demo.py
demo.py
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""实验 10-8:语音狼人杀 Agent 系统 —— 一键跑完整一局。
配套《深入理解 AI Agent》第 10 章「实验 10-8:语音狼人杀 Agent 系统」。
本 demo 演示三件事(对应书中架构设计):
1. **多 Agent**:每个玩家 = 一个独立 LLM Agent(OpenAI,默认 gpt-5.6-luna)。
2. **信息权限控制**:法官按角色把信息投递进各 Agent 的私有上下文——狼人才知道
队友、预言家才知道查验结果、公开发言进所有人。游戏后打印审计表 + 自动校验,
客观证明信息隔离正确。
3. **法官编排**:确定性法官编排夜晚(刀/验/用药)→ 白天(死讯/发言/投票)→ 结算。
语音是**可选增强**(--voice,用 OpenAI tts-1 合成公开发言),默认文本模式即可
完整、可复现地跑完一局。
用法:
export OPENAI_API_KEY=sk-...
python demo.py # 文本模式跑完整一局(LLM 决策,默认)
python demo.py --offline # 离线模式:规则决策,零成本、可复现,无需 API Key
python demo.py --seed 7 # 换一局身份分布
python demo.py --players 9 --wolves 3 # 自定义人数与狼人数
python demo.py --voice # 额外把公开发言合成语音到 audio/
python demo.py --voice --play # 合成并播放(macOS afplay)
python demo.py --offline --log game.log # 把完整对局日志另存一份到文件
"""
import argparse
import os
import sys
class _Tee:
"""把写入同时分发到多个流(用于 --log:既打印到终端又落盘到文件)。"""
def __init__(self, *streams):
self.streams = streams
def write(self, data):
for s in self.streams:
s.write(data)
def flush(self):
for s in self.streams:
s.flush()
try:
from dotenv import load_dotenv
load_dotenv() # 若存在 .env 则加载(可选)
except Exception:
pass
from werewolf.game import Judge, create_players
from werewolf.roles import Role
def verify_isolation(judge: Judge):
"""自动校验信息隔离是否正确,并打印证据。返回是否全部通过。"""
print("\n" + "=" * 78)
print("信息隔离自动校验(证明每条敏感信息只进了它该进的上下文)")
print("=" * 78)
ok = True
wolves = judge.wolves()
wolf_names = {w.name for w in wolves}
non_wolves = [p for p in judge.players if p.role != Role.WEREWOLF]
seer = next((p for p in judge.players if p.role == Role.SEER), None)
# 证据 1:狼人队友身份只在狼人上下文里
team_line_marker = "狼人阵营的玩家是"
wolves_have = all(any(team_line_marker in m for m in w.memory) for w in wolves)
nonwolves_have = any(any(team_line_marker in m for m in p.memory) for p in non_wolves)
check1 = wolves_have and not nonwolves_have
ok &= check1
print(f"\n[校验1] 『狼人队友身份』只进狼人上下文:{'通过 ✓' if check1 else '失败 ✗'}")
print(f" - 每个狼人上下文都含队友身份?{wolves_have}")
print(f" - 存在非狼人上下文含队友身份?{nonwolves_have}(应为 False)")
# 证据 2:预言家查验结果只在预言家本人上下文里
if seer:
seer_marker = "你查验了"
seer_has = any(seer_marker in m for m in seer.memory)
others_have = any(any(seer_marker in m for m in p.memory)
for p in judge.players if p.name != seer.name)
check2 = seer_has and not others_have
ok &= check2
print(f"\n[校验2] 『预言家查验结果』只进预言家({seer.name})上下文:{'通过 ✓' if check2 else '失败 ✗'}")
print(f" - 预言家上下文含查验结果?{seer_has}")
print(f" - 存在其他玩家上下文含查验结果?{others_have}(应为 False)")
# 证据 3:审计日志里每条记录的 visible_to 与类别相符
def cat_visible(cat):
return [set(r.visible_to) for r in judge.audit.records if r.category == cat]
check3 = all(v == wolf_names for v in cat_visible("狼人队友身份")) and \
all(v == wolf_names for v in cat_visible("狼人夜间共识"))
ok &= check3
print(f"\n[校验3] 审计日志中狼人专属信息的可见集合 == 狼人集合 {sorted(wolf_names)}:"
f"{'通过 ✓' if check3 else '失败 ✗'}")
check4 = all(set(r.visible_to) == set(judge.names)
for r in judge.audit.records if r.category.startswith("公开"))
ok &= check4
print(f"[校验4] 审计日志中所有『公开-*』信息可见集合 == 全体玩家:"
f"{'通过 ✓' if check4 else '失败 ✗'}")
# 对照展示:一个狼人 vs 一个村民的完整私有上下文
villager = next((p for p in judge.players if p.role == Role.VILLAGER), None)
a_wolf = wolves[0] if wolves else None
print("\n—— 对照:同一时刻两名玩家的私有上下文(证明各看各的)——")
if a_wolf:
print(f"\n【狼人 {a_wolf.name} 的私有上下文】(含队友身份、夜间共识)")
for m in a_wolf.memory:
print(f" · {m}")
if villager:
print(f"\n【村民 {villager.name} 的私有上下文】(不含任何他人身份/查验结果)")
for m in villager.memory:
print(f" · {m}")
if seer:
