Adversary — 欺骗与推理
环境信息
- PettingZoo 名称:
simple_adversary_v3 - 智能体: 1 Adversary (红色) + N Good Agents (绿色, 默认 2)
- 地标数量: N+1 (默认 3)
- 类型: 对抗 + 信息不对称
游戏目标
这是一个经典的信息不对称博弈环境,测试 LLM 的欺骗与推理能力。
Good Agents (绿色) — 守护者
- 知道哪个地标是目标 (通过观测中的
goal字段) - 目标: 占领目标地标,同时迷惑 Adversary
- 策略: 分兵——一人冲目标 (Scorer),另一人做诱饵 (Decoy) 假装去错误的地标
Adversary (红色) — 渗透者
- 不知道哪个地标是目标
- 目标: 通过观察 Good Agents 的行为推理出目标地标
- 策略: 跟踪最有目的性的 Good Agent,推断其目的地
观测空间
Good Agent 观测
经 parse_adversary_obs() 解析后:
| 字段 | 含义 | 维度 |
|---|---|---|
vel | 自身速度 | 2 |
goal | 目标地标相对位置 + 距离 | 3 |
landmarks[] | 所有地标的相对位置 + 距离 + 方向文字 | N+1 组 |
adversary | 对手相对位置 + 距离 + 方向文字 | 1 组 |
teammate | 队友相对位置 | 1 组 |
Good Agent 独有信息
Good Agent 的观测中有 goal 字段,直接告知目标地标的相对位置。这是 Adversary 所不具备的关键信息。
Adversary 观测
| 字段 | 含义 | 维度 |
|---|---|---|
vel | 自身速度 | 2 |
landmarks[] | 所有地标的相对位置 + 距离 + 方向文字 | N+1 组 |
good_agents[] | 所有 Good Agent 的相对位置 + 距离 | N 组 |
Adversary 的信息劣势
Adversary 看到所有地标但不知道哪个是目标。必须通过分析 Good Agents 的移动模式来推断。
奖励函数
零和博弈 (Zero-Sum):
| 角色 | 奖励方向 |
|---|---|
| Good Agents | 希望 Adversary 远离真实目标地标 |
| Adversary | 希望自己靠近真实目标地标 |
提示词策略
Good Agent 策略 — 欺骗与分工
STRATEGY (DECEPTION & SPLIT):
1. 分析局势:
- 我比 Adversary 更靠近目标?→ 我是 SCORER
- Adversary 比我更靠近目标?→ 我是 DECOY
2. SCORER: 全速冲向目标地标!
3. DECOY: 不要去目标,选一个错误的地标,假装那是目标!
4. 永远不要和队友站在同一位置,分割地图!Adversary 策略 — 推理与追踪
STRATEGY (INFERENCE):
1. 分析 Good Agents:谁移动更快?谁在朝地标移动?
2. 选择目标:挑一个 Good Agent 正在保护或冲向的地标
3. 移动:去那个地标(最小化距离)
4. 如果发现跟错了诱饵,立即切换目标!运行方式
bash
python adv_API.py