Werld: Simulação de Vida Artificial de Mundo Aberto com Redes Neurais Evolutivas

O que é Werld
Werld é uma simulação de vida artificial puramente em Python construída apenas com bibliotecas padrão que coloca agentes em um ecossistema computacional com redes neurais em branco e zero conhecimento da existência humana. Os agentes evoluem através de sobrevivência e reprodução em vez de retropropagação, sem comportamentos pré-programados ou funções de recompensa.
Implementação Técnica
A simulação roda em 800 nós organizados como um grafo de mundo pequeno Watts-Strogatz. Começa com 30 agentes equipados com redes neurais NEAT (NeuroEvolution of Augmenting Topologies) que podem evoluir sua própria topologia. Cada agente possui:
- 64 canais sensoriais cobrindo gradientes de energia, trilhas de feromônio, agentes próximos, ritmos sazonais, estado interno e 19 canais latentes que começam como desconhecidos
- 7 efetores motores contínuos para ação
- Até 16 canais de transmissão para comunicação
- 29 traços genômicos hereditários incluindo largura de banda de comunicação, decaimento de memória, agressão vs cooperação
Os cérebros podem criar novos neurônios, podar conexões e evoluir qualquer uma das 7 funções de ativação por nó. Cada componente cognitivo tem um custo metabólico - mais neurônios, conexões ou comunicação requer mais energia.
Mecânica de Evolução
Os agentes têm dois objetivos principais: colher energia suficiente para se manter vivos e viver o suficiente para se reproduzir. Quando se reproduzem, os descendentes herdam cópias mutadas dos traços neurais de ambos os pais através de cruzamento sexual completo com alinhamento de genes NEAT. Isso inclui processamento sensorial, impulsos comportamentais e todos os 29 traços genômicos.
O sistema permite evolução em qualquer direção. Os agentes podem descobrir canais sensoriais anteriormente desconhecidos, desenvolver padrões de comunicação, criar padrões motores que se tornam ações compostas hereditárias e formar espécies distintas baseadas em traços genômicos em evolução.
Observações das Execuções Iniciais
Em uma execução de 12 horas, os 30 agentes iniciais cresceram para mais de 7.000. A simulação experimentou mais de 20 crises populacionais e fomes que eliminaram a maioria das populações, seguidas de recuperação a partir de punhados de sobreviventes. Mais de 18.000 agentes morreram durante este período.
Os agentes sobreviventes evoluíram consumo de energia mais eficiente, podaram complexidade neural desnecessária, desenvolveram comunicação básica e se reproduziram frequentemente. Algumas linhagens evoluíram completamente fora de estruturas corticais enquanto melhoravam a capacidade cerebral. Em outros casos, populações colapsaram para sobreviventes únicos que repovoaram o mundo com descendentes mutados.
Painel e Monitoramento
Werld inclui um painel Next.js chamado "Werld Observatory" que fornece visualizações ao vivo de:
- Dinâmica populacional
- Métricas de complexidade cerebral
- Trajetórias de espécies
- Gerador de histórias narrativas
- Visualização de mapa mundial ao vivo
Status do Projeto
O projeto é de código aberto sob licença MIT com 42 estrelas no GitHub. O criador observa que pode consumir armazenamento significativo quando executado localmente. A base de código inclui diretórios de agentes, painel, motor, persistência, raciocínio, sistemas e utilitários.
📖 Leia a fonte completa: HN AI Agents
👀 See Also

Sgai: Ferramenta de Desenvolvimento de Software Multiagente Orientada a Objetivos
Sgai é uma ferramenta Go de código aberto que coordena agentes de IA para executar objetivos de software definidos em arquivos GOAL.md. Ele decompõe objetivos em fluxos de trabalho DAG, executa testes para portões de conclusão e opera localmente com um painel web para monitoramento.

Código aberto da pilha "the-vibe": Regras de Markdown para Manter a Consistência do Código Claude
Um desenvolvedor disponibilizou como código aberto 'the-vibe-stack' — um conjunto de regras Markdown projetado para manter o Claude Code no caminho certo durante sessões longas, impondo um esquema rígido. A abordagem visa reduzir o desvio lógico e o desperdício de tokens, garantindo uma saída previsível.

LLMSpend: Rastreador de custos de código aberto para SDKs da Anthropic e OpenAI
LLMSpend é uma biblioteca Python que adiciona rastreamento de custos às chamadas dos SDKs da Anthropic e OpenAI com apenas duas linhas de código. Oferece armazenamento local em SQLite, relatórios via CLI e um painel web sem enviar dados externamente.

AGI em md: 11 Níveis de Compressão Cognitiva para Prompts do Sistema Claude
Um repositório do GitHub documenta 11 níveis de compressão cognitiva que podem ser codificados em prompts de sistema do Claude, com o Nível 8 mudando da análise para a construção e melhorando o desempenho do Haiku de 0/3 para 4/4. O projeto inclui 28 prompts, 299 saídas brutas e logs completos de experimentos em 19 domínios.