最近AI角色扮演和故事生成领域出现了一个非常有趣的现象开发者们不再满足于让AI进行简单的对话而是开始构建拥有独立“人设”、记忆和行动逻辑的虚拟角色并让它们在一个共享的“世界”里互动上演一出出充满戏剧性的故事。这听起来像是高级版的“过家家”但其背后的技术栈和工程实践却实实在在地触及了多智能体协作、长期记忆管理、角色一致性保持等前沿问题。你可能会好奇这和我们日常开发有什么关系一个生动的例子是当你想测试一个客服系统的多轮对话能力或者模拟一个游戏NPC的复杂行为树时手工编写测试用例既繁琐又缺乏想象力。而如果能用代码“创造”几个性格鲜明的AI角色让它们基于设定自主交流不仅能生成海量、高质量的测试数据更能暴露出系统在理解连续性、上下文关联和逻辑一致性上的深层问题。今天我们要深入探讨的正是这样一个将前沿AI能力工程化、场景化的实战项目。它没有枯燥的理论堆砌而是从一个极具故事性的标题——“胖橘和虎哥和熊猫道长被河马大姐冤魂缠身AI胖橘虎哥历险记”——切入。我们将一起拆解如何利用现有的AI Agent框架如LangChain、AutoGen、向量数据库和提示词工程构建出“胖橘”、“虎哥”这样有血有肉的AI角色并设计一套规则让“河马大姐的冤魂”这个冲突事件驱动整个故事发展。读完本文你将掌握从零搭建一个多角色AI叙事系统的核心方法理解其背后的架构设计并能够将这套方法论应用于你自己的测试、内容生成或娱乐项目中。1. 这篇文章真正要解决的问题从“玩具”到“工具”的AI角色工程看到“胖橘虎哥历险记”这样的标题第一反应可能觉得这是个娱乐性质的Demo。但这恰恰是当前AI应用开发的一个缩影如何将天马行空的创意落地为稳定、可复用、可观测的技术方案本文要解决的核心问题有三个1. 角色灵魂的注入与维持如何超越简单的“你是一个助手”的提示词为AI角色构建包括背景故事、性格特质、口头禅、知识边界在内的完整人设更重要的是在多轮交互中如何防止角色“失忆”或“人格分裂”2. 多智能体间的协同与冲突当“胖橘”可能是个慵懒的猫科AI、“虎哥”豪爽的猛兽AI和“熊猫道长”仙风道骨的长者AI同处一个场景如何设计交互协议是让它们自由对话还是需要一个“导演”AI来推进剧情如何管理对话的时序和状态3. 外部事件与长期记忆的驱动“河马大姐冤魂”作为一个外部冲突事件如何被系统感知并影响所有角色的行为和决策角色的记忆如对之前事件的了解、对他人的印象如何存储、检索和更新解决这些问题意味着我们不是在调用一个单一的ChatGPT接口而是在设计一个分布式叙事系统。这对于开发者的价值在于你将获得一套设计复杂交互式AI应用的方法论无论是用于生成沉浸式游戏剧情、自动化社交媒体内容运营还是构建新一代的软件测试沙盒。2. 核心概念与架构设计在开始写代码之前我们需要统一几个关键概念并规划出系统的核心架构。2.1 核心概念界定AI角色Agent在本项目中一个角色不仅仅是一个LLM大语言模型的调用实例。它是一个封装体包含系统提示词System Prompt定义角色的核心人设、目标和行为准则。记忆系统Memory用于存储和检索该角色的长期记忆与其它角色的交互历史、对世界的认知等。工具Tools角色可以调用的能力例如“查询天气”、“计算数学题”。在本故事中可能包括“施展道法”调用特定API、“感知灵异”查询事件状态等。决策逻辑根据当前对话、记忆和工具决定下一步是“说话”还是“行动”。世界状态World State一个共享的、所有角色都能感知但未必完全了解的上下文。它记录了当前故事的时间、地点、已发生的公开事件如“河马大姐的冤魂出现”、环境变量等。可以理解为一个全局的键值对存储或数据库。事件总线Event Bus或协调器Orchestrator这是系统的“导演”。它负责初始化所有角色和世界状态。按回合制或事件驱动制调度哪个角色发言或行动。将角色的输出言语或行动广播给其他相关角色并更新世界状态。注入外部事件如“冤魂缠身”事件触发。记忆存储通常使用向量数据库如Chroma, Pinecone, Weaviate来存储角色的记忆。每条记忆一段文本被转换为向量Embedding。当角色需要回忆时系统根据当前对话的上下文进行向量相似度搜索找出最相关的记忆片段并注入到本次对话的提示词中。这是实现角色“长期记忆”和“上下文关联”的关键。2.2 系统架构图逻辑层面----------------------- | 事件总线/协调器 | | (Orchestrator) | ---------------------- | 调度、广播、更新状态 v ---------------- ---------------------- ----------------- | 世界状态 |--| AI角色胖橘 | | 向量数据库 | | (World State) | | - 系统提示词 | | (记忆存储) | | - 时间夜晚 | | - 短期对话上下文 |--| - 胖橘的记忆 | | - 地点破庙 | | - 工具卖萌、抓挠 | | - 虎哥的记忆 | | - 事件冤魂现 | ---------------------- | - 道长的记忆 | ---------------- ----------------- ^ ^ | | ---------------------- ---------------------- | | AI角色虎哥 | | AI角色熊猫道长 | | | - 系统提示词 | | - 系统提示词 | | | - 短期对话上下文 | | - 短期对话上下文 | | | - 工具咆哮、威慑 | | - 工具卜卦、念咒 | | ---------------------- ---------------------- | | | ---------------------------------------------- 共享事件与状态更新这个架构清晰地分离了关注点角色负责基于自身人设和记忆进行“表演”协调器负责“导戏”世界状态是“舞台布景”向量数据库是“后台剧本库”。3. 环境准备与工具选型我们将使用Python作为开发语言并选择当前最成熟、最活跃的AI Agent框架之一——LangChain来构建核心。它的抽象层次适中既提供了强大的封装又保持了足够的灵活性。3.1 基础环境Python 3.10建议使用3.10或3.11确保包依赖兼容。包管理工具pip或poetry。本文使用pip。LLM API密钥你需要一个大型语言模型的API访问权限。我们将以OpenAI GPT-4或GPT-3.5-Turbo为例因为它效果稳定API易用。你也可以替换为 Anthropic Claude、国内大模型等LangChain支持多模型接入。向量数据库我们选择轻量级、易集成的ChromaDB它可以直接运行在内存中或持久化到磁盘非常适合原型开发和实验。3.2 安装核心依赖创建一个新的项目目录并建立虚拟环境推荐。然后安装以下包# 创建并激活虚拟环境 (以conda为例也可用venv) conda create -n ai_story python3.10 conda activate ai_story # 安装核心依赖 pip install langchain langchain-openai langchain-community # ChromaDB 作为向量存储 pip install chromadb # 用于计算文本向量的嵌入模型这里使用OpenAI的text-embedding-ada-002 pip install tiktoken # 可选用于更美观地打印输出 pip install rich关键依赖说明langchain: 核心框架。langchain-openai: OpenAI模型的官方LangChain集成。langchain-community: 包含社区维护的众多第三方集成如ChromaDB。chromadb: 向量数据库。tiktoken: OpenAI模型的Tokenizer用于精确计算Token数量。3.3 设置API密钥在代码中或环境变量中设置你的OpenAI API密钥。强烈建议使用环境变量避免将密钥硬编码在代码中。# 在终端中设置环境变量 (Linux/macOS) export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) $env:OPENAI_API_KEYyour-api-key-here4. 构建AI角色从提示词到记忆系统现在我们开始实现“胖橘”这个角色。我们将创建一个Character类来封装角色的所有属性。4.1 定义角色类与系统提示词首先创建一个character.py文件。# character.py from langchain.memory import ConversationSummaryBufferMemory from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder import os class Character: def __init__(self, name, system_prompt, llm): 初始化一个AI角色。 :param name: 角色名字 :param system_prompt: 定义角色人设的系统提示词 :param llm: 语言模型实例 self.name name self.llm llm # 1. 构建记忆系统使用ConversationSummaryBufferMemory # 它会在对话轮次过多时自动生成一个摘要既保留长期上下文又节省Token。 