1.2 镇民画像：智能体的类型与特性
1.2 镇民画像：智能体的类型与特性
摘要：智能体分类学按体系结构、移动性、善意性、同构性、时间边界等维度给镇民建档。本节逐维拆解各类镇民的习性，用代码演示同构与异构群体的行为差异，并说明"异构性"为何是贯穿全册的隐形主角。
镇民登记处的窗口前每天都排着长队：来了个会飞的说自己要巡田，来了个揣着算盘的说要进会馆，还有个浑身缠着防火墙的家伙眼神躲闪。上一节我们定义了"镇民"这个身份，这一节要给镇民画像分类——因为给哪种镇民设计制度，直接决定小镇该修邮局还是筑城墙。这也是通往第 2 章的桥：分类学里"按体系结构分"的那一栏，下一章将整章展开。
登记表上的分类维度
没有统一的分类法，但有公认的登记栏目。把一张登记表摊开，常见的维度如下。
按体系结构分：反应式、慎思式、混合式。 反应式镇民靠"刺激—反应"规则活着，快而不深思；慎思式镇民脑中揣着世界模型，凡事推理规划，聪明而迟缓；混合式镇民分层装了两副脑子。这是最重要的分类维度，第 2 章整章都在解剖它。
按移动性分：静态与移动。 静态镇民长在固定节点上（比如路口信号控制器）；移动镇民能在主机之间迁移代码与状态，网络管理里常能见到它们的身影。移动带来灵活，也带来安全隐患——第 8 章工坊的城墙就得为它们加固。
按善意性分：善意、中性、恶意。 假设所有镇民都守规矩，是很多教科书最奢侈的假设。开放环境（电子商务、开放拍卖场）里必然混入谎报价格、撕毁合同、伪造身份的家伙。恶意镇民的存在正是第 5 章信任声誉机制与第 6 章机制设计（"说真话是占优策略"）存在的理由。
按同构性分：同构与异构。 同构群体像是同一模具倒出来的（无人机蜂群）；异构群体里有带吊臂的、带显微镜的、带账本的。异构意味着互补的潜力，也意味着互相理解要费劲——能力描述、任务分解、负载匹配全都变成难题。
按时间边界分：长期镇民与临时镇民。 前者长期驻扎维护职责，后者为特定任务临时招募（第 3 章合同网里的投标者很多就是临时工）。
按是否学习分：固定策略与自适应。 会学习的镇民让系统随时间进化，也让环境变成非平稳的——第 7 章学堂的正题。
特性光谱：自主程度不是开关
分类之外，更精细的刻画是"特性光谱"。自主性有强弱：强自主镇民可以拒绝任何指令（自利智能体），弱自主镇民接受目标但自选路径（目标驱动），伪自主镇民其实只是被调度器摆布。社会性也有强弱：从"只广播不收"的独白者，到能讨价还价的谈判者。分布式程度同样是谱：完全分散（无任何中心）、有协调者（中心只撮合不决策）、分层（小组有组长）。工程上大多数"多智能体系统"其实住在谱的中间地带，纯而又纯的分散式多半是论文里的理想乡。
💡 建档的实用价值：拿到需求先填登记表。哪一栏填了"恶意"，安全预算就得翻倍；哪一栏填了"异构"，通信协议的公共词汇表（本体）就省不掉。
图 1-2 镇民登记表：智能体分类的多维画像
动手实验：同构与异构的差别看得见
空口分类记不牢，做个对照实验。同一片网格猎场，甲组放同构镇民（同样的随机游走策略），乙组放异构镇民（有的贪近、有的贪远、有的专门扫边界）。观察食物被拾取的速度差异。
import random class Forager: """觅食镇民：策略参数决定性格。""" def __init__(self, name, pos, greed): self.name, self.pos, self.greed = name, pos, greed self.score = 0 def decide(self, food, size): x, y = self.pos cand = [(x+dx, y+dy) for dx, dy in ((0,1),(0,-1),(1,0),(-1,0)) if 0 <= x+dx < size and 0 <= y+dy < size] # greed 高者优先走向有食物的邻格，否则随机 for c in cand: if c in food and random.random() < self.greed: return c return random.choice(cand) def run(greeds, steps=200, size=10, seed=42): random.seed(seed) food = {(random.randrange(size), random.randrange(size)) for _ in range(size * size * 2)} agents = [Forager(f"a{i}", (random.randrange(size), random.randrange(size)), g) for i, g in enumerate(greeds)] for _ in range(steps): for a in agents: a.pos = a.decide(food, size) if a.pos in food: food.discard(a.pos); a.score += 1 return sum(a.score for a in agents), len(food) homo_total, homo_left = run([0.8, 0.8, 0.8, 0.8]) # 同构：性格全一样 hetero_total, hetero_left = run([0.95, 0.5, 0.75, 0.3]) # 异构：性格各异 print("同构组 收获", homo_total, " 剩余", homo_left) print("异构组 收获", hetero_total, " 剩余", hetero_left)
多跑几轮你会发现：在食物密集的地图上两组差距不大；食物稀疏时，异构组（有专扫边界的、有守交通枢纽的）往往稳赢——分工红利只有在个体差异存在时才可能兑现。这正是异构性值得多花通信成本去维护的根本理由。
一张画像登记代码
把上面的分类固化成代码里的"登记表"，后续章节的实验可以直接复用这种建模方式：
from dataclasses import dataclass, field @dataclass class AgentProfile: """镇民登记卡：每个字段对应一个分类维度。""" name: str architecture: str = "reactive" # reactive / deliberative / hybrid mobile: bool = False # 是否可迁移 benevolence: str = "benign" # benign / neutral / malicious capability: tuple = () # 异构能力标签，如 ("lift", "scan") learner: bool = False # 是否自适应 tags: list = field(default_factory=list) def audit(profiles): """登记处审计：不同登记栏位触发不同工程动作。""" actions = [] if any(p.benevolence == "malicious" for p in profiles): actions.append("启用信任声誉机制并审查合同网投标资格") if len({p.capability for p in profiles}) > 1: actions.append("部署共享本体，统一能力描述词汇") if any(p.mobile for p in profiles): actions.append("为迁移通道加密并限制可访问资源") if any(p.learner for p in profiles): actions.append("预期环境非平稳，评估是否需要非平稳学习算法") return actions census = [ AgentProfile("watchtower-1", architecture="reactive", capability=("scan",)), AgentProfile("broker-9", architecture="deliberative", mobile=True, capability=("trade",), tags=["market"]), AgentProfile("ghost-77", benevolence="malicious", capability=("trade", "spoof"), learner=True), ] for todo in audit(census): print("[建镇办]", todo)
登记表一跑，工程清单自动跳出来：有恶意镇民就要上声誉机制，有异构镇民就要上本体，有移动镇民就要筑墙。分类学不是名词游戏，是需求分析工具。
本节存档
- 六维登记：体系结构、移动性、善意性、同构性、时间边界、是否学习，一张表填完镇民画像；
- 恶意维度是信任与机制设计两章存在的理由；异构维度是本体与任务分解两章存在的理由；
- 特性光谱提醒我们自主与分布都是程度问题，工程方案常在谱中间；
- 异构红利：个体差异是分工的前提，对照实验可复现；
- 登记表即需求分析：画像字段直接触发工程动作清单。
分类表里"体系结构"那一栏信息量最大，下一章我们干脆把它拆成一整章：打开镇民的脑壳，看看反应式与慎思式两副脑子各是怎么转的。