文章目录
-
- 一、概述
- 二、环境准备
-
- 2.1 Python 版本要求
- 2.2 安装 AgentScope 框架
- 2.3 安装其他依赖
- 2.4 配置 API 密钥
- 2.5 创建项目目录
- 2.6 环境验证
- 三、项目架构理解
-
- 3.1 AgentScope 框架核心概念
- 3.2 项目分层架构
- 3.3 各模块功能一览
- 3.4 数据流全景
- 四、核心组件实现
-
- 4.1 工具函数模块（utils.py）
-
- 4.1.1 投票统计算法
- 4.1.2 名称格式化
- 4.1.3 EchoAgent 主持人代理
- 4.1.4 Players 玩家管理器
- 4.2 提示词管理模块（prompt.py）
- 4.3 结构化输出模块（structured_model.py）
- 4.4 游戏引擎（game.py）
-
- 4.4.1 游戏入口函数
- 4.4.2 夜晚阶段
- 4.4.3 白天阶段
- 4.5 应用入口（main.py）
- 五、通信机制详解
-
- 5.1 MsgHub 消息中枢
- 5.2 Pipeline 流水线
- 六、配置管理
-
- 6.1 双语切换
- 6.2 会话持久化
- 6.3 TTS 语音合成
- 七、测试验证
-
- 7.1 环境验证脚本
- 7.2 结构化输出模型测试
- 7.3 游戏流程验证清单
- 八、部署运行
-
- 8.1 基本启动
- 8.2 AgentScope Studio 可视化
- 8.3 参数配置表
- 8.4 调试技巧
- 九、扩展开发
-
- 9.1 添加新角色：以\”守卫\”为例
-
- 步骤1：修改角色分配
- 步骤2：添加结构化输出模型
- 步骤3：添加提示词
- 步骤4：修改 Players 类
- 步骤5：在游戏循环中添加守卫行动
- 9.2 修改游戏规则
- 9.3 优化 AI 策略
-
- 为不同角色使用不同能力的模型
- 自定义角色专属提示词
- 9.4 人机混合游戏
- 十、重要调试案例与解决方案
-
- 案例1：预知家同时是狼人伪装预知家？
- 案例2：投票死循环
- 案例3：女巫双药同夜使用
- 十一、常见问题汇总（FAQ）
- 十二、总结
- 附录：完整文件创建顺序
全程手把手教学，涵盖环境搭建、架构设计、游戏引擎开发、角色系统实现与扩展开发，助你快速掌握多智能体应用开发。
一、概述
多智能体（Multi-Agent）系统是当前大模型应用领域最前沿的方向之一。相比单个 AI 助手，多智能体系统允许多个 AI 角色在同一个场景中协作、博弈、通信，展现出更丰富的群体智能行为。
狼人杀（Werewolf）作为一款经典的社会推理游戏，天然适合作为多智能体系统的研究场景——它包含隐藏身份、信息不对称、团队博弈、投票决策等丰富机制，是验证和展示多智能体协作能力的绝佳案例。
本文将基于阿里巴巴开源的 AgentScope 多智能体框架，带你从零开始构建一个完整的九人狼人杀 AI 游戏。文章覆盖从环境配置、架构设计、核心模块编码到游戏运行测试的全流程，最终你将获得一个可运行的、具备完整角色体系（狼人、村民、预言家、女巫、猎人）的多智能体博弈应用。
二、环境准备
2.1 Python 版本要求
本项目使用 Python 3.10+（推荐 3.11），因为代码中大量使用了 list[ReActAgent] 等新式类型注解语法和 asyncio.run() 等现代异步特性。
# 检查 Python 版