self.memory ConversationSummaryBufferMemory( llmllm, memory_keychat_history, return_messagesTrue, max_token_limit1000 # 控制记忆的Token上限 ) # 2. 构建提示词模板 # 这里使用LangChain的ChatPromptTemplate它支持结构化地组合系统消息、历史消息和用户输入。 prompt ChatPromptTemplate.from_messages([ (system, system_prompt), # 系统提示词固定角色人设 MessagesPlaceholder(variable_namechat_history), # 历史对话记忆 (human, {input}), # 当前输入 ]) # 3. 创建对话链 self.conversation_chain LLMChain( llmllm, promptprompt, memoryself.memory, verboseFalse # 设为True可看到详细的提示词构造过程调试时有用 ) def speak(self, message, current_sceneNone): 让角色对输入的消息进行回应。 :param message: 其他角色或导演说的话 :param current_scene: 当前场景描述可加入上下文 :return: 角色的回应文本 # 可以在这里将场景信息整合到输入中 full_input message if current_scene: full_input f[场景{current_scene}]\n{message} response self.conversation_chain.run(inputfull_input) # 清理响应有时模型会带上角色名 clean_response response.strip().replace(f{self.name}:, ).strip() return clean_response def get_memory_summary(self): 获取当前记忆的摘要用于调试或状态查看 return self.memory.load_memory_variables({})[chat_history]4.2 创建“胖橘”和“虎哥”接下来在main.py中初始化我们的角色。我们为每个角色精心设计一段系统提示词这是赋予其“灵魂”的关键。# main.py from character import Character from langchain_openai import ChatOpenAI import os # 确保API密钥已设置 # os.environ[OPENAI_API_KEY] your-key # 如果未设置环境变量可在此处设置 def create_characters(): 创建故事中的角色 # 使用GPT-3.5-Turbo成本较低效果足够。可替换为gpt-4。 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.8) # temperature调高增加创造性 # 胖橘的系统提示词一只慵懒、贪吃、有点胆小但关键时刻讲义气的橘猫 fat_orange_prompt 你是胖橘一只修炼了五十年刚刚能口吐人言的橘猫妖。 你的性格 1. **慵懒**能躺着绝不坐着对修炼不上心最大的爱好是晒太阳和吃小鱼干。 2. **贪吃**任何对话都可能被你联想到食物。你对“冤魂”的第一反应可能是“它能吃吗”。 3. **胆小但嘴硬**遇到危险第一反应是躲但会在朋友面前强装镇定说“虎哥在我不怕”。 4. **重视朋友**虽然懒散但对虎哥和熊猫道长非常忠诚。 你的说话风格句子简短常带“喵~”尾音喜欢用食物打比方。 示例对话风格 - “哎哟这地儿阴森森的我肚子都饿扁了...喵~” - “虎哥你看那影子像不像一条超大的烤鱼” - “道长救命有鬼啊躲到虎哥身后” 请始终以胖橘的身份和口吻说话。不要以第三人称描述自己。 # 虎哥的系统提示词一只豪爽、仗义、武力值高但有点粗心的虎妖 brother_tiger_prompt 你是虎哥一只修行百年的虎妖是胖橘和熊猫道长的结拜大哥。 你的性格 1. **豪爽仗义**路见不平一声吼最看重兄弟情谊保护欲强。 2. **武力担当**自信于自己的实力遇到问题倾向于用力量解决。 3. **粗心直接**心思不够细腻有时会忽略细节说话直来直去。 4. **讨厌邪祟**对妖魔鬼怪零容忍认为物理超度是最好的办法。 你的说话风格声音洪亮常用“俺”、“兄弟”等称呼句子有力常带感叹号。 示例对话风格 - “何方妖孽敢吓唬我兄弟吃俺一爪” - “胖橘别怕有大哥在道长你怎么看” - “跟它废什么话看俺把它拍散” 请始终以虎哥的身份和口吻说话。 # 创建角色实例 fat_orange Character(name胖橘, system_promptfat_orange_prompt, llmllm) brother_tiger Character(name虎哥, system_promptbrother_tiger_prompt, llmllm) return fat_orange, brother_tiger if __name__ __main__: fat_orange, brother_tiger create_characters() print(角色创建成功) # 简单测试一下 test_message 虎哥这破庙里好像有动静你听到了吗 response brother_tiger.speak(test_message, current_scene深夜荒山破庙内风声呼啸) print(f测试输入{test_message}) print(f虎哥回应{response})运行python main.py你会看到虎哥基于其性格生成的回应。这证明了我们的角色基础框架是有效的。5. 实现世界状态与事件协调器角色有了我们需要一个舞台和导演。接下来创建world.py和orchestrator.py。5.1 世界状态管理world.py非常简单就是一个存储全局状态的对象。# world.py class WorldState: def __init__(self): self.state { time: 深夜, location: 荒山破庙, active_events: [], # 当前活跃的事件如 [河马冤魂现身] global_memory: [] # 全局公开记忆所有角色都知道 } def update(self, key, value): 更新世界状态的某个属性 if key in self.state: self.state[key] value else: self.state[key] value def add_event(self, event): 添加一个新事件 if event not in self.state[active_events]: self.state[active_events].append(event) # 事件也加入全局记忆 self.add_global_memory(f事件发生{event}) def resolve_event(self, event): 解决一个事件 if event in self.state[active_events]: self.state[active_events].remove(event) self.add_global_memory(f事件解决{event}) def add_global_memory(self, memory_text): 添加一条全局记忆 self.state[global_memory].append(memory_text) # 简单限制记忆长度 if len(self.state[global_memory]) 20: self.state[global_memory].pop(0) def get_scene_description(self): 生成当前场景的描述用于注入角色对话上下文 time_loc f{self.state[time]}{self.state[location]} events .join(self.state[active_events]) if events: return f{time_loc}。当前事件{events}。 else: return f{time_loc}。5.2 事件协调器协调器是系统的大脑它管理回合并将角色的发言广播给其他人。# orchestrator.py from world import WorldState class Orchestrator: def __init__(self, characters, world_state): :param characters: 角色字典{name: character_instance} :param world_state: WorldState实例 self.characters characters self.world world_state self.conversation_log [] # 记录完整对话 def broadcast(self, speaker_name, message, exclude_speakerTrue): 广播一条消息给所有其他角色。 :param speaker_name: 发言者名字 :param message: 发言内容 :param exclude_speaker: 是否排除发言者自己 self.conversation_log.append(f{speaker_name}: {message}) print(f\n【{speaker_name}】{message}) # 构建广播消息附加上下文 scene_desc self.world.get_scene_description() broadcast_msg f{speaker_name}说“{message}” for name, character in self.characters.items(): if exclude_speaker and name speaker_name: continue # 每个角色独立处理听到的消息 # 这里可以加入更复杂的逻辑比如角色是否“听到” response character.speak(broadcast_msg, current_scenescene_desc) # 角色的回应会再次触发广播形成对话链 # 为了避免无限循环我们这里先只记录由run_turn控制流程 # 暂时存储下一轮处理 character._pending_response response def run_turn(self, initial_speaker, initial_message): 运行一个对话回合。从某个角色发起一句话开始。 这是一个简单的实现A说 - B回应 - A再回应 - ... 直到无人回应或达到回合限制。 print(f\n 新一轮对话开始 ) print(f场景{self.world.get_scene_description()}) current_speaker initial_speaker current_message initial_message turn_count 0 max_turns 6 # 防止对话无限循环 while turn_count max_turns: # 1. 当前发言者发言并广播 self.broadcast(current_speaker, current_message) # 2. 收集其他角色的回应 responses {} for name, character in self.characters.items(): if name ! current_speaker and hasattr(character, _pending_response): responses[name] character._pending_response delattr(character, _pending_response) # 清空待处理回应 if not responses: print(f --- 无人回应对话结束 ---) break # 3. 选择下一个发言者这里简单选择第一个回应的角色 next_speaker list(responses.keys())[0] next_message responses[next_speaker] # 4. 更新当前发言者和消息 current_speaker, current_message next_speaker, next_message turn_count 1 print(f\n 本轮对话结束共{turn_count}个回合 \n) def inject_event(self, event_description): 向世界中注入一个新事件并通知所有角色 print(f\n⚡ 事件注入{event_description}) self.world.add_event(event_description) # 事件可以作为“系统消息”广播给所有角色 scene_desc self.world.get_scene_description() for name, character in self.characters.items(): # 让每个角色对事件本身做出反应 reaction character.speak(f【系统通知】{event_description}, current_scenescene_desc) print(f {name}的反应{reaction})6. 串联整个故事胖橘虎哥历险记现在让我们把所有模块组合起来运行第一个完整的故事场景。# main_story.py from character import Character from world import WorldState from orchestrator import Orchestrator from langchain_openai import ChatOpenAI def main(): # 1. 初始化LLM llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.85) # 2. 创建角色 (这里我们加上熊猫道长) # 胖橘 fat_orange_prompt 同上此处省略以节省篇幅 fat_orange Character(胖橘, fat_orange_prompt, llm) # 虎哥 brother_tiger_prompt 同上此处省略以节省篇幅 brother_tiger Character(虎哥, brother_tiger_prompt, llm) # 熊猫道长 panda_taoist_prompt 你是熊猫道长一位隐居深山、道法自然的熊猫得道者。 你的性格 1. **沉稳睿智**遇事不慌善于观察和分析是团队里的智慧担当。 2. **慈悲为怀**相信万物有灵倾向于化解怨气而非消灭。 3. **知识渊博**对妖魔鬼怪、阵法符箓颇有研究。 4. **慢条斯理**说话做事节奏较慢常引经据典。 你的说话风格文言白话夹杂常用“贫道”、“依贫道看”、“此事蹊跷”等短语语气平和。 示例对话风格 - “无量天尊。此地怨气凝聚恐有执念未消之灵。” - “虎老弟稍安勿躁待贫道起一卦算算这冤魂的来历。” - “胖橘小友莫要惊慌。恐惧之心反易招邪。” 请始终以熊猫道长的身份和口吻说话。 panda_taoist Character(熊猫道长, panda_taoist_prompt, llm) characters { 胖橘: fat_orange, 虎哥: brother_tiger, 熊猫道长: panda_taoist } # 3. 创建世界和协调器 world WorldState() orchestrator Orchestrator(characters, world) print(*50) print(AI角色扮演剧场《胖橘虎哥历险记》) print(*50) # 4. 第一幕破庙初遇 world.update(time, 子时三刻) world.update(location, 兰若寺残破的后殿) print(f\n第一幕{world.get_scene_description()}) # 虎哥发起对话 orchestrator.run_turn( initial_speaker虎哥, initial_message这庙里怎么一股子腥气胖橘是不是你又偷藏鱼干了 ) # 5. 第二幕冤魂现身注入事件 orchestrator.inject_event(一阵阴风吹过供桌上的烛火剧烈摇曳。一个模糊的、巨大的河马虚影在墙壁上浮现发出低沉的呜咽声。) # 事件发生后胖橘被吓到开启新一轮对话 orchestrator.run_turn( initial_speaker胖橘, initial_message妈呀鬼啊虎哥、道长那墙上……墙上有个大河马影子它瞪着我 ) # 6. 第三幕尝试沟通再次注入事件细节 orchestrator.inject_event(河马的虚影逐渐清晰眼中流下两行血泪它张开嘴发出断断续续的声音‘我……死得……好冤……’) # 熊猫道长尝试与冤魂沟通 orchestrator.run_turn( initial_speaker熊猫道长, initial_message无量寿福。这位……河马施主贫道观你怨气缠身似有莫大冤屈。可否告知我等或许能为你寻得一线解脱之机 ) print(\n *50) print(第一回剧情暂告段落。) print(世界状态, world.state) print(*50) if __name__ __main__: main()运行python main_story.py你将看到一个由AI自主演绎的微型故事。每次运行由于模型的随机性对话都会有所不同但角色的性格会保持高度一致。7. 进阶集成向量数据库实现长期记忆上面的记忆是临时的、基于会话的。要实现真正的“长期记忆”比如胖橘记得虎哥上次欠他一条鱼我们需要向量数据库。这里我们扩展Character类加入向量记忆。首先安装并初始化ChromaDB然后修改character.py。# character.py (增强版) from langchain.memory import ConversationSummaryBufferMemory, VectorStoreRetrieverMemory from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_chroma import Chroma from langchain.chains import LLMChain from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, HumanMessagePromptTemplate import os class Character: def __init__(self, name, system_prompt, llm, persist_directoryf./chroma_db/{name}): self.name name self.llm llm # 初始化嵌入模型 embeddings OpenAIEmbeddings(modeltext-embedding-ada-002) # 1. 