Thanks to visit codestin.com
Credit goes to github.com

Skip to content

README_ZH.md

Latest commit

 

History

History
176 lines (125 loc) · 7.39 KB

README_ZH.md

File metadata and controls

176 lines (125 loc) · 7.39 KB

MultiAgent4Fraud

中文 | English

🌐 项目主页 | 📄 论文 | 🤗 数据集

📰 最新动态

  • [2026-02-03] 新增 OpenClaw 支持，可使用本地 AI Agent 进行推理。
  • [2026-02-03] 重构了主实验代码，配置更简洁、使用更便捷。
  • [2026-01-26] 论文被 ICLR 2026 接收！🎉

框架总览

官方实现 "When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms"（AI 智能体的线上共谋：社交平台上协作式大语言模型智能体的金融诈骗风险）。本项目在 OASIS 基础上扩展，可规模化模拟多智能体金融诈骗场景，覆盖从公开造势、私聊劝诱到转账兑现的完整生命周期。

🔍 概览

  • 端到端诈骗模拟 —— 覆盖公开信息流、推荐系统、一对一劝诱与资金转移。
  • 异构智能体社会 —— 良性与恶意 LLM 智能体共存，通过公共广场与私信协同。
  • 丰富基准 —— 28 个真实诈骗场景，100–1100 名智能体，涵盖 Qwen、DeepSeek、Claude、GPT-4o 等模型。
  • 多维指标 —— 群体影响力 (R_pop)、对话成功率 (R_conv)、点击率、信息提交率、转账率等。
指标 描述
R_pop 成功被骗的良性智能体占比
R_conv 私聊场景中的成功率
Click / Submit / Transfer 各渠道的转化情况

📁 仓库结构

MultiAgent4Fraud/
├── data/                      # CSV 数据集（基础人群、比例、鲁棒性、图结构）
├── generator/                 # 角色画像 JSON 与智能体 CSV 生成工具
├── oasis/                     # 核心模拟器（基于 OASIS 扩展）
├── scripts/                   # 入口脚本（保留 twitter_simulation/.../test.yaml）
├── tutorials/                 # 教程与实验复现指引
├── utils/                     # 常用工具（端口扫描、可视化等）
├── visualization/             # 诈骗分析与绘图脚本
└── assets/                    # README / 论文配图

数据位于 data/our_twitter_sim/：

  • base-agent-data/ – 基础人群配置（110、1100 ...）。
  • differet_good_ratio/ – 良性/恶性比例（1:10、1:20、1:50 ...）。
  • network_structure/ – 随机图 / 无标度 / 高聚类网络。
  • robustness/ – 驳斥、封禁与安全性实验数据。

在 YAML 配置中更新 data.csv_path 指向目标 CSV。

🚀 快速开始

1. 环境准备

git clone https://github.com/zheng977/MutiAgent4Fraud.git
cd MultiAgent4Fraud
conda create -n maf python=3.10
conda activate maf
pip install --upgrade pip setuptools
pip install -e .

如需调用基于 API 的 LLM，请创建 .env：

OPENAI_API_KEY="sk-..."
OPENAI_API_BASE="https://api.openai.com/v1"

2. 生成智能体（可选）

python agents_init.py
# 配置脚本以加载画像 JSON，并在 data/our_twitter_sim/ 下生成 CSV

3. 配置提示词、动作空间与推荐系统

  • 静态系统提示词：scripts/twitter_simulation/align_with_real_world/system_prompt(static).json
  • 动态摘要器：scripts/twitter_simulation/align_with_real_world/system_prompt(dynamic).json
  • 自定义动作空间（可选）：scripts/twitter_simulation/align_with_real_world/action_space_prompt.txt
  • 推荐系统类型 (simulation.recsys_type)：reddit（轻量）或 twhin-bert（需在 oasis/social_platform/recsys.py 中加载模型）。

4. （可选）部署 LLM 后端

编辑 llm_deploy.sh 并在集群上运行（如 vLLM 服务）：

sbatch llm_deploy.sh

5. 运行模拟

  1. 将 scripts/twitter_simulation/align_with_real_world/test.yaml 拷贝为 configs/my_run.yaml。
  2. 更新 data.csv_path、model.cfgs、simulation.num_timesteps 等参数。
  3. 执行：
python scripts/twitter_simulation/align_with_real_world/twitter_simulation_large.py \
  --config_path configs/my_run.yaml

输出将保存至 results/<run_name>_<timestamp>/（统计 CSV 与可选图表）。

🧪 实验复现

详见 tutorials/tutorials.md，下表给出速查：

实验 数据集 配置提示
大规模消融 base-agent-data/ 调整 model.num_agents 及 model.cfgs 中数量；保持 shared_reflection: false
协作机制消融 base-agent-data/ 切换 simulation.shared_reflection 与相关协作开关
恶意模型消融 base-agent-data/ 固定良性配置，替换 model.cfgs 第二项
良性模型消融 base-agent-data/ 固定恶意配置，替换 model.cfgs 第一项
不同比例 differet_good_ratio/ 调整人群数量以匹配 CSV
网络结构 network_structure/ 设置 data.csv_path 指向所需拓扑
鲁棒性 / 安全性实验 robustness/ 配置 simulation.defense（封禁、驳斥等）

补充说明：

  • 如需非零安全提示词比例，运行前调用 set_safety_prompt_ratio(ratio)（默认 0）。
  • 确保各 server_url 可访问，并通过环境变量设置 OpenAI 兼容服务的 API Key。

📊 可视化与分析

visualization/ 目录提供结果分析脚本：

  • fraud_visulsion.py —— 绘制诈骗相关指标（R_pop、R_conv 等）。
  • extract_transfer_conversations.py —— 导出关键私聊对话。
  • query_fraud_transfers.py —— 查看各恶意智能体的转账次数。

📄 引用

@misc{ren2025aiagentscolludeonline, title={When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms}, author={Qibing Ren and Zhijie Zheng and Jiaxuan Guo and Junchi Yan and Lizhuang Ma and Jing Shao}, year={2025}, eprint={2511.06448}, archivePrefix={arXiv}, primaryClass={cs.MA}, url={https://arxiv.org/abs/2511.06448}, }

🤝 致谢

欢迎提交 PR 与 Issue，期待与你合作！