在整个斯坦福的AI小镇中，用一段自然语言描述来描绘每个智能体的身份,包括他们的职业和与其他智能体的关系,作为种子记忆。模拟开始时以记忆的形式输入智能体的初始记忆中。
能体通过行动与世界互动,通过自然语言与彼此交流。在沙盒引擎的每个时间步中,智能体会输出描述其当前行动的自然语言语句,如“xxxx正在写日记”、“xxxx正在检查邮箱”、“x正在和家人打电话”或“xxx正在准备睡觉”。智能体使用完整的自然语言与彼此交流。它们也会思考其他智能体，整个架构确定他们是否会路过或进行交谈。
当然用户也可以通过指定一个智能体应该将其视为的角色的方式,用自然语言与智能体交流。
上述在论文中提到的智能体间的交流，以及用户和智能体间的交流，在我们重构的3D世界中，都会通过Motionversed语音合成，动作表情生成，来完成准确的情绪表达
最后，再来记录一下服务器这块的部署的方式方法，也做了一些官方文档上没有描述太清楚的解释
1.python版本要求3.9以上；安装依赖环境：cd 进入项目: pip install -r requirements.txt，安装慢的话，或者有些依赖版本找不到可以尝试切换国内镜像源，或者切换成可用版本
2.在reverie/backend_server目录下要新建个utils.py文件；openai_api_key替换为你的 OpenAI API 密钥，name可不填
部署有两种方式：1.在国内本地部署的话，需要有个chatGtp跳板接口(需要在utils.py加一行openai_base_url =<跳板接口url>，然后在reverie/backend_server/persona/prompt_template/gpt_structure.py文件里openai.api_key
下面加一行 openai.api_base = openai_base_url)；2.或者直接在海外的服务器直连chatgtp
3.如果想让局域网内的其他人访问需要把environment/frontend_server/frontend_server/settings目录下base.py和local.py文件里ALLOWED_HOSTS换成ALLOWED_HOSTS = ["localhost", "127.0.0.1", "运行项目的ip"]，此时运行前端服务命令： python3 manage.py runserver 你的ip:8000
4.启动后端服务时python reverie.py，需要自己手动在模拟的名称(例：test-simulation)目录下新建movement，不然run之后的数据保存不下来，会丢失掉，钱等于白花
5.运行时实时观察效果并不好，可以根据之前跑的数据压缩回放，需要我们手动压缩，在文件reverie/backend_server/compress_sim_storage.py最后一行
if __name__ == '__main__':
compress("想要压缩的模拟文件(例：test-simulation)")
目前跑通了服务器运行，和观察生成的数据，后续会继续优化，和按我们的需求改写