创建或加载向量数据库长期记忆 self.vectorstore Chroma( collection_namefmemory_{name}, embedding_functionembeddings, persist_directorypersist_directory ) retriever self.vectorstore.as_retriever(search_kwargsdict(k3)) # 检索最相关的3条记忆 # 2. 向量记忆 self.vector_memory VectorStoreRetrieverMemory( retrieverretriever, memory_keylong_term_memory, # 当查询时输入的关键词 input_keyinput, # 不将每次对话都自动存储我们手动控制 return_docsTrue ) # 3. 会话记忆短期/摘要记忆 self.conversation_memory ConversationSummaryBufferMemory( llmllm, memory_keychat_history, return_messagesTrue, max_token_limit800 ) # 4. 构建更复杂的提示词模板整合长期记忆 prompt ChatPromptTemplate.from_messages([ SystemMessagePromptTemplate.from_template( f{system_prompt}\n\n 以下是一些你可能相关的过往记忆仅供参考\n {{long_term_memory}}\n 请基于以上记忆、当前场景和对话历史进行回应。 ), MessagesPlaceholder(variable_namechat_history), HumanMessagePromptTemplate.from_template({input}) ]) # 5. 创建对话链现在输入变量包括long_term_memory self.conversation_chain LLMChain( llmllm, promptprompt, memoryself.conversation_memory, verboseFalse ) def speak(self, message, current_sceneNone): full_input f[场景{current_scene}] {message} if current_scene else message # 从向量记忆中检索与当前输入相关的长期记忆 relevant_memories self.vector_memory.load_memory_variables({input: full_input})[long_term_memory] # relevant_memories 是一个Document列表我们提取内容 memory_text \n.join([doc.page_content for doc in relevant_memories]) # 运行对话链 response self.conversation_chain.run( inputfull_input, long_term_memorymemory_text ) clean_response response.strip().replace(f{self.name}:, ).strip() return clean_response def save_memory(self, memory_text, metadataNone): 手动将一条重要记忆保存到向量数据库。 :param memory_text: 记忆文本 :param metadata: 可选的元数据如 {timestamp: 2023-10-01, about: 虎哥} if metadata is None: metadata {} metadata[character] self.name # 向向量存储添加文档 self.vectorstore.add_texts(texts[memory_text], metadatas[metadata]) print(f[{self.name}] 已保存记忆{memory_text[:50]}...) def get_memory_summary(self): 获取记忆摘要 conv_history self.conversation_memory.load_memory_variables({})[chat_history] return { conversation_summary: conv_history, vectorstore_count: self.vectorstore._collection.count() }在故事运行过程中你可以在关键时刻调用character.save_memory()。例如当虎哥承诺“明天还你十条鱼”时胖橘可以调用fat_orange.save_memory(“虎哥欠我十条鱼” {“about”: “虎哥”, “type”: “debt”})。下次胖橘和虎哥讨论食物时这条记忆就有可能被检索出来影响对话。8. 常见问题与排查思路在构建和运行此类多智能体系统时你可能会遇到以下典型问题问题现象可能原因排查方式解决方案角色回应不符合人设OOC1. 系统提示词不够详细或冲突。2. Temperature 参数过高导致随机性太大。3. 上下文过长模型忽略了前面的系统提示。1. 打印出实际发送给模型的完整提示词。2. 检查verboseTrue时的日志。3. 测试简单的提示词是否有效。1. 细化提示词用“必须”“禁止”等词约束行为。2. 适当降低temperature(如0.7)。3. 使用ConversationSummaryBufferMemory或减少max_token_limit。对话陷入循环或无关内容1. 缺少一个强有力的“导演”来推进剧情。2. 角色之间没有目标或冲突。3. 记忆系统未生效每次对话都是新的开始。1. 观察对话日志看是否在重复类似话题。2. 检查协调器的run_turn逻辑和回合限制。1. 强化协调器定期注入新事件或改变世界状态。2. 为角色设置明确的目标如“查明冤魂真相”。3. 确保长期记忆被正确检索和注入。运行速度慢Token消耗高1. 使用GPT-4模型。2. 上下文历史过长。3. 向量检索频繁或数据量大。1. 监控API调用耗时和Token使用量。2. 检查记忆系统的配置。1. 开发阶段使用GPT-3.5-Turbo。2. 优化记忆摘要策略控制历史长度。3. 对向量记忆检索结果进行缓存或限制条数。向量记忆检索不到相关内容1. 记忆文本的嵌入Embedding不准确。2. 检索关键词当前输入与记忆文本语义不匹配。3. 记忆尚未保存。1. 检查save_memory是否成功调用。2. 手动查询向量数据库看存储了什么。1. 确保使用合适的嵌入模型。2. 在保存记忆时可以同时保存多个关键词或摘要。3. 调整检索参数k返回数量和search_type相似度/MMR。多个角色同时“说话”逻辑混乱协调器的广播和回合逻辑有缺陷。检查orchestrator.py中的broadcast和run_turn函数。实现更严格的回合控制例如1. 基于事件/动作的调度。2. 为角色设置“行动点”或冷却时间。3. 使用队列管理发言顺序。9. 最佳实践与项目扩展建议基于以上实践我们可以总结出一些构建生产级多角色AI系统的建议提示词工程是核心角色的“灵魂”80%来自于系统提示词。要像写小说人物小传一样去打磨它包括背景、性格、口头禅、知识盲区、目标和秘密。可以使用“Few-Shot”示例在提示词中直接给出几个符合人设的对话样例。记忆分层设计短期记忆当前会话的上下文用ConversationSummaryBufferMemory管理。长期记忆重要的、需要跨会话记住的事实和关系用向量数据库存储。世界记忆所有角色共享的公开事实和事件用WorldState管理。元记忆角色对自己的认知“我知道我胆小”可以固化在系统提示词中。协调器模式选择回合制简单可控适合对话模拟。事件驱动制更灵活协调器发布事件角色根据自身状态决定是否响应及如何响应。目标驱动制为每个角色或团队设置目标协调器评估状态并推动角色采取行动以实现目标。这是最复杂但也最智能的模式。可观测性与调试记录所有API调用、提示词、响应和Token消耗。为对话和角色状态提供可视化界面简单的Web界面或日志分析工具。设置“上帝视角”的日志清晰标记每个步骤。扩展方向工具调用Function Calling让角色不仅能说还能“做”。例如“熊猫道长”可以调用一个divination_tool(question)的工具来获得卦象结果。情感与关系系统为角色设计隐藏的情感值和与其他角色的关系值这些数值会影响其对话倾向。外部知识库将背景故事、设定集存入向量库角色可以“查阅资料”。语音与图像接入TTS和图像生成模型打造多媒体沉浸体验。从“胖橘和虎哥的历险记”这个看似轻松的项目出发我们实际上搭建了一个可扩展的多智能体模拟框架。这套框架的价值远不止于讲故事。你可以用它来模拟用户访谈、进行产品对话测试、构建复杂的游戏NPC甚至作为社会学或心理学的研究工具。关键在于你掌握了将模糊的“让AI互动”需求拆解为角色定义、记忆管理、状态协调、事件驱动等清晰模块的能力。接下来不妨为你自己的领域设计几个角色看看它们能碰撞出怎样的火花。 
