利用百川2-13B模型构建多智能体（Agent）协作模拟系统

最近在琢磨一个挺有意思的事儿：能不能让几个大模型自己开个会，像真人团队一样，一起商量着把活儿给干了？听起来有点像科幻片，但用现在的技术还真能试试。我手头正好有百川2-13B这个模型，能力不错，推理和对话都挺在行，就想着拿它来当“大脑”，给每个智能体安上一个。

这个想法的核心，就是让多个独立的百川2-13B实例，各自扮演不同的项目角色，比如项目经理、开发工程师、测试工程师。它们之间通过自然语言互相“说话”，传递信息，讨论方案，最终协作完成一个软件项目的初步规划。这不仅仅是让模型“自言自语”，而是模拟一个真实的、有分工、有交互的协作环境。

今天，我就带你一步步搭建这个多智能体协作的模拟系统，看看这些AI“同事”们是怎么一起工作的。

1. 为什么需要多智能体协作？

在深入技术细节之前，我们先聊聊为什么单靠一个大模型不够，非得弄出好几个智能体来协作。

想象一下，你让一个模型去规划一个完整的软件项目。它可能能给你列出一个大纲，包含需求、设计、开发、测试这些阶段。但如果你追问一些细节，比如“开发阶段前端和后端如何接口联调？”或者“测试用例的优先级怎么定？”，单一个模型的回答往往偏向于通用和理论化，缺乏不同角色视角下的碰撞和权衡。

而多智能体系统模拟的，正是这种“碰撞”。每个智能体被赋予了特定的角色、知识和目标：

• 项目经理智能体：它的目标是确保项目按时、按质、按预算完成。它关心范围、进度和风险。
• 开发工程师智能体：它的目标是实现功能，并保证代码质量。它关心技术选型、实现细节和潜在的技术债。
• 测试工程师智能体：它的目标是发现缺陷，确保软件质量。它关心测试覆盖率、用例设计和边界情况。

当它们需要共同决策时，比如决定是否为一个新功能增加两周工期，就会产生有趣的对话。项目经理会从整体进度施压，开发会评估技术可行性，测试则会考虑新增的测试工作量。这种基于不同立场的“辩论”，往往能催生出更全面、更接地气的方案，比单个模型的“一言堂”更有参考价值。

2. 系统设计与核心思路

我们的目标不是构建一个工业级的复杂系统，而是一个清晰、可运行的模拟原型。整个系统的设计可以概括为“一个环境，多个演员，一套规则”。

2.1 智能体（Agent）的定义

在这里，每个智能体就是一个独立的百川2-13B模型实例，但它不仅仅是一个模型。我们为它包裹了一层“人格”：

1. 角色（Role）：明确的身份，如“资深后端开发工程师”。
2. 背景与目标（Background & Goal）：一段描述其专业知识、职责和当前任务目标的系统提示词（System Prompt）。这是塑造其行为的关键。
3. 记忆（Memory）：一个简单的列表，用于存储本次会话的历史对话，确保它能理解上下文。
4. 行动（Action）：根据当前讨论的议题和自身角色，生成一段自然语言回应。

2.2 协作环境与流程

我们设计一个简单的“圆桌会议”环境。流程如下：

1. 初始化：创建三个智能体，分别赋予项目经理、开发、测试的角色和初始提示词。设定一个共同的协作目标，例如：“为一个简单的在线待办事项（Todo List）应用制定V1.0版本的开发计划”。
2. 发起讨论：由项目经理智能体根据目标，提出第一个讨论议题，比如“我们先来明确一下V1.0的核心功能范围”。
3. 轮询与响应：环境将当前议题和之前的对话历史，依次发送给开发智能体和测试智能体。它们根据自身角色生成回应。
4. 汇总与推进：环境将所有回应汇总，形成新的对话历史。然后由项目经理智能体分析当前讨论状态，决定是深入追问、做出裁决，还是提出下一个议题（如“接下来我们讨论一下技术栈选型”）。
5. 循环与结束：重复步骤3和4，直到项目经理智能体认为主要议题已讨论完毕，并输出最终的规划总结。

