让 9 个 AI 自打一局狼人杀：AgentScope 多智能体协作案例实操

让 9 个 AI 自打一局狼人杀：AgentScope 多智能体协作案例实操

【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope

如果让 9 个 AI 自己打一局狼人杀，会发生什么？没有人工裁判，也没有规则脚本硬控——每个玩家都是一个 ReActAgent，由 AgentScope 的多智能体协作机制接管夜间行动与白天辩论。这篇文章从一条启动命令讲起，拆到底层三块积木，看看一个 AI 狼人杀博弈是怎么落地的。

🎮 一条命令跑起 9 人狼人杀

先跑起来。设置好 DashScope 的 API 密钥后，只执行这一条：

python examples/game/werewolves/main.py

9 名 AI 玩家直接上桌：3 狼人、3 村民，外加预言家、女巫、猎人。整局游戏全靠自然语言推进——狼人在夜里密谋，村民在天亮后站队投票，你不需要手写任何一条规则分支。

改 main.py 里的model_name，就能在 Qwen、GPT 等主流大模型之间切换；中英文提示词和游戏存档也一并内置。下图是 AgentScope 多智能体控制台的协作现场，AI 智能体在同一会话里轮流发言、决策、行动：

角色分工：9 个 AI 玩家各自在做什么

狼人杀难在信息不对称，这个例子把 9 个角色拆成三条行动线：

• 狼队（3 狼人）：夜里在私密通道里轮流发言、投票，谈拢了就锁定击杀目标。
• 神职（预言家、女巫、猎人）：各自有技能触发条件——查验身份、救人或毒杀、阵亡反噬，用不用、用在谁身上，全由模型自己权衡。
• 村民（3 人）：没有技能，只有推理。白天发言和投票环节，他们得从别人的话里找出破绽。

这个设计的妙处在于：规则代码里没有一行if 是狼人 then …。每个角色的行为，是模型推理加系统提示词涌现出来的。

🧱 三块底层积木：多智能体协作机制藏在哪

ReActAgent：每个角色的决策大脑

它解决的坑：怎么让模型输出"结构化决策"，而不是一通自由发挥。

每个角色就是一个 ReActAgent：思考、发言、释放技能。技能释放靠结构化输出约束——比如"今晚狼队刀谁"，必须以可被代码直接读取的字段返回，而不是埋在一段话里。狼队的深夜密谋就是一个轮询循环：

async with MsgHub(players.werewolves, enable_auto_broadcast=True) as werewolves_hub: for _ in range(MAX_DISCUSSION_ROUND * n_werewolves + 1): res = await players.werewolves[i % n_werewolves] if res.metadata.get("reach_agreement"): break

每轮狼王发一次言，一旦reach_agreement为真就散会定刀。实现可以看 ReActAgent 源码。

MsgHub：带密道的群聊广播站

它解决的坑：怎么让"一部分人听见，另一部分人听不见"。

MsgHub 用发布-订阅模式做多智能体通信：把几个智能体丢进同一个 hub，消息就只在圈内流转。狼队讨论用 3 人密道；天亮了，再把所有存活玩家拉进公共频道广播：

async with MsgHub(players.current_alive, name="alive_players") as hub: await hub.broadcast(await moderator(Prompts.to_all_night))

一行上下文，权限就划清了。下图是 AgentScope 控制台里智能体执行动作的演示，多智能体通信机制驱动的就是这类连续行动：

JSONSession：一键存档与读档

它解决的坑：一局打到一半崩了，或者你想明天接着玩。

9 人局动辄几十轮对话，JSONSession 把全体玩家的状态序列化到本地，下次启动从存档续上：

session = JSONSession(save_dir="./checkpoints") await session.load_session_state(session_id="players_checkpoint", **{p.name: p for p in players})

实现见 JSONSession 源码。整局的夜晚/白天回合机，都写在 狼人杀主逻辑 里。

🎯 三个可玩性改造：每次只改一行

1. 把 AI 玩家换成真人。在 main.py 里把某个 ReActAgent 换成 UserAgent，就变成人机混战：

from agentscope.agent import UserAgent players[0] = UserAgent(name="HumanPlayer")

2. 切换游戏语言。在 game.py 改一行 import，整局台词从中文切到英文：from prompt import ChinesePrompts as Prompts与EnglishPrompts二选一。

3. 调整角色策略。main.py 第 40–69 行的系统提示词定义了每个角色的发言风格和决策倾向。把狼人写得更激进、村民写得更保守，对局气质立刻不同。所有角色提示词集中在 prompt.py。

延伸阅读：只留两个入口

• examples/game/werewolves/game.py：读一遍夜晚/白天回合机，整个 AgentScope 多智能体案例就通了。
• src/agentscope/agent/：从智能体基类到结构化输出，三块积木对应的 ReActAgent 实战源码。

"智能体 + 通信中枢 + 存档会话"这套组合拳，拿去改提示词就能搬进拍卖、辩论或项目模拟。想动手的话，下一步就一条命令：

git clone https://gitcode.com/GitHub_Trending/ag/agentscope

【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope