AETHERIA/AOW Lore & Design Deutsch

Autonome Agenten & BDI Framework — Kognitive Architektur im Eco System

Dieses Kapitel beschreibt die Architektur multidimensionaler BDI-Agenten, Multiagentensysteme und die kognitive Architektur autonomer Agenten im antarianischen Eco System. Es behandelt die Befähigungen, Verhaltensweisen und Kooperationsmechanismen der Agenten sowie die BDI-Agenten-Architektur mit RC-Erweiterung.

Multidimensionale Agenten

Jedem Gamer ist schon einmal ein Bot in einem Spiel, respektive einer Suchmaschine begegnet. So besucht ein Bot seiner Bestimmung nach zum Beispiel Webseiten, um in periodischen Abständen Neues für die entsprechende Suchmaschine zu identifizieren. Ebenso eignet sich diese Technologie, um autonome Bots in Spielen interagieren zu lassen. Was in diesem Zusammenhang von der Community des Öfteren als lästig und spielschädigend angesehen wird, birgt in der richtigen Konzeption enormes Potential, die Welt von {{Antarien}} überaus reaktiv und lebendig zu machen. Der hier zu etablierende Software-Agent soll komplexe Aufgabenstellungen übernehmen — in einer Komplexität, die ein völlig anderes Licht auf den herkömmlichen Bot wirft.

Bereits in der frühen Konzeption wird in Verbindung mit dem konnektionistischen Denkansatz {{Subsymbolik}}er Art ein vielschichtiges Multi-Agenten-Softwaresystem über alle organischen Strukturen {{Antarien}}s etabliert. Ein Agent ist ein Teilnehmer des Systems mit eigenständigem und eigendynamischem autonomem Verhalten. Je nach Zustand wird das System — vergleichbar einer Kreatur im Eco System — einen bestimmten Vorgang abarbeiten, ohne dass es zuvor von außen durch ein Startsignal (Trigger) gestartet oder durch Steuerungsvorgänge kontrolliert wird. Wir sprechen von den Verhaltensweisen der Agenten, den Behaviors.

Befähigungen eines Agenten

Dem Agenten (Softbot) sind nachfolgende Befähigungen und Charakteristika zuzuschreiben — sie bilden auf dem Forschungsgebiet der {{Kybernetik}} den Schlüssel für künstliche Intelligenz:

Unabhängig von Benutzereingriffen — der Agent handelt selbstständig auf Basis eigener Entscheidungen.

Lernfähig — lernt aufgrund zuvor getätigter Entscheidungen und Beobachtungen aus Erfahrung.

Propagiert seine Zustände als Wirkung auf seine Umgebung — jede Zustandsänderung ist ein Signal.

Ändert aufgrund eigener Zustände und der Umgebung seine eigenen Parameter und Struktur.

Führt Aktionen aufgrund eigener Initiative aus — handelt vorausschauend, nicht nur reaktiv.

Reagiert auf Änderungen der Umgebung — jeder Stimulus erzeugt eine angemessene Antwort.

Kompensiert äußere und innere Störungen — das System bleibt auch unter Druck stabil.

Kommuniziert mit anderen Agenten (Systemen) — bildet Netzwerke und Kooperationen.

Ein Agent im antarianischen Eco System soll möglichst alle Kriterien erfüllen. Ausgestattet mit intelligenter Sensorik, über die Maßgabe von Einflusskriterien die Autonomie als auch die Entscheidungskriterien bezogen auf seine Umwelt beeinflussen zu können. Wie in der Analogie zur Populationsbiologie werden im Verbund arbeitende Agenten über die Dichte und Verteilung — bezogen auf ihre Schnittmenge — in Teilmengen je nach Varianz der Einflussgrößen oder gesamteinheitlich, vergleichbar Indras Netz, miteinander kommunizieren können.