长河君 · 2026/9/3 10:09:26 · 阅读 1.2k 基于LangChain与向量数据库构建多角色AI叙事系统实战
最近AI角色扮演和故事生成领域出现了一个非常有趣的现象开发者们不再满足于让AI进行简单的对话而是开始构建拥有独立“人设”、记忆和行动逻辑的虚拟角色并让它们在一个共享的“世界”里互动上演一出出充满戏剧性的故事。这听起来像是高级版的“过家家”但其背后的技术栈和工程实践却实实在在地触及了多智能体协作、长期记忆管理、角色一致性保持等前沿问题。你可能会好奇这和我们日常开发有什么关系一个生动的例子是当你想测试一个客服系统的多轮对话能力或者模拟一个游戏NPC的复杂行为树时手工编写测试用例既繁琐又缺乏想象力。而如果能用代码“创造”几个性格鲜明的AI角色让它们基于设定自主交流不仅能生成海量、高质量的测试数据更能暴露出系统在理解连续性、上下文关联和逻辑一致性上的深层问题。今天我们要深入探讨的正是这样一个将前沿AI能力工程化、场景化的实战项目。它没有枯燥的理论堆砌而是从一个极具故事性的标题——“胖橘和虎哥和熊猫道长被河马大姐冤魂缠身AI胖橘虎哥历险记”——切入。我们将一起拆解如何利用现有的AI Agent框架如LangChain、AutoGen、向量数据库和提示词工程构建出“胖橘”、“虎哥”这样有血有肉的AI角色并设计一套规则让“河马大姐的冤魂”这个冲突事件驱动整个故事发展。读完本文你将掌握从零搭建一个多角色AI叙事系统的核心方法理解其背后的架构设计并能够将这套方法论应用于你自己的测试、内容生成或娱乐项目中。1. 这篇文章真正要解决的问题从“玩具”到“工具”的AI角色工程看到“胖橘虎哥历险记”这样的标题第一反应可能觉得这是个娱乐性质的Demo。但这恰恰是当前AI应用开发的一个缩影如何将天马行空的创意落地为稳定、可复用、可观测的技术方案本文要解决的核心问题有三个1. 角色灵魂的注入与维持如何超越简单的“你是一个助手”的提示词为AI角色构建包括背景故事、性格特质、口头禅、知识边界在内的完整人设更重要的是在多轮交互中如何防止角色“失忆”或“人格分裂”2. 多智能体间的协同与冲突当“胖橘”可能是个慵懒的猫科AI、“虎哥”豪爽的猛兽AI和“熊猫道长”仙风道骨的长者AI同处一个场景如何设计交互协议是让它们自由对话还是需要一个“导演”AI来推进剧情如何管理对话的时序和状态3. 外部事件与长期记忆的驱动“河马大姐冤魂”作为一个外部冲突事件如何被系统感知并影响所有角色的行为和决策角色的记忆如对之前事件的了解、对他人的印象如何存储、检索和更新解决这些问题意味着我们不是在调用一个单一的ChatGPT接口而是在设计一个分布式叙事系统。这对于开发者的价值在于你将获得一套设计复杂交互式AI应用的方法论无论是用于生成沉浸式游戏剧情、自动化社交媒体内容运营还是构建新一代的软件测试沙盒。2. 核心概念与架构设计在开始写代码之前我们需要统一几个关键概念并规划出系统的核心架构。2.1 核心概念界定AI角色Agent在本项目中一个角色不仅仅是一个LLM大语言模型的调用实例。它是一个封装体包含系统提示词System Prompt定义角色的核心人设、目标和行为准则。记忆系统Memory用于存储和检索该角色的长期记忆与其它角色的交互历史、对世界的认知等。工具Tools角色可以调用的能力例如“查询天气”、“计算数学题”。在本故事中可能包括“施展道法”调用特定API、“感知灵异”查询事件状态等。决策逻辑根据当前对话、记忆和工具决定下一步是“说话”还是“行动”。世界状态World State一个共享的、所有角色都能感知但未必完全了解的上下文。它记录了当前故事的时间、地点、已发生的公开事件如“河马大姐的冤魂出现”、环境变量等。可以理解为一个全局的键值对存储或数据库。事件总线Event Bus或协调器Orchestrator这是系统的“导演”。它负责初始化所有角色和世界状态。按回合制或事件驱动制调度哪个角色发言或行动。将角色的输出言语或行动广播给其他相关角色并更新世界状态。注入外部事件如“冤魂缠身”事件触发。记忆存储通常使用向量数据库如Chroma, Pinecone, Weaviate来存储角色的记忆。每条记忆一段文本被转换为向量Embedding。当角色需要回忆时系统根据当前对话的上下文进行向量相似度搜索找出最相关的记忆片段并注入到本次对话的提示词中。这是实现角色“长期记忆”和“上下文关联”的关键。2.2 系统架构图逻辑层面----------------------- | 事件总线/协调器 | | (Orchestrator) | ---------------------- | 调度、广播、更新状态 v ---------------- ---------------------- ----------------- | 世界状态 |--| AI角色胖橘 | | 向量数据库 | | (World State) | | - 系统提示词 | | (记忆存储) | | - 时间夜晚 | | - 短期对话上下文 |--| - 胖橘的记忆 | | - 地点破庙 | | - 工具卖萌、抓挠 | | - 虎哥的记忆 | | - 事件冤魂现 | ---------------------- | - 道长的记忆 | ---------------- ----------------- ^ ^ | | ---------------------- ---------------------- | | AI角色虎哥 | | AI角色熊猫道长 | | | - 系统提示词 | | - 系统提示词 | | | - 短期对话上下文 | | - 短期对话上下文 | | | - 工具咆哮、威慑 | | - 工具卜卦、念咒 | | ---------------------- ---------------------- | | | ---------------------------------------------- 共享事件与状态更新这个架构清晰地分离了关注点角色负责基于自身人设和记忆进行“表演”协调器负责“导戏”世界状态是“舞台布景”向量数据库是“后台剧本库”。3. 环境准备与工具选型我们将使用Python作为开发语言并选择当前最成熟、最活跃的AI Agent框架之一——LangChain来构建核心。它的抽象层次适中既提供了强大的封装又保持了足够的灵活性。3.1 基础环境Python 3.10建议使用3.10或3.11确保包依赖兼容。包管理工具pip或poetry。本文使用pip。LLM API密钥你需要一个大型语言模型的API访问权限。我们将以OpenAI GPT-4或GPT-3.5-Turbo为例因为它效果稳定API易用。你也可以替换为 Anthropic Claude、国内大模型等LangChain支持多模型接入。向量数据库我们选择轻量级、易集成的ChromaDB它可以直接运行在内存中或持久化到磁盘非常适合原型开发和实验。3.2 安装核心依赖创建一个新的项目目录并建立虚拟环境推荐。然后安装以下包# 创建并激活虚拟环境 (以conda为例也可用venv) conda create -n ai_story python3.10 conda activate ai_story # 安装核心依赖 pip install langchain langchain-openai langchain-community # ChromaDB 作为向量存储 pip install chromadb # 用于计算文本向量的嵌入模型这里使用OpenAI的text-embedding-ada-002 pip install tiktoken # 可选用于更美观地打印输出 pip install rich关键依赖说明langchain: 核心框架。langchain-openai: OpenAI模型的官方LangChain集成。langchain-community: 包含社区维护的众多第三方集成如ChromaDB。chromadb: 向量数据库。tiktoken: OpenAI模型的Tokenizer用于精确计算Token数量。3.3 设置API密钥在代码中或环境变量中设置你的OpenAI API密钥。强烈建议使用环境变量避免将密钥硬编码在代码中。# 在终端中设置环境变量 (Linux/macOS) export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) $env:OPENAI_API_KEYyour-api-key-here4. 构建AI角色从提示词到记忆系统现在我们开始实现“胖橘”这个角色。我们将创建一个Character类来封装角色的所有属性。4.1 定义角色类与系统提示词首先创建一个character.py文件。# character.py from langchain.memory import ConversationSummaryBufferMemory from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder import os class Character: def __init__(self, name, system_prompt, llm): 初始化一个AI角色。 :param name: 角色名字 :param system_prompt: 定义角色人设的系统提示词 :param llm: 语言模型实例 self.name name self.llm llm # 1. 构建记忆系统使用ConversationSummaryBufferMemory # 它会在对话轮次过多时自动生成一个摘要既保留长期上下文又节省Token。 