近期网上疯狂流传了一个人类与AI参与的VR狼人杀游戏，十分有趣。通过对游戏内容的分析，我发现游戏VR的表现形式十分吸引人，但其中的AI对话部分并不复杂。于是小智使用LangGraph实现了一个文字版本，今天将代码开源（文末获取），希望大家能喜欢。本系列合集，点击链接查看
AI狼人杀，人类一败涂地
首先给没看过视频的小伙伴们介绍下：
一个名为 Tore Knabe 的网友在 X 平台发布了一个视频，展示了一个有趣的实验：
这是一次反向图灵测试，几个全球最先进的大模型坐在一起，坐着火车唱着歌，但其中混进了人类：
参与者扮演历史知名人物，古希腊巨哲 —— 亚里士多德（GPT4 Turbo），维也纳古典乐派代表人物 —— 莫扎特（Claude3 Opus），意大利文艺复兴时期画家 —— 列奥纳多・达・芬奇（Llama3），埃及艳后 —— 克利奥帕特拉七世（Gemini Pro）。其中蒙古军事家 —— 成吉思汗由人类扮演。
游戏规则要求，参与者通过提问和回答来分辨人类与 AI，最后通过投票确定谁是人类。
人类扮演者因缺乏深度和逻辑性的回答，在第一轮的投票中就被3票淘汰，人类一败涂地。
代码实现
接下来，我们来看看如何用LangGraph把这个游戏做出来吧！
游戏过程
游戏的过程很简单，主要包括以下三个环节。小智使用主持人Agent来将整个流程串起来。
- 第一环节：提问与回答，各个游戏角色之间进行互相提问，并回复问题。
def ask_for_speak(state: GameState):
# 如果待发言池为空，则进入投票阶段
if len(state['waiting']) == 0:
state['waiting'] = state['roles'].copy()
state['stage'] = 'vote'
print(f"主持人：游戏结束，请进行投票。请大家耐心等待投票结果！")
return ask_for_vote(state)
chat_history = state['chat_history']
last_chat = chat_history[-1]
last_chat_str = last_chat[0]+': '+last_chat[1]
waiting_roles_str = ','.join(state['waiting'])
llm = ChatOpenAI(model="glm-4", temperature=0.01)
choose_prompt = ChatPromptTemplate.from_template(load_prompt("prompt/choose_speaker.prompt"))
chain = choose_prompt|llm|StrOutputParser()
role_chosen = chain.invoke({"history": last_chat_str, "waitings": waiting_roles_str})
if role_chosen in state['waiting']:
state['waiting'].remove(role_chosen)
state['next_speaker'] = role_chosen
else:
next = random.choice(state['waiting'])
state['next_speaker'] = next
state['waiting'].remove(next)
return state- 第二环节：投票：在所有角色依次发言后，玩家将根据之前的互动和提问环节的表现，进行相互投票以确定谁是人类。
def ask_for_vote(state: GameState):
if len(state['waiting']) == 0:
human_role = state['human_role']
round = state['round']
# 统计票数决定是否结束游戏
vote_store = state['vote_store']
human_vote_count = 0
for vote in vote_store:
vote_role = vote[1]['vote']
if vote_role == human_role:
human_vote_count += 1
totle_votes = len(state['roles'])
# 如果人类角色票数超过一半，结束游戏
if human_vote_count > totle_votes / 2:
state['stage'] = 'end'
print("AI win!")
print("投票详情如下："+json.dumps(vote_store, ensure_ascii=False))
elif round == 3:
state['stage'] = 'end'
print("Human存活超过3轮，Human win!")
else:
print("Human存活,游戏继续！")
print("上轮投票详情如下："+json.dumps(vote_store, ensure_ascii=False))
state = gen_and_dispatch_role(state)
return state
next = random.choice(state['waiting'])
state['next_speaker'] = next
state['waiting'].remove(next)
return state- 最后：结果揭晓，基于投票判断人类扮演者是否被发现。
游戏角色
有了主持人Agent控场，那么其他角色就很好设计了，由于AI除了扮演角色不一样外，所执行的逻辑是一致的，我们可以统一抽象为AI角色扮演Agent，再就是用于人类输出的人类Agent
- AI角色扮演Agent：由四个AI NPC扮演历史知名人物，发表演讲，并在投票阶段进行投票。
def speak(state: GameState):
role = state['next_speaker']
roles_str = ','.join(state['roles'])
chat_history = state['chat_history']
history = ""
for chat in chat_history:
history += f"{chat[0]}: {chat[1]}\n"
llm = ChatOpenAI(model="glm-4", temperature=0.8)
role_prompt = ChatPromptTemplate.from_template(load_prompt("prompt/role.prompt"))
chain = role_prompt|llm|StrOutputParser()
rsp = chain.stream({"role": role, "roles": roles_str, "history": history})
output = ''
print(role+':', end='', flush=True)
for token in rsp:
output += token
print(token, end='', flush=True)
print()
print("---------------------------")
state['chat_history'].append((role, output))
return state
def vote(state: GameState):
role = state['next_speaker']
roles_str = ','.join(state['roles'])
chat_history = state['chat_history']
history = ""
for chat in chat_history:
history += f"{chat[0]}: {chat[1]}\n"
llm = ChatOpenAI(model="glm-4", temperature=0.01)
vote_prompt = ChatPromptTemplate.from_template(load_prompt("prompt/vote.prompt"))
chain = vote_prompt|llm|JsonOutputParser()
output = chain.invoke({"role": role, "roles": roles_str, "history": history})
state['vote_store'].append((role, output))
return state- 人类Agent : 人类Agent的逻辑相比AI更加简单只需要在恰当的阶段，提示人类玩家进行输出。
def speak(state: GameState):
role = state['next_speaker']
print("你当前的角色是："+role)
user_input = input("请输入你的对话内容: ")
state['chat_history'].append((role, user_input))
return state
def vote(state: GameState):
role = state['next_speaker']
roles_str = ','.join(state['roles'])
print("你当前的角色是："+role)
print("可供投票的选项有："+roles_str)
user_vote = input("请输入你的投票选择: ")
user_reason = input("请输入你的投票原因: ")
state['vote_store'].append((role, {"vote":user_vote,"reason":user_reason}))
return state实现效果及完整代码
最终实现效果如下所示：
游戏的完整代码已上传github开源，有兴趣的小伙伴可以拉取到自己本地玩一玩：https://github.com/q2wxec/langgraph-demo/tree/master/werewolf