这个流程模拟了“提出话题 -> 各自发表意见 -> 主持人总结并推进”的简单会议模式。

2.3 与模型交互的关键：提示词工程

智能体的“个性”和“专业性”几乎完全由我们给它的初始提示词决定。一段好的提示词是成功的一半。

例如，给开发工程师智能体的提示词可能包含：

你是一个经验丰富的全栈开发工程师，擅长Web应用开发。你的核心职责是从技术实现角度评估需求的可行性，设计稳健的解决方案，并准确估算工作量。你注重代码质量和可维护性，但对过度设计保持警惕。
当前，你正在参与一个“在线TodoList应用”的项目规划会议。请基于你的角色和知识，针对会议中提出的问题，给出专业、具体、可落地的技术意见。你的回答应当聚焦于技术实现、依赖项、潜在风险和工时评估。

而测试工程师智能体的提示词则会强调：

你是一个严谨细致的软件测试工程师。你的核心职责是识别需求中的模糊点，设计全面的测试用例，并评估开发计划对测试工作的影响。你特别关注边界条件、异常流程和用户体验。
你正在参与“在线TodoList应用”的项目规划会。请从质量保障的角度出发，对提出的方案进行风险质疑，补充测试考量，并评估测试所需资源。

通过精心设计这些提示词，我们能引导模型在协作中输出符合其角色定位的内容。

3. 一步步搭建模拟系统

下面我们进入实战环节。我们将使用Python和类似LangChain这样的框架思路来构建（这里为了清晰，我会用简化的伪代码和关键代码段来说明逻辑）。

3.1 环境准备与模型部署

首先，确保你有可以访问的百川2-13B模型API服务，或者已在本地部署了推理接口。这里假设我们通过一个统一的call_baichuan_model函数来调用模型。

# 示例：一个非常简单的模型调用封装
import requests
import json

def call_baichuan_model(prompt, history=None, role_prompt=None):
    """
    调用百川2-13B模型。
    prompt: 本次输入的对话内容
    history: 之前的对话历史列表，格式 [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]
    role_prompt: 系统提示词，用于设定角色
    """
    # 构建完整的消息列表
    messages = []
    if role_prompt:
        messages.append({"role": "system", "content": role_prompt})
    if history:
        messages.extend(history)
    messages.append({"role": "user", "content": prompt})

    # 这里替换成你实际的API端点、密钥和参数
    api_url = "YOUR_BAICHUAN_API_ENDPOINT"
    headers = {"Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"}
    data = {
        "model": "Baichuan2-13B-Chat",
        "messages": messages,
        "temperature": 0.7, # 控制创造性，协作讨论可以稍高一些
        "max_tokens": 1024
    }

    response = requests.post(api_url, headers=headers, json=data)
    result = response.json()
    # 解析返回的回复内容
    return result['choices'][0]['message']['content']

3.2 定义智能体类

我们创建一个Agent类，它封装了角色、记忆和响应逻辑。

class Agent:
    def __init__(self, name, role, system_prompt):
        self.name = name
        self.role = role
        self.system_prompt = system_prompt
        self.memory = [] # 存储对话历史

    def respond(self, current_topic, full_conversation_history):
        """
        生成针对当前话题的回应。
        current_topic: 当前讨论的议题
        full_conversation_history: 截至目前的全员对话历史
        """
        # 构建给当前智能体的提示
        prompt_for_this_agent = f"""
        当前会议讨论议题：【{current_topic}】
        以下是到目前为止的会议记录：
        {self._format_history(full_conversation_history)}