self.memory ConversationSummaryBufferMemory( llmllm, memory_keychat_history, return_messagesTrue, max_token_limit1000 # 控制记忆的Token上限 ) # 2. 构建提示词模板 # 这里使用LangChain的ChatPromptTemplate它支持结构化地组合系统消息、历史消息和用户输入。 prompt ChatPromptTemplate.from_messages([ (system, system_prompt), # 系统提示词固定角色人设 MessagesPlaceholder(variable_namechat_history), # 历史对话记忆 (human, {input}), # 当前输入 ]) # 3. 创建对话链 self.conversation_chain LLMChain( llmllm, promptprompt, memoryself.memory, verboseFalse # 设为True可看到详细的提示词构造过程调试时有用 ) def speak(self, message, current_sceneNone): 让角色对输入的消息进行回应。 :param message: 其他角色或导演说的话 :param current_scene: 当前场景描述可加入上下文 :return: 角色的回应文本 # 可以在这里将场景信息整合到输入中 full_input message if current_scene: full_input f[场景{current_scene}]\n{message} response self.conversation_chain.run(inputfull_input) # 清理响应有时模型会带上角色名 clean_response response.strip().replace(f{self.name}:, ).strip() return clean_response def get_memory_summary(self): 获取当前记忆的摘要用于调试或状态查看 return self.memory.load_memory_variables({})[chat_history]4.2 创建“胖橘”和“虎哥”接下来在main.py中初始化我们的角色。我们为每个角色精心设计一段系统提示词这是赋予其“灵魂”的关键。# main.py from character import Character from langchain_openai import ChatOpenAI import os # 确保API密钥已设置 # os.environ[OPENAI_API_KEY] your-key # 如果未设置环境变量可在此处设置 def create_characters(): 创建故事中的角色 # 使用GPT-3.5-Turbo成本较低效果足够。可替换为gpt-4。 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.8) # temperature调高增加创造性 # 胖橘的系统提示词一只慵懒、贪吃、有点胆小但关键时刻讲义气的橘猫 fat_orange_prompt 你是胖橘一只修炼了五十年刚刚能口吐人言的橘猫妖。 你的性格 1. **慵懒**能躺着绝不坐着对修炼不上心最大的爱好是晒太阳和吃小鱼干。 2. **贪吃**任何对话都可能被你联想到食物。你对“冤魂”的第一反应可能是“它能吃吗”。 3. **胆小但嘴硬**遇到危险第一反应是躲但会在朋友面前强装镇定说“虎哥在我不怕”。 4. **重视朋友**虽然懒散但对虎哥和熊猫道长非常忠诚。 你的说话风格句子简短常带“喵~”尾音喜欢用食物打比方。 示例对话风格 - “哎哟这地儿阴森森的我肚子都饿扁了...喵~” - “虎哥你看那影子像不像一条超大的烤鱼” - “道长救命有鬼啊躲到虎哥身后” 请始终以胖橘的身份和口吻说话。不要以第三人称描述自己。 # 虎哥的系统提示词一只豪爽、仗义、武力值高但有点粗心的虎妖 brother_tiger_prompt 你是虎哥一只修行百年的虎妖是胖橘和熊猫道长的结拜大哥。 你的性格 1. **豪爽仗义**路见不平一声吼最看重兄弟情谊保护欲强。 2. **武力担当**自信于自己的实力遇到问题倾向于用力量解决。 3. **粗心直接**心思不够细腻有时会忽略细节说话直来直去。 4. **讨厌邪祟**对妖魔鬼怪零容忍认为物理超度是最好的办法。 你的说话风格声音洪亮常用“俺”、“兄弟”等称呼句子有力常带感叹号。 示例对话风格 - “何方妖孽敢吓唬我兄弟吃俺一爪” - “胖橘别怕有大哥在道长你怎么看” - “跟它废什么话看俺把它拍散” 请始终以虎哥的身份和口吻说话。 # 创建角色实例 fat_orange Character(name胖橘, system_promptfat_orange_prompt, llmllm) brother_tiger Character(name虎哥, system_promptbrother_tiger_prompt, llmllm) return fat_orange, brother_tiger if __name__ __main__: fat_orange, brother_tiger create_characters() print(角色创建成功) # 简单测试一下 test_message 虎哥这破庙里好像有动静你听到了吗 response brother_tiger.speak(test_message, current_scene深夜荒山破庙内风声呼啸) print(f测试输入{test_message}) print(f虎哥回应{response})运行python main.py你会看到虎哥基于其性格生成的回应。这证明了我们的角色基础框架是有效的。5. 实现世界状态与事件协调器角色有了我们需要一个舞台和导演。接下来创建world.py和orchestrator.py。5.1 世界状态管理world.py非常简单就是一个存储全局状态的对象。# world.py class WorldState: def __init__(self): self.state { time: 深夜, location: 荒山破庙, active_events: [], # 当前活跃的事件如 [河马冤魂现身] global_memory: [] # 全局公开记忆所有角色都知道 } def update(self, key, value): 更新世界状态的某个属性 if key in self.state: self.state[key] value else: self.state[key] value def add_event(self, event): 添加一个新事件 if event not in self.state[active_events]: self.state[active_events].append(event) # 事件也加入全局记忆 self.add_global_memory(f事件发生{event}) def resolve_event(self, event): 解决一个事件 if event in self.state[active_events]: self.state[active_events].remove(event) self.add_global_memory(f事件解决{event}) def add_global_memory(self, memory_text): 添加一条全局记忆 self.state[global_memory].append(memory_text) # 简单限制记忆长度 if len(self.state[global_memory]) 20: self.state[global_memory].pop(0) def get_scene_description(self): 生成当前场景的描述用于注入角色对话上下文 time_loc f{self.state[time]}{self.state[location]} events .join(self.state[active_events]) if events: return f{time_loc}。当前事件{events}。 else: return f{time_loc}。5.2 事件协调器协调器是系统的大脑它管理回合并将角色的发言广播给其他人。# orchestrator.py from world import WorldState class Orchestrator: def __init__(self, characters, world_state): :param characters: 角色字典{name: character_instance} :param world_state: WorldState实例 self.characters characters self.world world_state self.conversation_log [] # 记录完整对话 def broadcast(self, speaker_name, message, exclude_speakerTrue): 广播一条消息给所有其他角色。 :param speaker_name: 发言者名字 :param message: 发言内容 :param exclude_speaker: 是否排除发言者自己 self.conversation_log.append(f{speaker_name}: {message}) print(f\n【{speaker_name}】{message}) # 构建广播消息附加上下文 scene_desc self.world.get_scene_description() broadcast_msg f{speaker_name}说“{message}” for name, character in self.characters.items(): if exclude_speaker and name speaker_name: continue # 每个角色独立处理听到的消息 # 这里可以加入更复杂的逻辑比如角色是否“听到” response character.speak(broadcast_msg, current_scenescene_desc) # 角色的回应会再次触发广播形成对话链 # 为了避免无限循环我们这里先只记录由run_turn控制流程 # 暂时存储下一轮处理 character._pending_response response def run_turn(self, initial_speaker, initial_message): 运行一个对话回合。从某个角色发起一句话开始。 这是一个简单的实现A说 - B回应 - A再回应 - ... 直到无人回应或达到回合限制。 print(f\n 新一轮对话开始 ) print(f场景{self.world.get_scene_description()}) current_speaker initial_speaker current_message initial_message turn_count 0 max_turns 6 # 防止对话无限循环 while turn_count max_turns: # 1. 当前发言者发言并广播 self.broadcast(current_speaker, current_message) # 2. 收集其他角色的回应 responses {} for name, character in self.characters.items(): if name ! current_speaker and hasattr(character, _pending_response): responses[name] character._pending_response delattr(character, _pending_response) # 清空待处理回应 if not responses: print(f --- 无人回应对话结束 ---) break # 3. 选择下一个发言者这里简单选择第一个回应的角色 next_speaker list(responses.keys())[0] next_message responses[next_speaker] # 4. 更新当前发言者和消息 current_speaker, current_message next_speaker, next_message turn_count 1 print(f\n 本轮对话结束共{turn_count}个回合 \n) def inject_event(self, event_description): 向世界中注入一个新事件并通知所有角色 print(f\n⚡ 事件注入{event_description}) self.world.add_event(event_description) # 事件可以作为“系统消息”广播给所有角色 scene_desc self.world.get_scene_description() for name, character in self.characters.items(): # 让每个角色对事件本身做出反应 reaction character.speak(f【系统通知】{event_description}, current_scenescene_desc) print(f {name}的反应{reaction})6. 串联整个故事胖橘虎哥历险记现在让我们把所有模块组合起来运行第一个完整的故事场景。# main_story.py from character import Character from world import WorldState from orchestrator import Orchestrator from langchain_openai import ChatOpenAI def main(): # 1. 初始化LLM llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.85) # 2. 创建角色 (这里我们加上熊猫道长) # 胖橘 fat_orange_prompt 同上此处省略以节省篇幅 fat_orange Character(胖橘, fat_orange_prompt, llm) # 虎哥 brother_tiger_prompt 同上此处省略以节省篇幅 brother_tiger Character(虎哥, brother_tiger_prompt, llm) # 熊猫道长 panda_taoist_prompt 你是熊猫道长一位隐居深山、道法自然的熊猫得道者。 你的性格 1. **沉稳睿智**遇事不慌善于观察和分析是团队里的智慧担当。 2. **慈悲为怀**相信万物有灵倾向于化解怨气而非消灭。 3. **知识渊博**对妖魔鬼怪、阵法符箓颇有研究。 4. **慢条斯理**说话做事节奏较慢常引经据典。 你的说话风格文言白话夹杂常用“贫道”、“依贫道看”、“此事蹊跷”等短语语气平和。 示例对话风格 - “无量天尊。此地怨气凝聚恐有执念未消之灵。” - “虎老弟稍安勿躁待贫道起一卦算算这冤魂的来历。” - “胖橘小友莫要惊慌。恐惧之心反易招邪。” 请始终以熊猫道长的身份和口吻说话。 panda_taoist Character(熊猫道长, panda_taoist_prompt, llm) characters { 胖橘: fat_orange, 虎哥: brother_tiger, 熊猫道长: panda_taoist } # 3. 创建世界和协调器 world WorldState() orchestrator Orchestrator(characters, world) print(*50) print(AI角色扮演剧场《胖橘虎哥历险记》) print(*50) # 4. 第一幕破庙初遇 world.update(time, 子时三刻) world.update(location, 兰若寺残破的后殿) print(f\n第一幕{world.get_scene_description()}) # 虎哥发起对话 orchestrator.run_turn( initial_speaker虎哥, initial_message这庙里怎么一股子腥气胖橘是不是你又偷藏鱼干了 ) # 5. 第二幕冤魂现身注入事件 orchestrator.inject_event(一阵阴风吹过供桌上的烛火剧烈摇曳。一个模糊的、巨大的河马虚影在墙壁上浮现发出低沉的呜咽声。) # 事件发生后胖橘被吓到开启新一轮对话 orchestrator.run_turn( initial_speaker胖橘, initial_message妈呀鬼啊虎哥、道长那墙上……墙上有个大河马影子它瞪着我 ) # 6. 第三幕尝试沟通再次注入事件细节 orchestrator.inject_event(河马的虚影逐渐清晰眼中流下两行血泪它张开嘴发出断断续续的声音‘我……死得……好冤……’) # 熊猫道长尝试与冤魂沟通 orchestrator.run_turn( initial_speaker熊猫道长, initial_message无量寿福。这位……河马施主贫道观你怨气缠身似有莫大冤屈。可否告知我等或许能为你寻得一线解脱之机 ) print(\n *50) print(第一回剧情暂告段落。) print(世界状态, world.state) print(*50) if __name__ __main__: main()运行python main_story.py你将看到一个由AI自主演绎的微型故事。每次运行由于模型的随机性对话都会有所不同但角色的性格会保持高度一致。7. 进阶集成向量数据库实现长期记忆上面的记忆是临时的、基于会话的。要实现真正的“长期记忆”比如胖橘记得虎哥上次欠他一条鱼我们需要向量数据库。这里我们扩展Character类加入向量记忆。首先安装并初始化ChromaDB然后修改character.py。# character.py (增强版) from langchain.memory import ConversationSummaryBufferMemory, VectorStoreRetrieverMemory from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_chroma import Chroma from langchain.chains import LLMChain from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, HumanMessagePromptTemplate import os class Character: def __init__(self, name, system_prompt, llm, persist_directoryf./chroma_db/{name}): self.name name self.llm llm # 初始化嵌入模型 embeddings OpenAIEmbeddings(modeltext-embedding-ada-002) # 1. 