print(f"\n【预言家 {seer.name} 的私有上下文】(含独享的查验结果)")
for m in seer.memory:
print(f" · {m}")
print("\n" + "=" * 78)
print(f"信息隔离总校验:{'全部通过 ✓✓✓' if ok else '存在失败 ✗'}")
print("=" * 78)
return ok
def build_parser() -> argparse.ArgumentParser:
parser = argparse.ArgumentParser(
description="实验 10-8:语音狼人杀 Agent 系统 —— 法官编排 + 信息权限控制 + 多 Agent。",
formatter_class=argparse.RawDescriptionHelpFormatter,
epilog=(
"示例:\n"
" python demo.py 文本模式跑完整一局(LLM 决策,需 API Key)\n"
" python demo.py --offline 离线规则决策,零成本、可复现,无需 API Key\n"
" python demo.py --players 9 --wolves 3 自定义人数与狼人数\n"
" python demo.py --voice --play 额外合成并播放公开发言(需 API Key)\n"))
parser.add_argument("--offline", "--mock", dest="offline", action="store_true",
help="离线模式:用规则策略代替 LLM,无需 API Key,零成本且可复现")
parser.add_argument("--seed", type=int, default=42,
help="随机种子(决定身份分布与离线决策,可复现,默认 42)")
parser.add_argument("--players", type=int, default=7,
help="玩家总数(默认 7)")
parser.add_argument("--wolves", type=int, default=None,
help="狼人数量(默认按玩家总数自动推导:7 人为 2 狼)")
parser.add_argument("--max-rounds", type=int, default=6, dest="max_rounds",
help="昼夜循环的最大回合数上限(默认 6)")
parser.add_argument("--model", type=str, default=None,
help="覆盖 LLM 模型(默认 gpt-5.6-luna,仅在线模式有效)")
parser.add_argument("--voice", action="store_true",
help="用 OpenAI tts-1 把公开发言合成语音(需 API Key;默认关,即纯文本模式)")
parser.add_argument("--play", action="store_true",
help="合成语音后立即播放(macOS afplay;需配合 --voice)")
parser.add_argument("--log", type=str, default=None, metavar="PATH",
help="把完整对局日志(含审计表)另存一份到指定文件")
return parser
def run_game(args):
if args.model:
os.environ["OPENAI_MODEL"] = args.model
mode = "离线(规则决策)" if args.offline else "在线(LLM 决策)"
roles_note = "" if args.wolves is None else f"(狼人数={args.wolves})"
print("=" * 78)
print("实验 10-8:语音狼人杀 Agent 系统")
print(f"模式:{mode} | 模型:{os.environ.get('OPENAI_MODEL', 'gpt-5.6-luna') if not args.offline else '—'} | "
f"种子:{args.seed} | 语音:{'开' if args.voice else '关(文本模式)'}")
print(f"配置:{args.players} 人局{roles_note} | 最大回合:{args.max_rounds}")
print("=" * 78)
tts = None
if args.voice:
from werewolf.tts import TTS
tts = TTS(os.path.join(os.path.dirname(__file__), "audio"), play=args.play)
players = create_players(seed=args.seed, players=args.players,
wolves=args.wolves, offline=args.offline)
judge = Judge(players, seed=args.seed, tts=tts, max_rounds=args.max_rounds)
winner = judge.run()
# 打印信息可见性审计表 + 自动校验
judge.audit.print_table(judge.names)
ok = verify_isolation(judge)
print(f"\n最终结果:{winner.value} 获胜。")
return ok
def main():
args = build_parser().parse_args()
# 在线模式(LLM 决策 / 语音合成)才需要 API Key;离线模式不需要。
# LLM 决策支持 OPENAI_API_KEY 或(回退)OPENROUTER_API_KEY;语音合成(--voice,
# OpenAI tts-1)目前只支持 OPENAI_API_KEY,OpenRouter 无 TTS 端点。
has_llm_key = os.environ.get("OPENAI_API_KEY") or os.environ.get("OPENROUTER_API_KEY")
if args.voice and not os.environ.get("OPENAI_API_KEY"):
print("错误:语音合成(--voice,OpenAI tts-1)需要 OPENAI_API_KEY。"
"请先 export OPENAI_API_KEY=sk-...(见 env.example),或去掉 --voice 跑纯文本模式。")
sys.exit(1)
if not args.offline and not has_llm_key:
print("错误:LLM 决策需要 OPENAI_API_KEY 或 OPENROUTER_API_KEY。"
"请先 export(见 env.example),或改用离线模式:python demo.py --offline")
sys.exit(1)
log_file = None
orig_stdout = sys.stdout
if args.log:
log_file = open(args.log, "w", encoding="utf-8")
sys.stdout = _Tee(orig_stdout, log_file)
try:
run_game(args)
except ValueError as e:
print(f"错误:{e}")
sys.exit(2)
finally:
if log_file:
sys.stdout = orig_stdout
log_file.close()
print(f"(完整对局日志已保存到 {args.log})")
if __name__ == "__main__":
main()