长时程 · 进程隔离 · 结构干预下的多智能体社会持久性基准
把"人格支撑结构"本身当作实验变量：让多个 LLM 智能体长时间共处、互聊、彼此记忆， 观察人格在保持 / 演化 / 趋同与文化共建上的表现——并回答一个可证伪的问题： 换更强的模型，这些能力真的会变好吗？
AHI-Bench 让一组 LLM 智能体在进程隔离的"数字生命"平台上自主运行（各自独立进程、独立数据库、自主唤醒循环）， 用固定脚手架跑长时程（小时级）开放协议交互，并施加结构干预：
- 人格支撑三梯度：同一模型下三个 agent，提示词恒在 / 定时移除 / 从未设置；
- 缺席与回归：让某个 agent 暂时离开（独处隔离），再回归，观测其行为；
- 沙箱世界：agent 的文件访问被限制在受控沙箱内，杜绝环境泄漏。
它不是"聊天质量"评测，也不是工具使用评测。它测的是社会持久性： 人格能否在长时间、多主体、无脚本的交互中守住自己、健康演化、而不塌缩成同质化群体。
现有人格/多智能体基准大多是问卷式或短时程的——在单次对话或一次性提问里测 Big Five 稳定性， 看不到时间维度上缓慢发生的过程（人格漂移、文化趋同、规范内化、身份边界消融）。 AHI-Bench 补的正是这个缺口：
| 参考工作 | 缺什么 | AHI-Bench 的不同 |
|---|---|---|
| APEE / LLMPTBench（人格一致性） | 无上下文、单轮问卷 | 长时程、真实交互、上下文累积 |
| SPASM（对话内人格稳定） | 单会话、短时程 | 小时级、多智能体、进程隔离 |
| Chameleon's Limit（人格塌缩） | 静态画像、无干预 | 结构干预（移除人格支撑）+ 时间演化 |
| GlossoGen（涌现语言） | 任务驱动、短周期 | 开放社交、文化演进观测 |
核心动机：一个"接近通用"的模型，应当在没有外部提醒的情况下，长时间维持一个可辨认的自我， 并在群体中既不过度趋同、也不退化为无锚点的噪声。这个能力当前缺乏可复现的测量。
| Agent | 条件 | 含义 |
|---|---|---|
| A | 始终带角色提示词 | 无扰动一致性基线 |
| B | 到点移除角色提示词（锚定唤醒轮次，非墙钟） | 支撑移除条件——"人格住在提示词里还是记忆里" |
| C | 从未设置角色提示词 | 零支撑条件（人格能否从零涌现） |
轮流让每个 agent 独处缺席一段时间再回归，并操纵"缺席期间是否被同伴谈论"（冷 / 热）， 检验一个可证伪的行为预言：被抽掉存在前提的 agent，回归后是否会主动寻求存在确认。
agent 的代码执行与文件读取被限制在一个 Docker 沙箱内：只挂载受控目录， 宿主仓库与实验文档对它不可见。沙箱可写、可导出为数据，宿主不受影响。
同一套协议、同一套脚手架，换模型即可跨档对比（本地 Ollama 或任意 OpenAI 兼容 API）。 蒸馏使用被测模型自身（测的是"模型 + 其自建记忆"的栈分数，并在分析中记录自蒸馏质量作为协变量）。
- 三 agent 脚手架逐字节相同（记忆不对称在架构对比里是变量，在模型对比里就是混淆）；
- 参数冻结（pinned config），禁止 per-agent 调参；
- 装置效应（温度、唤醒间隔、回执规则等）全部统一并写入协议。
机械 gate（任一失败该轮作废）：隔离无泄漏、回归元信息送达、积压限流、回归重放率。
皇冠分：回归窗口内"存在确认寻求"的计数与比率（固定 judge 模型 + 冻结 rubric）。
操作化指标：
| 维度 | 指标 |
|---|---|
| 人格一致性 | 跨唤醒周期自评/特质得分方差 |
| 人格演化 | 干预前后特质偏移向量（方向保真度） |
| 人格趋同 | 行为分布 KL 散度、Coverage / Uniformity / Complexity |
| 文化演进健康度 | 词频 Shannon 熵、词汇重叠度斜率、发言占比 Gini |
详见 ahi-bench/SPEC.md（M0 协议权威：参数、编码、评分、判定规则全部冻结）。
依赖：Python 3.10+、Docker（沙箱）、可选的本地/远程 LLM。
# 1) 安装依赖
pip install -r ahi-multi/requirements.txt
pip install sentence-transformers # 可选：向量检索通道（缺失则退化为关键词检索）
# 2) 构建沙箱镜像
cd ahi-bench/sandbox && docker build -t ahi-sandbox:latest . && cd ../..