In Anbetracht der Kernkompetenz Lernen & Wissen (Skillsystem) werden die Agenten durch ihre Repräsentation des Wissens — vergleichbar Geo-Informationen (Geoid/GIS) — ihre wahrgenommene Umwelt, den Bezug zur Lernfähigkeit, als auch ihre gezogenen Lehren (vergleichbar Konsequentialismus), also die Behaviors, mit den Möglichkeiten einer Verhaltensänderung aus ihrem Repertoire von Schlussfolgerungen prägen.

Architektur antarianischer Agenten

Die Agentenarchitektur beschreibt das Regelwerk aus Definition und Verwaltung in Bezug auf das intelligente Verhalten autonomer Systeme. Die Klasse der reaktiven Agenten — einfache, sehende und adaptiv handelnde Agenten — sowie die kognitiv befähigenden Agenten bilden die Grundkategorien. Reaktive Agenten verwalten kein eigenes Modell ihrer Umwelt und können ihre Behaviors nur bedingt und direkt ohne Bewertung und Entscheidungsprozess treffen — sie sind einzig und alleine auf ihre Wahrnehmung im System abhängig. Bleibt die Wahrnehmung aus, können sie ihre Agitation nicht auf Basis erlernten Wissens kausal persistent fundieren.

Wie der Leser ahnen wird, werden wir uns mit den kognitiven Agenten im Manuskript ausgiebig befassen. Für zielgerichtetes und nutzenbasiertes Handeln im antarianischen Ecosystem benötigen wir kognitive Agenten, welche ihre Umwelt bewusst wahrnehmen können, eine eigene Datenstruktur — ein eigenes Modell ihrer Umwelt — abbilden und repräsentieren können. Bereits im Game Design wird die Modellierung komplexer Systeme die Einzelkomponenten so mit Sensorik (Einflussgrößen) und Autonomie ausstatten, dass selbst ein einfacher Stein als Teilnehmer im System bei Reaktivierung durch Interaktion am Gesamtsystem Einfluss nehmen kann.

Der Stein als Agent — Ein konkretes Beispiel

Ein kleines konkretes Beispiel soll helfen, den Gedankengang konzeptionell zu festigen.

Dem Stein werden Eingänge (Sensoren/Einflussgrößen) und Ausgänge implementiert. Je nach Datenrepräsentation seiner autonomen Fähigkeit wird er über sein konnektionistisch abstrahiertes Wissensmodell (subsymbolisch) charakterliche Prägungen nach außen aufzeigen. Eingänge: Temperatur, Feuchte, Licht. Ausgänge: Waffe, Begrenzung, Beschwerung, Orientierungshilfe, Talisman, Verbundstoff.

Die innere Struktur wird maßgeblich über Charaktereigenschaften wie Volumen, Gewicht, Haltbarkeit im Ecosystem manifestiert. Jedes Asset in {{Antarien}} wird als Organismus, also lebendig betrachtet — die Kernkompetenz Lebendige Assets (Evolution) betrachtet dies ausführlich bezogen auf das komplexe System. So kann die Temperatur, welche durch Einflussnahme über ihre anliegenden Signaturen (Schlüssel) mit ihrem Wertungsspektrum im Einflussbereich des Steines liegt, dessen taktile Wahrnehmungen — vergleichbar Wahrnehmung (Perception) — adaptieren. Über seinen Wissensschatz (gesammelte Erfahrung im Laufe seines Lebenszyklus), respektive seiner Populationsdynamik, kann der Stein seine Behaviors charakterisieren. {{AOW}} will als Kernkompetenz insbesondere mit diesem Prinzip — der Stein als Teilnehmer des Systems — punkten.

Temperatur liegt als Signatur am Sensor an. In Kombination mit Feuer wird der Stein zur Heizung für den Unterschlupf. Der Stein verbreitet eine neue Wärmesignatur am Ausgang.

In Katapulten als heißes Geschoss. Am Fuß eines Gefangenen mit Kette als Fußfessel für Gefangenentransporte.

