AgentSociety es un innovador framework de código abierto diseñado para simular grandes poblaciones de agentes impulsados por modelos de lenguaje avanzado (LLMs), con el objetivo de recrear de manera realista las complejas interacciones de las sociedades humanas. Gracias al uso de tecnologías distribuidas de alto rendimiento, especialmente Ray, este proyecto logra ejecutar simulaciones con decenas de miles de agentes activos al mismo tiempo, cada uno integrado en entornos detallados que reflejan comportamientos sociales, económicos y de movilidad.
Principales características
Escalabilidad masiva y alto rendimiento AgentSociety ha demostrado su capacidad para simular hasta 30,000 agentes simultáneamente, ejecutando la simulación más rápido que el tiempo real. Para lograr esto, se apoya en la paralelización que ofrece el framework Ray, administrando eficientemente la ejecución masiva y las interacciones no determinísticas entre agentes. Además, optimiza el uso de recursos agrupando agentes y compartiendo clientes de red dentro de cada grupo, reduciendo significativamente el consumo de memoria y los cuellos de botella comunes en simulaciones distribuidas a gran escala.
Entornos sociales realistas La clave del proyecto es integrar feedbacks y restricciones muy cercanas a la realidad social, lo que permite que los agentes actúen de forma similar a los sistemas sociales humanos. Por ejemplo: - Espacio urbano: se incorporan datos reales de mapas (como los de OpenStreetMap), redes viales, puntos de interés y modelos de movilidad que incluyen caminar, conducir o usar transporte público, actualizados cada segundo simulado. - Espacio social: los agentes forman redes sociales dinámicas y participan en interacciones tanto online como offline. Se modelan aspectos de mensajería que incluyen moderación de contenido y bloqueo de usuarios, con el fin de recrear patrones de comunicación similares a los de las redes sociales y la vida cotidiana. - Espacio económico: simula actividades como empleo, consumo, banca, impuestos y reportes macroeconómicos, todo impulsado por las decisiones de los agentes, quienes deben equilibrar ingresos y gastos para reflejar comportamientos económicos reales.
Arquitectura y tecnología
Motor de interacción paralelizado La ejecución distribuida basada en grupos permite gestionar agentes con Ray "actors", optimizando el uso de recursos y manteniendo un alto grado de paralelismo. Las solicitudes de red se realizan de manera asincrónica reutilizando conexiones para máxima eficiencia. La comunicación entre agentes y con programas externos se maneja mediante Redis Pub/Sub, lo que asegura un intercambio de mensajes rápido y efectivo. Además, un mecanismo sincroniza el avance del tiempo dentro de la simulación para garantizar coherencia y reproducibilidad, pese a las variaciones en los tiempos de respuesta de las llamadas a los LLM. El sistema también incorpora utilidades completas para registrar simulaciones (con PostgreSQL y almacenamiento local), recolectar métricas (con mlflow) y contar con una interfaz gráfica para crear experimentos, gestionar ejecuciones y visualizar resultados.
Resultados cuantitativos
Escalabilidad y velocidad En un entorno equipado con 24 GPUs NVIDIA A800, se han logrado simulaciones de 30,000 agentes que funcionan más rápido que el tiempo real, es decir, cada ciclo de simulación de todos los agentes se completa en menos tiempo que el equivalente en el mundo real. El rendimiento escala de manera lineal con la cantidad de recursos, permitiendo incrementar la capacidad simplemente añadiendo más GPUs para procesamiento de modelos de lenguaje. En la prueba más grande, con 30,000 agentes distribuidos en 8 grupos, un ciclo promedio finalizó en 252 segundos, manteniéndose debajo del tiempo real y con una tasa de éxito del 100% en las llamadas a los LLM. Los tiempos dedicados a simular el entorno y enviar mensajes fueron mucho menores que el de la inferencia en los modelos, confirmando la eficiencia del sistema.
Impacto de los entornos realistas Al incorporar simuladores de entornos detallados, la autenticidad del comportamiento de los agentes mejoró notablemente en comparación con simuladores basados solo en texto (usando prompts) o con otros modelos generativos clásicos. En indicadores como el radio de giro, la cantidad de lugares visitados diariamente y la distribución de intenciones conductuales, los agentes con soporte de entorno LLM superaron ampliamente a las demás opciones y se acercaron más a datos reales.
Aplicaciones La flexibilidad y diseño abierto de AgentSociety lo vuelven una herramienta ideal para: - Investigaciones en ciencias sociales: para estudiar patrones sociales, fenómenos emergentes, movilidad y difusión de información. - Planificación urbana y análisis de políticas: probando intervenciones en entornos simulados antes de llevarlas al mundo real. - Ciencias de la administración: modelando dinámicas organizacionales, cambios en la fuerza laboral y comportamientos económicos.
En resumen, AgentSociety es el primer framework abierto capaz de simular de manera eficiente y realista interacciones sociales a gran escala. La combinación de agentes basados en LLMs con entornos paralelizados y basados en datos lo posiciona como una herramienta fundamental tanto para la investigación computacional como para la toma de decisiones prácticas en el estudio de dinámicas sociales complejas.
