mp4
┌──────────────────────────────────────────────────────────┐
│ [⚡] AI SCHOOL [▶ Start] [⏸ Pause] [1x ▾] Day 15 │
├──────────┬──────────────────────────┬────────────────────┤
│ │ │ │
│ Agent │ 2D Campus Map │ Detail / Chat │
│ List │ (React-Konva) │ Panel │
│ │ │ │
│ 小明 │ ┌────┐ ┌────┐ │ [MBTI] ESTP │
│ ESTP │ │教室│ │图书│ │ [情绪] ██████░ │
│ 学习中 │ └────┘ └────┘ │ [能力] ████░░ │
│ │ @ @ @ │ │
│ 小红 │ ┌────┐ ┌────┐ │ "老师好，我最近 │
│ INFJ │ │操场│ │食堂│ │ 在考虑..." │
│ 社交中 │ └────┘ └────┘ │ [发送消息...] │
│ │ │ │
├──────────┴──────────────────────────┴────────────────────┤
│ [Intervention] 难度:████░░ 社交:██████░ [Events ▾] │
└──────────────────────────────────────────────────────────┘
| 阶段 | 目标 | 形态 |
|---|---|---|
| Phase 1 | 研究学生身心发展与职业匹配规律 | AI 学校仿真平台（研究工具） |
| Phase 2 | 将研究成果转化为真实学生的陪伴 | 学生陪伴机器人（面向用户的产品） |
系统由 6 大模块组成，Phase 1 聚焦前 5 个：
AI School
├── M1. 学生 Agent 系统 ← 人格、志向、认知行为框架
├── M2. 学校世界系统 ← 课程、社交、环境与时间
├── M3. 演化引擎 ← 自主演化、用户干预、事件生成
├── M4. 记忆与成长系统 ← 多层记忆、身心追踪、人格演变
├── M5. 研究与分析平台 ← 轨迹可视化、职业匹配、实验对照
└── M6. 学生陪伴机器人 ← Phase 2：画像建模、健康陪伴、职业引导
- 语言：Rust（并发安全、长期运行稳定性、严格类型系统）
- Web 框架：Axum（HTTP + WebSocket）
- LLM：DeepSeek（Agent 决策 + GM 仲裁）+ 智谱 AI（记忆向量化）
- 存储：PostgreSQL（结构化数据）+ Qdrant（向量记忆检索）
- 架构：Cargo Workspace 8 个 crate，模块间通过 trait 抽象解耦
- 框架：React + TypeScript + Vite
- 2D 渲染：React-Konva（Canvas 校园地图）
- 状态管理：Zustand + WebSocket 实时同步
- 样式：Tailwind CSS（暗色研究实验室主题）
- 图表：Recharts
用户操作 → REST API → 仿真引擎 → LLM 调用 → 状态更新
↓
WebSocket ← 广播更新 → 前端实时渲染
架构设计基于 34 篇论文的系统性研究，覆盖五大方向：
从 2023 年 Stanford 的 Smallville 实验（25 个 AI 居民在虚拟小镇自主生活）开始，研究社区逐步验证了三条核心公理：
- 行为 = f(记忆, 情境, 目标) — 智能体的每个行动由累积记忆、当前感知和内在人格共同驱动
- 社会行为是涌现属性 — 信息扩散、关系形成、活动协调等群体行为不是预编程的，而是从个体交互中自然产生
- 记忆是认知基础设施 — 消融实验表明，移除记忆后行为可信度下降 8.16 个标准差
后续 1,000 People (2024) 将仿真扩展到真实个体，AgentSociety (2025) 推至 10,000+ 智能体 / 500 万次交互，结果与真实世界实验结论高度一致。
记忆架构经历了四代范式转变：
| 代际 | 范式 | 代表工作 | 核心突破 |
|---|---|---|---|
| 第一代 | 扁平记忆流 | Generative Agents (2023) | 时效性 × 重要性 × 相关性的加权检索 |
| 第二代 | 互联知识网络 | A-MEM (2025) | 记忆不再是静态存档，而是持续精炼的 Zettelkasten 网络 |
| 第三代 | 多层逻辑网络 | Hindsight (2025) | 区分事实 / 信念 / 观察 / 经历，准确率从 39% → 91.4% |
| 第四代 | 生成式潜在记忆 | MemGen (ICLR 2026) | 记忆编织进推理过程，自发涌现出规划记忆和工作记忆 |
AI School 采用分层记忆架构（感知→短期→长期→语义），吸收了第二、三代的核心设计。
两条技术路线并存：Prompt 方法（即时生效，但只改变表层语言风格）和训练方法（深层植入，BIG5-CHAT 证明显著优于 Prompt）。MBTI 适合直觉型角色设定，Big Five 适合精确行为预测——AI School 以 MBTI 4 维连续分数为基础框架。
关键警示：Social Alignment 研究用 Milgram 服从实验证明，Prompt 可能只改变智能体的措辞而非深层决策。这要求我们对人格一致性保持持续验证。
已观察到三类涌现现象，均无需预编程：
- 个性自发分化 — 同质智能体在社区交互中自主发展出差异化个性
- 竞争中的自发合作 — 竞争场景中智能体渐进地"发现"合作策略，与人类行为数据高度一致
- 社交纽带形成 — 智能体发展出的网络结构镜像真实在线社区
NetworkGames (2025) 进一步揭示：宏观合作水平无法从双人交互预测——网络拓扑与人格分布共同决定涌现结果。这意味着仿真规模本身会带来质变。
- 长期一致性衰减 — LIFELONG-SOTOPIA 发现所有模型在 40+ 轮交互后表现持续下降，记忆改善有帮助但不充分
- 涌现不可预测性 — 大规模仿真结果难以先验推断
- 对齐偏差 — 安全训练使模型倾向于"好性格"，压制负面人格表达，导致人格空间覆盖不完整
详见 docs/research/ 目录。
| 文档 | 说明 |
|---|---|
SETUP.md |
从零开始的环境配置与启动指南 |
docs/research/ |
34 篇论文的研究综述与深度分析 |
docs/prd/ |
产品需求框架与各模块 PRD |
docs/adr/ |
架构决策记录（ADR） |
Phase 1a MVP — 核心仿真引擎 + Web 交互层已完成：
- M1: 学生 Agent 系统（人格、认知、职业）
- M2: 学校世界系统（校园、时间、课程、社交）
- M3: 演化引擎（仿真循环、GM 仲裁、干预系统）
- M4: 记忆系统（多层记忆、向量检索、反思触发）
- LLM 集成（DeepSeek 补全 + 智谱嵌入）
- HTTP/WebSocket API（15 个端点）
- Web UI（2D 校园地图、Agent 管理、对话、干预、数据导出）
- M5: 研究分析平台（图表可视化、实验对照）
- 持久化存储（PostgreSQL + Qdrant 集成）
- 大规模仿真优化（50+ Agent）
MIT