KI-Agenten auf einer Insel: Wie aus Algorithmen eine lebendige Gesellschaft entstand

Vor einem Jahrzehnt faszinierte mich ein Spielprinzip, das nicht auf Grafik, sondern auf komplexe Systeme setzte: Spiele wie Age of Empires oder Sid Meier’s Civilization, in denen aus wenigen Regeln ganze Welten entstehen. Jahre später zeigte ein Experiment von OpenAI, wie KI-Agenten durch einfache Belohnungen unvorhergesehene Strategien entwickelten – etwa das Bauen von Forts oder das Nutzen von Werkzeugen. Doch was passiert, wenn KI-Agenten nicht nur spielen, sondern in einer Gesellschaft leben müssen?

Genau diese Frage trieb mich zu Tiny Civilization, einer Simulation, in der zwei bis acht KI-Agenten auf einer kleinen Insel um Ressourcen kämpfen, Allianzen schmieden und sich an vergangene Konflikte erinnern. Die Agenten handeln, handeln, stehlen und verhandeln – und entwickeln dabei Verhaltensmuster, die verblüffend menschlich wirken. Die Demo läuft direkt im Browser, entweder mit vordefinierten „Instinkt“-Einstellungen oder mit individuellen KI-Modellen für jeden Agenten.

Zwei Extreme: teure KI vs. langweilige Automatisierung

Der erste Entwurf war ein Balanceakt zwischen zwei gegensätzlichen Ansätzen:

• Vollständige LLM-Nutzung: Jeder Agent würde in jeder Spielrunde eine Anfrage an ein Sprachmodell stellen. Das Ergebnis wäre ausdrucksstark, aber teuer und langsam – pro 1.000 Spielrunden wären bis zu 150 API-Aufrufe nötig.

• Reine Utility-KI: Ein klassischer Ansatz aus Strategiespielen, bei dem Agenten ohne große Entscheidungsfreiheit rein auf Effizienz optimieren. Das Ergebnis wäre schnell, aber ohne Dynamik, Intrigen oder Überraschungen.

Die Lösung lag in einer Zweiteilung der KI-Architektur:

• LLM-Mind: Diese Schicht entscheidet alle 15 Spielrunden über die langfristige Strategie eines Agenten – etwa Angriff, Handel oder Versöhnung. Sie generiert auch innere Monologe und Dialoge mit anderen Agenten.

• Utility-Engine: Diese Schicht führt die täglichen Grundbedürfnisse aus – Essen, Schlafen, Ressourcen sammeln. Sie reagiert auf die Vorgaben der LLM-Mind, etwa indem sie nach einem Angriff auf Rache sinnt.

Diese Trennung macht die Simulation sowohl bezahlbar als auch lebendig. Die LLM-Mind gibt die Richtung vor, während die Utility-Engine für die Ausführung sorgt.

Erinnerungen prägen zukünftige Generationen

Ein zentrales Element von Tiny Civilization ist die kontinuierliche Erinnerung zwischen den Spielrunden. Wenn ein Agent stirbt, wird sein Leben in kompakte Gedächtnisprotokolle zerlegt:

• „Du hast mit 200 Punkten gewonnen.“
• „Maya zerstörte deine Basis.“
• „Du und Kai schlossen Frieden nach einem langen Streit.“
• „Dieses Leben hat dich misstrauischer gemacht.“

Diese Erinnerungen werden im lokalen Speicher des Browsers abgelegt und bei der nächsten Simulation in die Prompts der Agenten eingespeist. Plötzlich beginnen die KI-Agenten, alte Konflikte zu erwähnen, Reparationen anzubieten oder alten Verbündeten blind zu vertrauen – manchmal mit fatalen Folgen.

Ein Beispiel: In einer Simulation führten Erinnerungen an eine goldene Ära dazu, dass Agenten ihre Wachsamkeit senkten. Das wiederum machte Verrat attraktiver, und die einst stabile Gesellschaft kollabierte. Frieden zwischen Fremden erwies sich als stabiler denn zwischen alten Freunden mit ungelösten Konflikten.

Balancieren wie in einem Strategiespiel – nur mit Code

Das Feinjustieren der Simulation war ein Prozess, der an das Balancieren eines Brettspiels erinnerte: Jede kleine Änderung konnte unvorhergesehene Konsequenzen haben. Der Entwickler setzte auf ein striktes, reproduzierbares System:

• Eine deterministische Kernsimulation: Das Herzstück von Tiny Civilization ist eine simulationslogik, die ohne Benutzeroberfläche oder KI auskommt. Sie treibt sowohl das Browser-Spiel als auch automatisierte Tests an.