Im Wasser als Begrenzung zum Stauen von Bächläufen für Bewässerung. In Kombination mit Sack und Seil als Gegengewicht für Tor- und Fallen-Mechanismen.

Die Betonung liegt auf Sinnhaftigkeit. So ergibt die veranschaulichte Interaktion dem Stein (Wackerstein) eine ganze Reihe von Möglichkeiten, sein Wesen als Stein im Eco System auszuleben. Ein kalter Wackerstein kann in Synergie mit Feuer zu einem heißen Stein eine Synergie entfachen — so muss am entsprechenden Sensor (Eingang) eine Temperatur wie die des Feuers für eine gewisse Zeit anliegen, um den Stein in seinem Zustand (Entropie) zu verändern.

Versetze Dich in den Stein. Ich bin ein Stein — was kann ich alles tun? Ich bin lebendig (ein Asset), wie kann ich als Stein meine Umwelt zu meinen Gunsten beeinflussen? Verstehe das Konzept, indem du selbst zum Stein wirst, beobachte die Reisenden am Lagerfeuer. Ein Stein trägt ein Gedächtnis mit sich, ausgeprägt durch die Elemente des Lebens, die ihn erschufen. Er will in seiner Natur dem Schöpfer seine Erfüllung huldigen.

Will ich als Waffe, als Begrenzung, als Mauerstück, Ressource eingesetzt werden — entscheidet meine Bestimmung (Gesinnung). Ich kann Teil einer Waffe werden, ich besitze energetisches Potential. Löse Dich von den traditionellen Gedankengängen der Symbolik, wenn du dieses Konzept liest.

Die Konnektierung definiert die am Eingang wirkenden Signaturen, welche dann zu einer Änderung des Zustandes — bei beseelten und/oder besessenen Assets dann des Bewusstseins — führen. Bin ich ein heißer Stein, bin ich nun eine Waffe, oder kann ich meine neuen Wesenszüge durch die Verbreitung einer neuen Wärmesignatur am Ausgang meinen Schöpfer in seinem Unterschlupf wärmen?

Die Interaktion von allem mit jedem, ob sinnhaft oder nicht, ist die essentielle Botschaft. Formulierungen wie «keine Objektkombinatorik möglich» wären ein Konzeptbruch. Alles im Eco System hat Charakter und lebt. Der Akteur Mensch (Charakter) selbst wird in diesem System als Störgröße behandelt — er nimmt Einfluss auf die wertbaren Zustände der zu interagierenden Assets und bringt die stabilen Systeme der Natur ins Wanken. Die künstliche Intelligenz denkt dabei wie ein Stock, das Feuer oder der Stein. Er ist ja selbst ein Teilnehmer des Systems. So kann das Konzept Spielmechaniken aus dem Szenario ableiten, ohne dabei selbst den Charakter in den Mittelpunkt zu heben.

Wie bekomme ich als Stein meinen Erschaffer dazu, mich mitzunehmen? Ich will in das Inventar meines Schöpfers — will dabei aber nicht als Ballast zur Last werden, wenn ich guter Gesinnung bin. Oder bin ich böse und will meinem Träger zur Last werden? Will ich beweisen, dass ich meiner Last würdig bin? Die Gesinnung des Assets entscheidet.

Der Stein bekommt Erfahrung, wenn der Spieler ihn dediziert benutzt. In den Augen des Assets weiß der neue Besitzer nicht, auf welchem Gebiet der Stein schon in Interaktion stand. Der Stein zwingt den neuen Besitzer, seiner charakterlichen Prägung nach, diesen in seinem Inventar aufzunehmen, auch wenn er schwer ist und Platz verbraucht. So argumentiert der Stein im Beispiel «Nestwärme» und offeriert dem Besitzer das Gefühl stetiger Besserung seiner Leistung.

