103 lines
4.6 KiB
Markdown
103 lines
4.6 KiB
Markdown
# 🍎 智能决策工作坊 (Multi-Agent Council V4)
|
||
|
||
AI驱动的多智能体决策分析系统 - 基于多模型智囊团
|
||
|
||
## 👥 团队成员与贡献
|
||
|
||
| 姓名 | 学号 | 主要贡献 (具体分工) |
|
||
|------|------|---------------------|
|
||
| 徐睿敏 | 2411020228 | (组长) 核心逻辑开发、Multi-Agent 编排、Prompt 工程 |
|
||
| 高玮 | 2411020226 | 前端界面设计 (Streamlit UI)、决策场景模块、PPT 制作 |
|
||
| 马菁艺 | 2411020230 | 文档撰写、测试与 Bug 修复、用户反馈模块 |
|
||
|
||
## ✨ 核心功能
|
||
|
||
### 🧪 Multi-Model Council V4 (智囊团模式)
|
||
- **多轮对话讨论**: 专家像真实会议一样进行多轮对话，互相批判、补充观点
|
||
- **动态专家组建**: 自定义 2-5 位专家，为每位指定最擅长的模型
|
||
- **🪄 智能专家生成**: AI 根据主题自动推荐最合适的专家角色
|
||
- **最终决策合成**: 最后一位专家综合全场观点，生成方案并绘制 Mermaid 路线图
|
||
|
||
### 🎯 内置决策场景
|
||
系统预置 4 大典型决策场景，每个场景都配置了专业的典型问题：
|
||
|
||
| 场景 | 描述 |
|
||
|------|------|
|
||
| 🚀 新产品发布评审 | 评估产品可行性、市场潜力和实施计划 |
|
||
| 💰 投资审批决策 | 分析投资项目的 ROI、风险和战略价值 |
|
||
| 🤝 合作伙伴评估 | 评估合作伙伴的匹配度和合作价值 |
|
||
| 📦 供应商评估 | 对比分析供应商的综合能力 |
|
||
|
||
### 🎭 Debate Workshop (辩论工作坊)
|
||
让 AI 扮演不同立场角色，通过辩论帮助厘清复杂决策的利弊
|
||
|
||
### 💬 用户反馈
|
||
内置用户反馈系统，收集功能建议和使用体验
|
||
|
||
### 🌐 多平台支持
|
||
- **DeepSeek**: V3, R1, Coder
|
||
- **OpenAI**: GPT-4o, GPT-4o-mini
|
||
- **Anthropic**: Claude 3.5 Sonnet
|
||
- **Google**: Gemini 1.5/2.0
|
||
- **SiliconFlow / AIHubMix / Deepseek**
|
||
|
||
---
|
||
|
||
## 🛠️ 安装
|
||
|
||
```bash
|
||
# 克隆项目
|
||
git clone http://hblu.top:3000/Python2025-CourseDesign/wd666.git
|
||
cd multi-agent
|
||
|
||
# 初始化 uv 项目（如首次使用）
|
||
uv init
|
||
|
||
# 安装依赖
|
||
uv add streamlit openai anthropic python-dotenv
|
||
|
||
# 或者同步现有依赖
|
||
uv sync
|
||
```
|
||
|
||
## 🚀 快速开始
|
||
|
||
```bash
|
||
uv run streamlit run app.py
|
||
```
|
||
|
||
### 使用步骤
|
||
|
||
1. **配置 API**: 在侧边栏选择 Provider 并输入 API Key
|
||
2. **选择场景**: 点击预置的决策场景或自定义主题
|
||
3. **生成专家**: 点击 "🪄 根据主题自动生成专家" 或手动配置
|
||
4. **开始决策**: 观察专家们如何互相对话，生成综合方案
|
||
|
||
---
|
||
|
||
## 📁 项目结构
|
||
|
||
```
|
||
multi_agent_workshop/
|
||
├── app.py # Streamlit 主应用
|
||
├── config.py # 配置文件
|
||
├── agents/ # Agent 定义
|
||
│ ├── agent_profiles.py # 预设角色配置
|
||
│ ├── base_agent.py # 基础 Agent 类
|
||
│ └── research_agent.py # 研究型 Agent
|
||
├── orchestrator/ # 编排器
|
||
│ ├── debate_manager.py # 辩论管理
|
||
│ └── research_manager.py # 智囊团管理
|
||
├── utils/
|
||
│ ├── llm_client.py # LLM 客户端封装
|
||
│ ├── storage.py # 存储管理
|
||
│ └── auto_agent_generator.py # 智能专家生成
|
||
└── report/ # 报告生成
|
||
```
|
||
## 心得体会
|
||
在当今的工作及学习生活中，决策充斥着我们生活的多个方面。而在决策时往往面临着个人情绪以及经验对决策的过度影响、数据量庞大缺乏有效分析以及结构化建议等问题。此程序的设计，可以为用户提供系统化评估框架，明确决策优先级，以及内置评估维度和权重体系。同时，我们在决策过程中引入 "虚拟会议" 功能，模拟真实决策会议中不同角色的视角和建议，帮助用户全面理解各利益相关方的立场。
|
||
在程序设计过程中，使用ai协助无疑大大降低了代码编写的门槛，加快了代码编写的速度。先构思程序功能，让ai生成骨架，在根据测试完善功能，这转变了我们的编程思维，从纠结语法细节转向专注业务逻辑，从边写边想升级直接设计然后优化功能。在开发决策系统时，AI不仅快速生成核心代码，还创意性地建议加入“模拟会议”功能，让项目更加丰富立体。
|
||
当然，AI辅助编程也有挑战和陷阱。最大的考验是如何精准表达需求——模糊的描述会得到模糊的答案。在设计过程中，因表达不全面，在优化过程中ai删去了需要的功能，这也让我们看到ai的局限性，这提醒我们用更结构化的语言说明需求，以获得更符合要求的方案。
|
||
|
||
## 📝 License
|
||
[MIT License](LICENSE) |