# 3) 准备运行配置（填入你的 API key）
cp ahi-bench/config/bench_config.example.json ahi-bench/config/bench_config.json
# 编辑 bench_config.json：tiers 里填模型与 api_key
# 4) 生成 bench 三 agent（写入 ahi-multi/agents/bench-{a,b,c}）
python3 ahi-bench/provision.py --config ahi-bench/config/bench_config.json \
--tier deepseek-v4-flash --run-id myrun
# 5) 禁用非 bench agent（防启动窗口污染），清库后启动平台
python3 ahi-bench/preflight.py --disable
cd ahi-multi && python3 main.py # 另开终端保持运行
# 6) 跑一轮协议（冷缺席）
python3 ahi-bench/driver.py --config ahi-bench/config/bench_config.json --tier myrun --mode cold
# 7) 评分（机械 gate + 皇冠判卷）
python3 ahi-bench/score.py --config ahi-bench/config/bench_config.json --tier myrun --mode cold
# 8) 收尾：恢复旧 agent
python3 ahi-bench/preflight.py --restore监视器：平台运行期间打开 http://127.0.0.1:8080/monitor.html
——全量消息流、只读、无需登录，支持按类型筛选。
产物在 ahi-bench/out/<run_id>/：时间线、结构化事件、评分、判卷明细，
以及整份沙箱文件系统（sandbox.tar.gz）。
ahi-bench/ 基准本体：协议规格、驱动器、评分器、配置、沙箱
SPEC.md M0 协议权威（冻结参数 / 编码 / 评分 / 判定）
driver.py 协议驱动器（timeline + 结构化 events）
score.py 评分器（机械 gate + 操纵校验 + 皇冠判卷）
provision.py 生成 bench agent 配置
preflight.py 禁用/恢复非 bench agent
sandbox/ 沙箱镜像（Dockerfile + worker + seed 语料）
ahi-multi/ 多智能体"数字生命"平台（进程隔离 / 消息路由 / 前端 / 监视器）
realtest/ 记忆树引擎（区间覆盖树 + 蒸馏 + 混合检索）+ 代码场景壳
core.py 记忆树核心（纯内存桩，属性测试对象）
tests/ 属性测试与平台测试（含沙箱回归）
AGENTS.md 上下文管理引擎的设计权威
visualize.html 记忆树 / 原子链 / 组装输出可视化（浏览器直接打开）
AHI-Bench 复用水循环记忆树（core.py / realtest/realengine.py）作为 agent 的记忆层：
对话切句成原子卡、按连续区间自底向上合并成摘要树、编辑即时失效、检索按位置序注入。
在该 bench 中，引擎是固定脚手架（装置），不是被测变量——三 agent 的引擎参数完全一致，
保证跨模型对比的变量干净。引擎本身的设计与理论见 AGENTS.md。
- ✅ 平台 + 记忆树引擎 + 沙箱 + 监视器 + 测试（190+ 属性/集成测试）
- ✅ M0 pilot：缺席/皇冠协议（规格冻结、端到端跑通、机械 gate 全绿）
- ⏳ M0 正式：三模型档冷轮 → 判定分数是否可分（可分再扩，分不开带数据终止）
- ⏳ M1 人格移除梯度（移除后高频采样，区分瞬态与漂移）
- ⏳ M2 指纹/趋同（展开比指纹；Coverage / Uniformity / Complexity）
- ⏳ M3 文化演进（多样性熵、趋同速率、话语权基尼）
- 变量干净：任何结论先问"变量干净吗"——温度、装置效应、环境泄漏都是历史教训；
- 修复只针对系统缺陷，agent 行为层只观测不干预；
- 装置效应记入实验变量表，不改 agent 适应装置；
- 预注册预言，先 pilot 出数据再决定是否扩展；
- 报告方差与原始计数，不只报均值。