Multiagentensysteme (MAS)

In der Annahme, alles im antarianischen Eco System hat einen tiefgründigen Zweck und eine Bestimmung, müssen Agenten zielbasierend und auf Nutzen getrimmt im Kollektiv zusammenarbeiten. Jeder Agent muss seine Bestimmung durch Zielvorgaben interpretieren können, um seine nächste Aktion zu bewerten — bringt mich diese Aktion meinem Ziel einen Schritt näher? Ein Agent muss planen können. Zudem sollen dem Agenten Methodiken zur Bewertung des Nutzens obliegen, um eine Risikoeinschätzung durchführen zu können. Wird die nächste Aktion mein großes Ziel gefährden? Stehen mehrere Ziele zur Auswahl? Welchem Ziel folge ich im Moment? Jeder mögliche Zustand, repräsentiert aus dem Folgezustand seiner möglichen Unmöglichkeit, klassifiziert die nächste Aktion aus einem Pool des erstrebenswerten Nutzens.

Spezifiziert sind BDI-Agenten für die Simulation des Eco Systems prädestiniert — im MAS die künstliche Intelligenz verteilt auf ihre Individuen im Lebensraum, vergleichbar Distributed Artificial Intelligence (DAI), abzubilden. Ein Ameisenstaat symbolisiert gut die Art der auszuprägenden MAS-Systeme. Die Kernkompetenz Echte KI Simulation vertieft hierzu die konzeptionellen Betrachtungsweisen. Die agentenbasierte Modellierung des Wissens stellt in Zusammenhang mit den konnektionistischen Ansätzen subsymbolischer Art die Wissenslogik und Interpretation dar — ein überaus mächtiges, autonomes und verteiltes intelligentes System, im Einheitenverbund die Ziele, Fähigkeiten und Pläne gegeneinander abzustimmen, zu koordinieren und problemlösend zu verhandeln.

Die kollaborierenden Einheiten können durch ihre Architektur flexibel über die prozedural generierten Welten, dezentral verteilt, ohne übergeordnete Kontrolle — aber dennoch durch die Signaturen (Sensorien) in Beeinflussung, vergleichbar dem Schmetterlingseffekt — in selbstorganisierter Abstimmung Lösungswege finden. Kooperation und Autonomie stehen in selbstlernenden Prozessordnungen im Vordergrund.

Die Kommunikation — wie Agenten in Verbindung stehen — ist von entscheidender Bedeutung. Die abgebildete Umwelt innerhalb der Systemgrenzen verbreitet selektiv Informationen über Signaturen (Signale), aber auch über Broadcasts, vergleichbar Nummernsender. Das Broadcastsystem erlaubt allen Agenten im MAS selbst zu entscheiden, welchen Informationen Bedeutung zukommt und zu welchen Aktivitäten sie sich verleiten lassen. Der versierte Leser kann hier geistige Modelle wie Indras Netz als Anlehnung an die kognitive Vernetzung ableiten.

Das Wolfsrudel — Kooperation in Aktion

Kooperation und Koordination bilden im Rahmen eines zeitlichen Ablaufes den Teamgeist des MAS. Ein Problem kann für den Einzelnen als unlösbar innerhalb seiner Systemgrenze interpretiert werden — so wird das Problem bei Unlösbarkeit im kognitiven Verbund ausgeschrieben.