        请以【{self.role}】的身份发言。请基于你的专业知识，对当前议题发表看法，提出建议、问题或风险。
        你的回答请直接针对议题和之前的讨论，无需重复角色介绍。
        """
        # 调用模型，传入系统提示词（角色设定）和合并后的历史
        response = call_baichuan_model(
            prompt=prompt_for_this_agent,
            history=full_conversation_history, # 传入全局历史，让智能体知晓上下文
            role_prompt=self.system_prompt
        )
        # 将本次自己的回应也格式化为历史记录
        self._add_to_memory(f"【{self.role}】说：{response}")
        return response

    def _format_history(self, history):
        # 将对话历史格式化为易读的字符串
        formatted = []
        for msg in history:
            # 这里假设history中的消息已经包含角色和内容
            formatted.append(f"{msg['role']}: {msg['content']}")
        return "\n".join(formatted)

    def _add_to_memory(self, content):
        self.memory.append(content)

3.3 构建协作环境与运行会议

现在，我们创建会议环境，初始化智能体，并运行协作流程。

def run_project_meeting(project_goal):
    print(f"=== 项目启动会议开始 ===\n目标：{project_goal}\n")

    # 1. 初始化智能体
    pm_agent = Agent(
        name="Alex",
        role="项目经理",
        system_prompt="你是一个务实、注重效率的项目经理。你的目标是推动会议产出明确、可执行的项目计划。你负责把控节奏、总结共识、并推动决策。"
    )
    dev_agent = Agent(
        name="Bob",
        role="后端开发工程师",
        system_prompt="你是一个资深后端开发，精通Python和Web框架。你关注API设计、数据库选型、性能与安全。对于工时估算，你通常比较乐观但会留出缓冲。"
    )
    qa_agent = Agent(
        name="Charlie",
        role="测试工程师",
        system_prompt="你是一个严谨的测试工程师，擅长发现逻辑漏洞和边界情况。你对任何模糊的需求都会追问到底，并坚持要求足够的测试时间。"
    )
    agents = [pm_agent, dev_agent, qa_agent]

    # 全局对话历史
    global_history = []
    # 初始议题，由项目经理提出
    current_topic = "明确V1.0版本的核心功能范围与优先级"

    # 2. 会议主循环（这里简化为3轮关键议题讨论）
    topics = [
        "明确V1.0版本的核心功能范围与优先级",
        "讨论技术栈选型与主要依赖",
        "评估初步的开发与测试工时，识别主要风险"
    ]

    for topic in topics:
        current_topic = topic
        print(f"\n--- 议题：{current_topic} ---")

        # 项目经理首先阐述议题
        pm_opening = f"我们来讨论下一个议题：{current_topic}。请大家基于我们的项目目标发表意见。"
        global_history.append({"role": "user", "content": f"【项目经理】提出议题：{pm_opening}"})
        print(f"【项目经理】提出议题：{pm_opening}")

        # 开发与测试智能体依次发言
        for agent in [dev_agent, qa_agent]:
            response = agent.respond(current_topic, global_history)
            print(f"【{agent.role}】说：{response}")
            global_history.append({"role": "user", "content": f"【{agent.role}】说：{response}"})

        # 项目经理总结本轮讨论，并可能做出决策
        pm_summary_prompt = f"针对议题'{current_topic}'，开发工程师和测试工程师已经发表了看法。请你作为项目经理，总结当前达成的共识，存在的分歧，并给出明确的下一步指示或决策。"
        pm_summary = call_baichuan_model(pm_summary_prompt, global_history, pm_agent.system_prompt)
        print(f"【项目经理】总结与决策：{pm_summary}")
        global_history.append({"role": "user", "content": f"【项目经理】总结与决策：{pm_summary}"})

    # 3. 会议总结
    print(f"\n=== 会议总结 ===")
    final_summary_prompt = "请基于整个会议讨论记录，撰写一份简要的《在线TodoList应用V1.0版本项目规划概要》，包含核心功能、技术选型、初步工时估算和主要风险点。"
    final_summary = call_baichuan_model(final_summary_prompt, global_history, pm_agent.system_prompt)
    print(final_summary)
    return final_summary

