Як побудувати багатоагентний AI для біологічного моделювання: практичний посібник

Біологічні системи — клітинні популяції, екосистеми, розповсюдження інфекцій — надзвичайно складні для класичного моделювання, бо кожен елемент діє автономно і впливає на сусідів. Багатоагентний AI вирішує цю проблему: кожен агент (клітина, організм, вірус) має власну логіку поведінки, і разом вони формують реалістичну картину. Цей туторіал проведе тебе від нульового старту до робочої симуляції популяційної динаміки “хижак–жертва” за 4–6 годин. Для початку потрібні базові знання Python і встановлений Conda або pip.

🛠️ Що знадобиться

• Python 3.11+ — основна мова реалізації; безкоштовний, завантажуй з python.org або через Miniconda
• Mesa 2.4 — фреймворк для агентного моделювання на Python; безкоштовний, встановлюється через pip
• OpenAI Agents SDK (або LangGraph 0.3) — для надання агентам LLM-логіки прийняття рішень; є безкоштовний tier через API-ключ
• NumPy + Matplotlib + SciPy — математика та візуалізація; безкоштовні, стандартний науковий стек
• Jupyter Lab 4.x — інтерактивне середовище для запуску і дебагу; безкоштовний
• VS Code з розширенням Python — редактор коду; безкоштовний, зручний для великих проектів

📋 Покрокова інструкція

Крок 1: Встановлення середовища та залежностей

Відкрий термінал і створи ізольоване conda-середовище командою conda create -n bioagent python=3.11 -y, потім активуй його: conda activate bioagent. Встанови всі залежності однією командою: pip install mesa==2.4 openai-agents numpy matplotlib scipy jupyterlab langgraph==0.3 pydantic. Після встановлення запусти python -c "import mesa; print(mesa.__version__)" — у відповідь маєш побачити 2.4.x. Якщо бачиш помилку ImportError — повтори встановлення з флагом --force-reinstall.

Крок 2: Проектування архітектури агентів

Перед кодом треба чітко визначити ролі агентів. У нашій моделі “хижак–жертва” (вовки та зайці) кожен тип агента має три компоненти: стан (енергія, вік, позиція), сенсори (що агент бачить навколо себе в радіусі 2 клітин) і дії (рухатися, їсти, розмножуватися, померти). Створи файл agents.py і опиши базовий клас: успадкуй від mesa.Agent, у конструкторі передавай unique_id, model, energy=10. Окремо опиши клас RabbitAgent та WolfAgent — кожен із методом step(), де буде логіка поведінки. Добре продумана архітектура зараз заощадить години дебагу потім.

Крок 3: Реалізація базової агентної моделі на Mesa

Створи файл model.py. Визнач клас EcosystemModel(mesa.Model) із сіткою mesa.space.MultiGrid(width=50, height=50, torus=True) — параметр torus=True означає, що краї сітки “загортаються” і агенти не застрягають у кутах. У методі __init__ розміщуй агентів: виклич self.schedule = mesa.time.RandomActivation(self), потім у циклі створи 100 зайців і 20 вовків із випадковими координатами через self.grid.place_agent(agent, pos). У методі step() моделі виклич self.schedule.step() — це активує кожного агента в довільному порядку за один тік симуляції. Додай mesa.DataCollector, щоб збирати кількість зайців і вовків на кожному тіку: передай параметр model_reporters={"Rabbits": lambda m: count_agents(m, RabbitAgent)}.

Крок 4: Інтеграція LLM-логіки для адаптивної поведінки

Це найцікавіша частина — замість жорстко прописаних правил агенти використовуватимуть мовну модель для прийняття складних рішень. Відкрий файл llm_behavior.py і встанови свій OpenAI API ключ через змінну середовища: у терміналі виконай export OPENAI_API_KEY="sk-...". Створи функцію get_wolf_decision(context: dict) -> str, яка формує промпт із поточним станом агента (енергія, кількість видимих зайців, власний вік) і надсилає запит до gpt-4o-mini із системним повідомленням: “Ти вовк у симуляції. Обери одну дію: HUNT, REST, REPRODUCE або EXPLORE. Відповідай лише одним словом.” У методі step() класу WolfAgent виклич цю функцію лише кожні 5 тіків (щоб не перевищувати ліміти API) — додай лічильник self.decision_cooldown і зменшуй його щотіку. Для зайців використовуй детерміновані правила (вони дешевші в обчисленнях), а LLM-логіку залиш для хижаків як “розумного” агента.

Крок 5: Запуск симуляції та аналіз результатів

Відкрий Jupyter Lab командою jupyter lab у терміналі (переконайся, що активоване середовище bioagent). Створи новий ноутбук, імпортуй модель і запусти 500 тіків: у циклі for i in range(500): model.step(). Після завершення отримай дані через df = model.datacollector.get_model_vars_dataframe() і побудуй графік: df.plot(title="Динаміка популяцій"), потім plt.savefig("population_dynamics.png", dpi=150). Ти маєш побачити класичні осцилюючі криві Лотки–Вольтерри — популяція зайців зростає → вовки розмножуються → зайці зменшуються → вовки голодують → зайці знову зростають. Якщо крива одразу обвалюється до нуля — зменш початкову кількість вовків або збільш швидкість розмноження зайців у параметрах моделі.