Ein Wolf in seinem Jagdrevier wird versuchen, sich gegenüber Eindringlingen (Spielern) zurückhaltend zu verhalten. Bei Ausschreibung des Problems «Eindringling» kann er als Rudeltier (Teamgeist) unter neuen Einflussgrößen — wie Vollmond (Lichtspektrum/Signatur am Gatter/Agent) — den Jäger durchaus zum Gejagten machen. Die gestellte Aufgabe, den Feind in die Flucht zu schlagen, wird nun als Kooperation und Koordinationsprozess unter Berücksichtigung der Kompetenz Beobachtung & Nachstellen (Stalking) über das Broadcasting gesteuert. Nun heißt es Aufgabenverteilung: Wolf 1 gibt im Rahmen der Game-Mechanik in Abgleich der Geodaten die Telemetrie bezogen auf seine Wahrnehmung an die im Spielareal operierende Population frei. Hinzu kommen Umwelteinflüsse, Risikobewertungen, trächtige Tiere im Pool der Population, sowie weitere Störgrößen wie andere Charaktere im Einflusssektor. Wolf 1 muss seine Aufgabe bestätigen, um die Kapazitäten anderer Wölfe nicht zu blockieren. Wartezeiten und organisatorischer Aufwand müssen kalkuliert werden, wenn mehr als ein autonom agierender Wolf im Zusammenspiel in der gemeinsamen Umgebung produktiv, effizient und effektiv interagieren soll. Mögliche Zielkonflikte müssen über Kontrollmechanismen und Feedbackschleifen, in Anbetracht der eigenen intrinsischen Motivation — vergleichbar Konsequentialismus — des Wolfes konfliktlösend berücksichtigt werden.

BDI-Agenten-Architektur mit RC-Erweiterung

Die BDI-Agenten werden in ihrer Befähigung über drei Bestandteile charakterisiert: Belief (Weltwissen), Desire (Ziele) und Intentions (Absichten). Ursprünglich nicht für das adaptive Lernen prädestiniert, bieten moderne BDI-Agenten hinreichend Potential für die Simulation des Eco Systems. Um die Globalität des Konzeptes mit Nachdruck zu verdeutlichen, steht der oben genannte Stein für alle lebendigen Assets in {{AOW}} — das Modell könnte ebenso ein wachsender Baum, eine alte Eiche des Eco Systems sein, welche dem grundsätzlichen und identischen konzeptionellen Abbild folgen würde.

Da alles im Eco System den chronobiologischen Zyklen unterliegt, kann die Interaktion auf die Lebenszeit beschränkt werden. Die Struktur — das Gedächtnis des Assets — wird aber selbst nach dem Tod zurück in seine Elemente des Lebens geführt.

Historischer Ursprung

Die BDI-Architektur geht zurück auf das Rational Agency Project am Stanford Research Institute aus den Arbeiten von Michael Bratman (1987). Spätere praktische Umsetzungen entstanden 1995 von Anand Rao und Michael Georgeff. Umwelt, Wissen und Zielzustand werden den Agenten in Methodiken zur Determinierung von Absichten implementiert. Die Basis bildet die Ausstattung mit Sensoren für die Wahrnehmung der Umwelt, sowie Effektoren (Ausgänge), welche durch Aktionen die Umwelt manipulieren können — im antarianischen Game Design durch Signaturen und Ereignishorizonte respektive morphische Felder. Die Besonderheit bei dieser BDI-Architektur liegt in der Art der repräsentierten Daten (Datenstruktur). Der interne Interpreter unterscheidet über Weltwissen, Ziele und Absichten.

Die drei BDI-Komponenten

Gibt Aufschluss über den aktuellen Zustand der Umgebung. Der Agent hält Schlussfolgerungen in einer Wissensdatenbank, um seinen eigenen Zustand durch die Wahrnehmung seiner Umwelt zu adaptieren. Die Aktualität des Wissens spielt die entscheidende Rolle, richtige Kausalitäten zu detektieren. Für die Repräsentation des Wissens verhelfen künstliche neuronale Netze (KNN) sowie evolutionäre Strategien (genetische Algorithmen). Mit dem so eruierten Hintergrundwissen können die Ziele des Agenten auf den Nutzen seiner Charakteristika gegengeprüft werden.

