❝

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。

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，感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