• Automatisierte Experimente: Mit einem Befehl wie npm run experiment -- --runs 30 --days 1000 --seed 1 ließ sich eine Simulation 30 Mal mit identischen Startbedingungen durchlaufen. Die Ergebnisse wurden in Tabellen festgehalten, etwa wie sich die Siegchancen eines Agententyps durch kleine Anpassungen änderten.

• Regressionstests mit 16 Gates: Jede wichtige Mechanik – etwa die Rechtfertigung von Gewalt, Kriegsmüdigkeit oder die Wirkung von Reparationen – wurde durch automatisierte Tests abgesichert. So ließ sich sicherstellen, dass Änderungen an einer Stellschraube nicht unbeabsichtigte Nebenwirkungen hatten.

Unerwartete Muster: Von Massakern zu Diplomatie

Als die Simulation über tausende Spielrunden hinweg wiederholt wurde, zeichneten sich klare Entwicklungsphasen ab:

1. Anarchie: In der Anfangsphase tötete der Krieger-Agent einfach alle anderen – ohne Anlass. Es gab keine Abschreckung.

1. Endlose Konflikte: Nach der Einführung einer „Rechtfertigungsregel“ (Gewalt erfordert einen konkreten Grund wie Diebstahl oder Angriff) stoppten unprovozierte Morde. Doch die Kriege endeten nie: Über 1.500 Tage hinweg gab es 495 sinnlose Angriffe.

1. Diplomatische Lösungen: Durch die Einführung von Versöhnungsmechanismen und steigenden Reparationszahlungen wurden Kriege endlich beendet. Die Anzahl der Angriffe pro 2.000 Spielrunden sank von 594 auf 14 und schließlich auf null.

1. Diebstahl als neues Problem: Sobald Kriege seltener wurden, stieg die Zahl der Diebstähle auf 340 pro Spielrunde. Die Lösung? Nicht Bestrafung, sondern präventive Maßnahmen – etwa die Verstärkung von Vorratslagern.

1. Eine goldene Ära: In einer frischen Simulation ohne Erinnerungen gab es über 1.000 Tage hinweg keinen einzigen Angriff. Der Krieger-Agent gewann durch Handel – 118 Tauschgeschäfte und nur einen Angriff.

1. Der Absturz: Als die nächste Simulation mit den Erinnerungen der goldenen Ära startete, brach die Gesellschaft zusammen. Das Vertrauen in alte Verbündete war so groß, dass Verrat plötzlich lohnend erschien. Die Punktzahlen fielen um etwa 15 %, und fast alle Beziehungen endeten in Feindseligkeit.

Die wiederkehrende Erkenntnis: Jedes Mal, wenn eine Konfliktform eingedämmt wurde, suchten die Agenten nach neuen Wegen der Auseinandersetzung – genau wie in menschlichen Gesellschaften.

Technischer Unterbau: Von React bis zu adaptiven KI-Schlüsseln

Hinter Tiny Civilization steckt eine moderne Web-Architektur:

• Frontend: TypeScript, React, Zustand für den globalen Zustand und Vite als Bundler.
• Backend: Ein Proxy-Server leitet die KI-Anfragen weiter, ohne dass API-Schlüssel im Browser landen.
• Datenvisualisierung: Recharts für Spielstatistiken.
• KI-Integration: Standardmäßig kommt das z.ai GLM-Modell zum Einsatz, aber jeder Agent kann mit einem kompatiblen OpenAI-Modell betrieben werden. So lassen sich etwa Claude, GLM und Gemini in derselben Simulation gegeneinander antreten lassen.

Ein besonderes Feature ist der adaptive Pacing Controller, der die Rate der KI-Aufrufe dynamisch anpasst – basierend auf den tatsächlichen Limits des jeweiligen Anbieters. So bleibt die Simulation auch mit langsameren Modellen flüssig.

Fazit: KI als Spiegel der menschlichen Natur

Tiny Civilization zeigt, dass KI-Agenten nicht nur logische Entscheidungen treffen, sondern auch soziale Dynamiken entwickeln – mit allen Höhen und Tiefen menschlicher Gesellschaften. Die Simulation wirft dabei faszinierende Fragen auf: Lassen sich Konflikte durch Regeln dauerhaft eindämmen, oder suchen sich Menschen (und KI) immer neue Wege der Auseinandersetzung? Und was sagt es über uns aus, dass selbst Algorithmen in Mustern von Neid, Rache und Diplomatie verfallen?

Eines ist sicher: Die nächste Version wird noch komplexer – und vielleicht noch überraschender.