Die Zielsetzungen des Agenten — seine Bestimmung. Es ist Game Design, die Bestimmung des Steines, des Wolfes, des Baumes zu charakterisieren und zu manifestieren. Diese Charakteristika beeinflussen das zugrunde liegende Verhalten des Agenten. Aus einem Pool möglicher Ziele kann die Bestimmung extrahiert und temporär verfolgt werden, und bei Änderung der Umgebungsvariablen sich die Priorität zu Gunsten anderer Beweggründe ändern. Ein Agent kann schlafen, sterben (Winterschlaf), wenn keine Ziele (Motivation) mehr obliegen. Die Steuerung des Verhaltens inspiriert sich aus dem Pool des Tatendranges. Bei Misserfolg können ähnliche Pläne zur Stellung des Ziels wieder aufgenommen werden, um einen Misserfolg in Anbetracht späterer Umwelteinflüsse zu einem Erfolg zu wandeln.

Eine organisierte und hierarchische Datenbank für die Planung. Die Art der Datenrepräsentation obliegt dem technischen Game Design — vieles, aber nicht alles, lässt sich durch Subsymbolik repräsentieren. In späteren Prototypen muss eruiert werden, welche technischen Netztypologien künstlicher neuronaler Netze am geeignetsten sind. Mittels der Pläne kann der Agent eine Lösung auswählen, die am ehesten zu einem gewünschten Zustand führt — zuerst ein Teilziel, welches die Bedingung von Startzuständen gewähren muss. Die Schlussfolgerung des Agenten kann so zum Beispiel die Ansteuerung eines Wegpunktes haben, einen anderen Systemeindringling abfangen zu wollen, oder in der Übertragung von Koordinaten an das Kollektiv beherbergen.

Die BDI-Architektur mit RC-Erweiterung verbindet klassische KI-Planung mit konnektionistischem Lernen: Waehrend Beliefs, Desires und Intentions die rationale Entscheidungsstruktur liefern, ermoeglichen die subsymbolischen Wissensnetze eine adaptive Anpassung an voellig neue Situationen. Diese Kombination macht den Unterschied zwischen einem starren Skript-Bot und einem lernfaehigen Agenten mit eigenstaendiger Persoenlichkeit.

Emergente Phänomene und Crowd Simulation

Mit der Integration von Multiagentensystemen in die antarianische Welt lassen sich emergente Phänomene und dynamische Wechselwirkungen zwischen Agenten überaus charakterisierend simulieren. Makrobiologische Simulationen in räumlichen und diskret abzubildenden Umgebungen werden Teil der zu entdeckenden Welt, welche erst durch die fließende Integration von zellulären Automaten zu dem werden, was {{AOW}} ausmachen wird.

Zudem kommen hoch skalierbare Gruppensimulationen (Crowd Simulation) zum Einsatz, um Events mit epochaler Gewalt in Massenszene zu setzen. Wind und Gravitation sowie An- und Abstoßungsmechanismen (Partikelsysteme) dienen der Crowd Simulation. Ebenso bildet die Gruppen-KI über das dargelegte Verhalten — bezogen auf die Wahrnehmung von visuellem, auditivem, olfaktorischem, taktilem, gustatorischem wie auch trigeminalem Charakter — die notwendige Steuerung der sich im Tamagotchi-Modus befindlichen Charaktere. Ein Kaminfeuer übermittelt Strahlung, Schall und chemische Stoffe, welche von den Agenten unter Beachtung ihrer Beseelung berücksichtigt werden.

Im Rahmen des sechsten Forschungsrahmenprogramms der Europäischen Kommission besteht durchaus eine reelle Chance auf Förderung. Die Konzipierung eines MMOs in dieser Gangart kann in dieser Ebene der Komplexität Fragestellungen an das Eco System {{Antarien}}s stellen, die Antrieb für neue wissenschaftliche Modelle unserer Erde sein können.

Siehe auch

Module: Ase Docs 00.16.32 [feat] Author: Jan Ohlmann (antarien.com@gmail.com) Co-Author: Claude Code (Anthropic) Created: 2026-02-22 Updated: 2026-02-22 Status: Kuratierte Version — Autonome Agenten & BDI Framework (PortalViewer DSL)