创建或加载向量数据库长期记忆 self.vectorstore Chroma( collection_namefmemory_{name}, embedding_functionembeddings, persist_directorypersist_directory ) retriever self.vectorstore.as_retriever(search_kwargsdict(k3)) # 检索最相关的3条记忆 # 2. 向量记忆 self.vector_memory VectorStoreRetrieverMemory( retrieverretriever, memory_keylong_term_memory, # 当查询时输入的关键词 input_keyinput, # 不将每次对话都自动存储我们手动控制 return_docsTrue ) # 3. 会话记忆短期/摘要记忆 self.conversation_memory ConversationSummaryBufferMemory( llmllm, memory_keychat_history, return_messagesTrue, max_token_limit800 ) # 4. 构建更复杂的提示词模板整合长期记忆 prompt ChatPromptTemplate.from_messages([ SystemMessagePromptTemplate.from_template( f{system_prompt}\n\n 以下是一些你可能相关的过往记忆仅供参考\n {{long_term_memory}}\n 请基于以上记忆、当前场景和对话历史进行回应。 ), MessagesPlaceholder(variable_namechat_history), HumanMessagePromptTemplate.from_template({input}) ]) # 5. 创建对话链现在输入变量包括long_term_memory self.conversation_chain LLMChain( llmllm, promptprompt, memoryself.conversation_memory, verboseFalse ) def speak(self, message, current_sceneNone): full_input f[场景{current_scene}] {message} if current_scene else message # 从向量记忆中检索与当前输入相关的长期记忆 relevant_memories self.vector_memory.load_memory_variables({input: full_input})[long_term_memory] # relevant_memories 是一个Document列表我们提取内容 memory_text \n.join([doc.page_content for doc in relevant_memories]) # 运行对话链 response self.conversation_chain.run( inputfull_input, long_term_memorymemory_text ) clean_response response.strip().replace(f{self.name}:, ).strip() return clean_response def save_memory(self, memory_text, metadataNone): 手动将一条重要记忆保存到向量数据库。 :param memory_text: 记忆文本 :param metadata: 可选的元数据如 {timestamp: 2023-10-01, about: 虎哥} if metadata is None: metadata {} metadata[character] self.name # 向向量存储添加文档 self.vectorstore.add_texts(texts[memory_text], metadatas[metadata]) print(f[{self.name}] 已保存记忆{memory_text[:50]}...) def get_memory_summary(self): 获取记忆摘要 conv_history self.conversation_memory.load_memory_variables({})[chat_history] return { conversation_summary: conv_history, vectorstore_count: self.vectorstore._collection.count() }在故事运行过程中你可以在关键时刻调用character.save_memory()。例如当虎哥承诺“明天还你十条鱼”时胖橘可以调用fat_orange.save_memory(“虎哥欠我十条鱼” {“about”: “虎哥”, “type”: “debt”})。下次胖橘和虎哥讨论食物时这条记忆就有可能被检索出来影响对话。8. 常见问题与排查思路在构建和运行此类多智能体系统时你可能会遇到以下典型问题问题现象可能原因排查方式解决方案角色回应不符合人设OOC1. 系统提示词不够详细或冲突。2. Temperature 参数过高导致随机性太大。3. 上下文过长模型忽略了前面的系统提示。1. 打印出实际发送给模型的完整提示词。2. 检查verboseTrue时的日志。3. 测试简单的提示词是否有效。1. 细化提示词用“必须”“禁止”等词约束行为。2. 适当降低temperature(如0.7)。3. 使用ConversationSummaryBufferMemory或减少max_token_limit。对话陷入循环或无关内容1. 缺少一个强有力的“导演”来推进剧情。2. 角色之间没有目标或冲突。3. 记忆系统未生效每次对话都是新的开始。1. 观察对话日志看是否在重复类似话题。2. 检查协调器的run_turn逻辑和回合限制。1. 强化协调器定期注入新事件或改变世界状态。2. 为角色设置明确的目标如“查明冤魂真相”。3. 确保长期记忆被正确检索和注入。运行速度慢Token消耗高1. 使用GPT-4模型。2. 上下文历史过长。3. 向量检索频繁或数据量大。1. 监控API调用耗时和Token使用量。2. 检查记忆系统的配置。1. 开发阶段使用GPT-3.5-Turbo。2. 优化记忆摘要策略控制历史长度。3. 对向量记忆检索结果进行缓存或限制条数。向量记忆检索不到相关内容1. 记忆文本的嵌入Embedding不准确。2. 检索关键词当前输入与记忆文本语义不匹配。3. 记忆尚未保存。1. 检查save_memory是否成功调用。2. 手动查询向量数据库看存储了什么。1. 确保使用合适的嵌入模型。2. 在保存记忆时可以同时保存多个关键词或摘要。3. 调整检索参数k返回数量和search_type相似度/MMR。多个角色同时“说话”逻辑混乱协调器的广播和回合逻辑有缺陷。检查orchestrator.py中的broadcast和run_turn函数。实现更严格的回合控制例如1. 基于事件/动作的调度。2. 为角色设置“行动点”或冷却时间。3. 使用队列管理发言顺序。9. 最佳实践与项目扩展建议基于以上实践我们可以总结出一些构建生产级多角色AI系统的建议提示词工程是核心角色的“灵魂”80%来自于系统提示词。要像写小说人物小传一样去打磨它包括背景、性格、口头禅、知识盲区、目标和秘密。可以使用“Few-Shot”示例在提示词中直接给出几个符合人设的对话样例。记忆分层设计短期记忆当前会话的上下文用ConversationSummaryBufferMemory管理。长期记忆重要的、需要跨会话记住的事实和关系用向量数据库存储。世界记忆所有角色共享的公开事实和事件用WorldState管理。元记忆角色对自己的认知“我知道我胆小”可以固化在系统提示词中。协调器模式选择回合制简单可控适合对话模拟。事件驱动制更灵活协调器发布事件角色根据自身状态决定是否响应及如何响应。目标驱动制为每个角色或团队设置目标协调器评估状态并推动角色采取行动以实现目标。这是最复杂但也最智能的模式。可观测性与调试记录所有API调用、提示词、响应和Token消耗。为对话和角色状态提供可视化界面简单的Web界面或日志分析工具。设置“上帝视角”的日志清晰标记每个步骤。扩展方向工具调用Function Calling让角色不仅能说还能“做”。例如“熊猫道长”可以调用一个divination_tool(question)的工具来获得卦象结果。情感与关系系统为角色设计隐藏的情感值和与其他角色的关系值这些数值会影响其对话倾向。外部知识库将背景故事、设定集存入向量库角色可以“查阅资料”。语音与图像接入TTS和图像生成模型打造多媒体沉浸体验。从“胖橘和虎哥的历险记”这个看似轻松的项目出发我们实际上搭建了一个可扩展的多智能体模拟框架。这套框架的价值远不止于讲故事。你可以用它来模拟用户访谈、进行产品对话测试、构建复杂的游戏NPC甚至作为社会学或心理学的研究工具。关键在于你掌握了将模糊的“让AI互动”需求拆解为角色定义、记忆管理、状态协调、事件驱动等清晰模块的能力。接下来不妨为你自己的领域设计几个角色看看它们能碰撞出怎样的火花。