# 运行会议
if __name__ == "__main__":
    project_goal = "开发一个简单的在线待办事项（Todo List）应用V1.0版本，支持用户注册登录、创建/编辑/删除任务、标记完成状态等基础功能。"
    plan = run_project_meeting(project_goal)

4. 看看智能体们讨论了什么？

运行上面的模拟程序，你会得到一段由AI生成的、完整的项目规划讨论记录。由于模型生成具有随机性，每次运行结果都会略有不同，但整体结构会符合我们的预期。以下是一个可能的讨论片段摘录：

• 议题一：核心功能范围

  • 开发工程师：“V1.0我建议聚焦最小可行产品。核心就是用户认证、任务的CRUD、以及完成状态切换。前端用Vue3+Element Plus快速搭界面，后端用FastAPI，数据库先用SQLite。额外功能如任务分类、提醒，可以放到V2.0。”
  • 测试工程师：“我同意聚焦核心。但需求要明确：用户注册是否需要邮箱验证？任务删除是软删除还是硬删除？‘编辑任务’是否允许修改所有字段？这些边界必须在开发前定好，否则测试用例无法写。”
  • 项目经理：“共识是聚焦CRUD和状态管理。开发提到的技术栈可行。测试提的边界问题很好，我们明确一下：邮箱验证V1.0不做；任务删除先做硬删除，逻辑删除后续优化；编辑任务允许修改标题和详情。这些写入需求文档。”

• 议题二：技术栈选型

  • 开发工程师：“后端就FastAPI + SQLAlchemy + SQLite，轻量快捷。前端Vue3组合式API，用Pinia做状态管理。部署可以考虑Docker打包。”
  • 测试工程师：“从测试角度，需要明确API接口规范（OpenAPI），方便做自动化接口测试。前端需要提供哪些浏览器兼容性要求？这影响测试环境搭建。”
  • 项目经理：“技术栈按开发的来。测试的要求合理，开发在设计时需产出清晰的API文档。浏览器兼容性暂定Chrome/Firefox/Safari最新版。”

通过这样的多轮对话，一个原本需要人工反复沟通确认的项目规划，就在几个AI智能体的协作下逐渐清晰起来。你会发现，不同角色的智能体确实会从各自视角提出问题，而项目经理智能体也能起到一定的组织和裁决作用。

5. 扩展思考与实践建议

这个模拟系统虽然简单，但已经展示了多智能体协作的潜力。在实际应用中，你还可以从以下几个方面深化：

1. 更复杂的交互机制：目前的轮询发言比较机械。可以引入更复杂的机制，比如让智能体主动提问、对其他智能体的发言进行投票或评价、甚至模拟“情绪”和“说服”过程。
2. 长期记忆与知识库：为每个智能体连接一个向量数据库，存储其角色相关的专业知识（如设计模式文档、测试标准），让它们的回答更专业、更一致。
3. 工具使用能力：让智能体不仅能“说”，还能“做”。例如，开发智能体可以调用代码生成工具输出伪代码；项目经理智能体可以调用日历工具安排里程碑。这需要给模型接入外部工具调用（Function Calling）的能力。
4. 评估与优化：如何评价一次协作的好坏？可以设定一些评估指标，如计划完整性、风险评估的全面性、讨论的深度等，并通过调整提示词、温度参数等来优化协作效果。
5. 应用到真实场景：这个模式可以用于产品需求脑暴、技术方案评审、应急预案推演、游戏NPC对话生成等任何需要多角色、多视角参与的场景。

搭建这样一个系统，最大的收获不是得到了一个完美的项目计划——毕竟AI目前还无法替代人类的深度思考和创造性决策——而是它为我们提供了一种全新的问题分析和方案构思的“增强”工具。你可以快速看到不同立场下的观点碰撞，发现潜在的风险点，这本身就是一种价值。

动手试试吧，调整不同的角色设定和会议议题，你可能会收获许多意想不到的、有趣的讨论结果。这就像组建了一个不知疲倦、知识渊博的虚拟团队，随时可以为你提供多角度的参考意见。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。