谁是卧底游戏

[zqc9527]

🎮 8.1 项目需求拆解：“谁是卧底”游戏智能体引擎

当前场景：2026年4月28日，江西赣州

1. 项目设计评价

这个项目设计巧妙，精准抓住了 LangGraph 在“多智能体协助与状态流转”方面的优势，实现了从线性流水线到循环博弈的质变。

• 难度分层合理（教学视角）
  • 上帝视角（默认）：用户作为旁观者，聚焦于 LangGraph 的核心逻辑（状态流转、循环终止），无需处理前端交互。
  • 玩家视角（进阶）：引入人类玩家，处理人机混合交互和异步等待。
• 技术深度（技术视角）
  • 信息隔离与共享：严格隔离平民词和卧底词，但共享发言内容。
  • 记忆与推理：智能体需基于历史发言进行逻辑推理。
  • 循环图（Cyclic Graph）：处理“发言 -> 投票 -> 判断 -> (循环)”的复杂流程。
• 可扩展性（工程视角）
  • 可增加角色（如白板）、增加自由辩论环节或更换不同性格的模型。

---

📜 8.1.1 游戏规则简化

核心设定对比

维度	上帝视角 (默认)	玩家视角 (可选)
用户角色	旁观者	参与者 (1名用户 + 3个智能体)
参与方	4个智能体 (1卧底, 3平民)	1用户 + 3智能体
流程控制	全程由智能体自主完成	用户需输入发言和投票
胜负逻辑	淘汰卧底则平民胜；剩余1平民1卧底则卧底胜	同左

---

🧩 8.1.2 智能体引擎核心模块

要实现上述游戏，引擎包含以下 6 个核心模块：

1. 词语生成模块：生成相关的平民词和卧底词。
2. 角色分配模块：随机分配卧底和平民。
3. 发言生成模块：智能体根据角色生成描述。
4. 投票模块：分析发言并投票。
5. 游戏控制模块：串联流程，判断胜负。
6. 结果展示模块：输出游戏复盘。

---

💻 8.3 完整运行代码

以下代码基于 LangGraph 实现了完整的“谁是卧底”游戏逻辑。

1. 导入依赖与模型初始化

import random
import os
import json
import textwrap
from typing import TypedDict, List, Dict
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langgraph.graph import StateGraph, END

# 加载环境变量并初始化大模型
load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("API_KEY"),
    base_url="https://qianfan.baidubce.com/v2",
    model="deepseek-r1-distill-qwen-32b",
    temperature=0.7,
    max_tokens=500
)
parser = StrOutputParser()

2. 定义游戏状态 (GameState)

class GameState(TypedDict):
    """全局游戏状态容器"""
    civilian_word: str          # 平民词
    undercover_word: str        # 卧底词
    role_assignment: dict       # 角色分配
    speeches: dict              # 当前轮发言
    history_speeches: List[Dict[str, str]] # 历史发言记录
    speech_reasoning: dict      # 发言策略
    votes: dict                 # 当前轮投票
    vote_reasoning: dict        # 投票理由
    game_status: str            # running/end
    winner: str                 # 获胜方
    eliminated: List[str]       # 已淘汰玩家
    round: int                  # 当前轮次

def init_game_state() -> GameState:
    return {
        "civilian_word": "",
        "undercover_word": "",
        "role_assignment": {},
        "speeches": {},
        "history_speeches": [],
        "speech_reasoning": {},
        "votes": {},
        "vote_reasoning": {},
        "game_status": "running",
        "winner": "",
        "eliminated": [],
        "round": 1
    }

3. 核心节点逻辑

节点1：词语生成

def generate_words(state: GameState) -> GameState:
    # ... (Prompt逻辑：生成形似神不似的词语对)
    # 包含兜底词库逻辑
    fallback_pairs = [("脐橙", "橘子"), ("米粉", "面条"), ("赣州塔", "电视塔")]
    # 返回包含新词语的状态

节点2：角色分配

def assign_roles(state: GameState) -> GameState:
    agents = ["agent1", "agent2", "agent3", "agent4"]
    undercover = random.choice(agents)
    for agent in agents:
        if agent == undercover:
            state["role_assignment"][agent] = ("卧底", state["undercover_word"])
        else:
            state["role_assignment"][agent] = ("平民", state["civilian_word"])
    return state

节点3：发言生成 (核心博弈)

def generate_speeches(state: GameState) -> GameState:
    # 包含历史记忆上下文构建
    # 区分平民(具体特征)和卧底(模糊描述)的策略
    # 处理JSON解析失败的容错

节点4：投票决策

def vote_undercover(state: GameState) -> GameState:
    # 分析当前发言与历史记录的矛盾点
    # 实现防自投、防投已淘汰玩家的校验

节点5：胜负判定

def judge_result(state: GameState) -> GameState:
    # 统计票数，淘汰最高票者
    # 判定逻辑：淘汰卧底->平民胜；剩1人vs1人->卧底胜

节点6：结果展示

def show_final_result(state: GameState) -> GameState:
    # 使用 textwrap.fill 进行文本自动换行美化
    # 输出复盘报告

4. 构建 LangGraph 图结构

def build_game_graph():
    graph = StateGraph(GameState)
    
    # 注册节点
    graph.add_node("generate_words", generate_words)
    graph.add_node("assign_roles", assign_roles)
    graph.add_node("generate_speeches", generate_speeches)
    graph.add_node("vote_undercover", vote_undercover)
    graph.add_node("judge_result", judge_result)
    graph.add_node("show_final_result", show_final_result)

    # 定义流程边
    graph.set_entry_point("generate_words")
    graph.add_edge("generate_words", "assign_roles")
    graph.add_edge("assign_roles", "generate_speeches")
    graph.add_edge("generate_speeches", "vote_undercover")
    graph.add_edge("vote_undercover", "judge_result")
    
    # 条件边：根据游戏状态决定继续循环还是结束
    def should_continue(state: GameState):
        return "generate_speeches" if state["game_status"] == "running" else "show_final_result"
    
    graph.add_conditional_edges("judge_result", should_continue)
    graph.add_edge("show_final_result", END)
    
    return graph

5. 运行入口

if __name__ == "__main__":
    game_graph = build_game_graph()
    game = game_graph.compile()
    
    print("🎮 **谁是卧底** · 多智能体推理版")
    print("📍 当前场景：江西赣州 · 2026-04-28")
    
    game.invoke(init_game_state())

---

📝 运行结果示例

游戏复盘报告

• 词语：平民词『赣州塔』｜ 卧底词『电视塔』
• 过程：第1轮 agent2 (平民) 淘汰 -> 第2轮 agent1 (平民) 淘汰
• 结局：卧底胜利 (最后的幸存者)
• 淘汰顺序：agent2 -> agent1

总结：该代码实现了一个完整的循环博弈系统，展示了如何利用 LangGraph 管理复杂的多智能体交互状态。

[muxiaoxiong]

代码建议优化