基于 LangGraph 和 MCP (Model Context Protocol) 的红色警戒智能游戏助手，提供完整的异步架构和多模态AI控制能力。
- 🤖 智能决策系统: 基于 LangGraph 的状态图工作流，支持复杂的游戏策略决策
- ⚡ 异步架构: 完全异步化设计，支持高并发任务处理和实时响应
- 🔧 MCP 工具集: 丰富的游戏控制工具，包括单位控制、生产管理、情报收集等
- 📊 Token 追踪: 完整的 LLM Token 使用统计和成本分析系统
- 📈 任务调度: 智能任务管理和并发控制系统
RedAlert/
├── graph/ # LangGraph 工作流核心
│ ├── base_node.py # 基础节点类
│ ├── classify.py # 意图分类节点
│ ├── camera.py # 视觉识别节点
│ ├── production.py # 生产管理节点
│ ├── unit_control.py # 单位控制节点
│ ├── intelligence.py # 情报收集节点
│ └── token_tracker.py # Token 使用追踪
├── mcp_tools/ # MCP 工具服务器
│ ├── fight_mcp_server.py # 战斗控制工具
│ ├── produce_mcp_server.py # 生产管理工具
│ ├── unit_mcp_server.py # 单位管理工具
│ ├── info_mcp_server.py # 信息查询工具
│ └── camera_mcp_server.py # 视觉识别工具
├── task_scheduler/ # 任务调度系统
├── config/ # 配置管理
└── logs/ # 日志系统
- Python: 3.10+
- 操作系统: Windows (支持 OpenRA 游戏)
- 内存: 建议 8GB+
- GPU: 可选，用于视觉识别加速
- OpenRA 游戏: 确保已安装并能正常运行 OpenRA
- Python 3.10+: 推荐使用 Python 3.11
- API 密钥: 至少需要一个 LLM 服务的 API 密钥
git clone <repository-url>
cd RedAlert# 创建虚拟环境
python -m venv .venv
# 激活虚拟环境
.venv\Scripts\activate # Windows
# 或
source .venv/bin/activate # Linux/macOS# 升级 pip
python -m pip install --upgrade pip
# 安装项目依赖
pip install -r requirements.txt复制示例配置文件并编辑：
copy .env_example .env # Windows
# 或
cp .env_example .env # Linux/macOS编辑 .env 文件，配置你的 API 密钥：
# OpenAI API 配置 (推荐)
OPENAI_API_KEY=sk-your-openai-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1
# DeepSeek API 配置 (经济实惠的选择)
DEEPSEEK_API_KEY=your-deepseek-api-key-here
DEEPSEEK_BASE_URL=https://api.deepseek.com
# 模型配置
MODEL_NAME=gpt-4o-mini # 或 deepseek-chat
# 游戏配置 (可选)
OPENRA_LOG_PATH=C:\Users\YourName\AppData\Roaming\OpenRA\Logs- 启动 OpenRA 游戏
- 选择 "Red Alert" 模组
- 开始一局游戏（单人或多人）
启动mcp服务器
cd mcp_tools
python start.py启动助手
# 标准模式启动 (推荐新手)
python main.py
# 或指定启动模式
python main.py --mode stdio --log-level INFO启动成功后,可以尝试输入一些基础指令：
>>> 查看当前游戏状态
>>> 建造一个电厂
>>> 生产5个步兵
>>> 帮我分析当前局势
# 标准输入输出模式 (默认，适合开发和调试)
python main.py --mode stdio
# SSE 流式模式 (适合 Web 集成)
python main.py --mode sse
# HTTP API 模式 (适合外部调用)
python main.py --mode http
# 调试模式 (显示详细日志)
python main.py --log-level DEBUG问题 1: ModuleNotFoundError
# 确保虚拟环境已激活
.venv\Scripts\activate
pip install -r requirements.txt问题 2: API 密钥错误
# 检查 .env 文件配置
python validate_config.py问题 3: OpenRA 连接失败
- 确保 OpenRA 游戏正在运行
- 检查游戏日志路径配置是否正确
问题 4: 权限错误
# 以管理员身份运行 (Windows)
# 或检查文件权限 (Linux/macOS)- 意图分类: 自动识别用户指令类型（生产、战斗、侦察等）
- 状态管理: 基于 LangGraph 的全局状态跟踪
- 工作流编排: 复杂任务的自动分解和执行
- 单位编组: 智能单位分组和阵型管理
- 战术执行: 攻击、防守、撤退等战术指令
- 目标识别: 自动识别和优先攻击目标
- 建筑建造: 自动选择最优建造位置
- 单位生产: 智能生产队列管理
- 资源优化: 基于当前资源状况的生产决策
- 屏幕分析: 实时游戏画面识别
- 单位检测: 自动识别友军和敌军单位
- 地图分析: 地形和资源点识别
- Token 统计: 详细的 LLM 使用统计和成本分析
- 性能监控: 系统性能和响应时间监控
- 日志记录: 完整的操作日志和错误追踪
>>> 建造一个电厂
>>> 生产5个步兵
>>> 攻击敌人基地
>>> 查看当前资源状况
>>> 侦察地图右上角
>>> 创建一个攻击编组，包含坦克和步兵
>>> 在主基地周围建立防御阵地
>>> 分析当前战场形势
>>> 制定经济发展策略
系统内置完整的 Token 追踪功能：
from graph.token_stats import show_session_summary, show_cost_analysis
# 查看会话统计
show_session_summary()
# 查看成本分析
show_cost_analysis()
# 导出详细报告
export_report()- 核心框架: LangGraph, LangChain
- 异步处理: asyncio, aiohttp
- MCP 协议: Model Context Protocol
- AI 模型: OpenAI GPT, DeepSeek, Claude 等
- 游戏接口: OpenRA Game API
- 日志系统: 结构化日志和性能监控
- 在
mcp_tools/目录创建新的服务器文件 - 继承
BaseNode类实现业务逻辑 - 在
config/config.py中注册新工具
- 在
graph/目录创建新节点类 - 实现
process方法定义节点逻辑 - 在
graph.py中添加到状态图
- MCP 连接失败: 检查 MCP 服务器是否正常启动
- API 调用错误: 验证
.env文件中的 API 密钥配置 - 游戏连接问题: 确保 OpenRA 游戏正在运行
# 查看系统日志
tail -f logs/system.log
# 查看 Token 使用日志
tail -f graph/logs/token_usage.jsonl- Fork 项目仓库
- 创建功能分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 创建 Pull Request
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。