⚠️ Типові помилки та як їх уникнути

• Агенти “зависають” на одній клітині — це трапляється, коли метод переміщення не перевіряє вільні сусідні клітини; використовуй self.model.grid.get_neighborhood(self.pos, moore=True, include_center=False) і вибирай лише незайняті позиції
• Перевищення ліміту OpenAI API — якщо виклики LLM відбуваються кожен тік для кожного агента, ти миттєво вичерпаєш квоту; обов’язково встанови cooldown мінімум 5–10 тіків і використовуй batch-запити або кешування однотипних рішень
• Модель нестабільна (всі агенти вимирають за 50 тіків) — проблема в балансі параметрів; запусти параметричний sweep: змінюй initial_wolves від 5 до 30 з кроком 5 і фіксуй, при яких значеннях система стабільна більше 300 тіків
• Mesa DataCollector повертає порожній DataFrame — переконайся, що datacollector.collect(self) викликається всередині методу step() моделі, а не лише в __init__

💡 Поради для кращого результату

Використовуй structured outputs для LLM-агентів. Замість парсингу текстової відповіді передавай у OpenAI API параметр response_format={"type": "json_object"} і описуй очікувану структуру в промпті — отримаєш стабільний JSON без помилок парсингу.

Профілюй продуктивність перед масштабуванням. Перед тим як збільшувати сітку до 200×200, запусти cProfile на 100 тіках — виклич python -m cProfile -s cumtime run_simulation.py і знайди найповільніший метод. Найчастіше це grid.get_neighbors(), який можна прискорити через numpy-маски.

Зберігай знімки стану моделі кожні 50 тіків. Використовуй pickle.dump(model, open(f"snapshot_{tick}.pkl", "wb")) — це дозволить відновити симуляцію з будь-якої точки без перезапуску, що критично при 6+ годинах розрахунків.

Візуалізуй просторовий розподіл, а не лише часові ряди. Викликай model.grid.get_all_cell_contents(), будуй теплову карту через plt.imshow(agent_density_matrix) і зберігай кадри для анімації через matplotlib.animation.FuncAnimation — це дає набагато більше інсайтів про просторову динаміку системи.

❓ Часті запитання (FAQ)

1. Чи обов’язково використовувати OpenAI API, чи можна локальну модель?
Абсолютно можна замінити на локальну LLM через Ollama (модель llama3.2 або mistral-nemo). Встанови Ollama, завантаж модель командою ollama pull llama3.2 і зміни endpoint у коді на http://localhost:11434/v1 — OpenAI SDK підтримує це “з коробки” через параметр base_url.

2. Наскільки реалістичними можуть бути такі моделі для наукових публікацій?
Агентні моделі на Mesa активно використовуються в наукових роботах із екології та епідеміології. Для публікацій важливо обґрунтувати параметри реальними біологічними даними (швидкість розмноження, тривалість життя) і провести верифікацію через порівняння з аналітичними рівняннями Лотки–Вольтерри.

3. Як масштабувати модель до мільйона агентів?
Mesa у чистому вигляді не підходить для мільйонів агентів. Переходь на Mesa-Geo для просторових моделей або використовуй AgentTorch (розроблений у MIT) — він підтримує GPU-прискорення через PyTorch і здатен симулювати мільярди агентів.

4. Чи можна моделювати не тільки тварин, але й клітинні процеси?
Так, архітектура ідентична. Для клітинного моделювання (наприклад, ріст пухлини) агент — це клітина з параметрами поділу, апоптозу та мутацій. Змінюй лише семантику параметрів і правила взаємодії — фреймворк залишається тим самим.

5. Як інтегрувати реальні біологічні дані у модель?
Завантажуй CSV з GBIF (бази даних біорізноманіття) через pandas.read_csv() і використовуй реальні координати для початкового розміщення агентів. Параметри поведінки (швидкість, енергетичні потреби) калібруй через scipy.optimize, мінімізуючи відхилення між симульованими і реальними даними популяцій.

🏁 Підсумок

Ти збудував повноцінну багатоагентну систему для біологічного моделювання: від встановлення середовища до симуляції з LLM-керованими агентами та аналізу популяційної динаміки. Тепер у тебе є робочий шаблон, який можна адаптувати під будь-яку біологічну систему — від епідемій до нейронних мереж мозку.

Прямо зараз встанови Mesa командою pip install mesa==2.4, скопіюй код із кроку 3 і запусти першу симуляцію без LLM — просто щоб побачити живу екосистему на екрані. Як тільки базова модель запрацює, додавай шари складності: LLM-логіку, просторові карти, реальні дані. Перший запуск — вже сьогодні!