这是一个基于大语言模型（LLM）和多智能体框架 AgentScope 构建的狼人杀游戏系统。9 个 AI 智能体将扮演不同角色（狼人、村民、预言家、女巫、猎人），通过自然语言进行推理、讨论、投票，展现出复杂的策略博弈和社交推理能力，并提供 Web 控制台用于启动/停止游戏与实时查看对局日志。
- 🤖 智能 AI 玩家：基于 LLM 的智能体，具备推理、欺骗、协作能力
- 🎭 完整角色系统：支持狼人、村民、预言家、女巫、猎人等经典角色
- 📝 详细游戏日志：自动记录每局游戏的完整过程，便于分析和回放
- 🔄 玩家经验：实时更新并保存玩家的游戏经验
- 🌐 多模型支持：兼容 DashScope（通义千问）、OpenAI等多种 LLM
- ⚡ 异步并行+节流：投票、回合反思环节使用 asyncio 并行调用，并通过小幅延迟平滑请求，降低模型端瞬时压力
- ✅ 完整的狼人杀游戏流程（夜晚/白天阶段）
- ✅ 9 个角色的独立行为逻辑
- ✅ 智能体之间的自然语言交互
- ✅ 游戏状态管理和胜负判定
- ✅ 详细的游戏日志记录系统（自动标记结束状态，异常终止亦会落盘）
- ✅ 玩家经验更新与保存
- ✅ 多 LLM 提供商支持
- ✅ 玩家画像和对手建模
- ✅ AI 智能体自主学习和策略优化
- ✅ 经验和策略知识库
- ✅ Web 控制台：日志列表/查看、自动刷新、启动/停止游戏
- ✅ 基于日志的深度数据分析（心理分析、社交网络分析）
推荐使用 uv 快速管理环境：
git clone https://github.com/KeLuoJun/WolfMind.git
cd WolfMind
# 使用 uv 同步环境（自动创建虚拟环境并安装依赖）
uv sync首先，根据模板创建配置文件：
# Windows
copy backend\.env.example backend\.env
# Linux / macOS
cp backend/.env.example backend/.env编辑 backend/.env，根据需要配置模型提供商与 API Key：
# dashscope / openai / ollama
MODEL_PROVIDER=dashscope- DashScope：设置
DASHSCOPE_API_KEY - OpenAI 兼容：设置
OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL_NAME - Ollama：确保本地已安装 Ollama 并拉取模型（通常不需要 API Key）
# 可选：启用 AgentScope Studio 可视化
ENABLE_STUDIO=false
# 可选：游戏结束后自动生成分析报告
AUTO_ANALYZE=falseOPENAI_PLAYER_MODE=single|per-player
single（默认）：9 位玩家共用全局 OpenAI 配置per-player：需要同时填写OPENAI_API_KEY_P1..P9、OPENAI_BASE_URL_P1..P9、OPENAI_MODEL_NAME_P1..P9
# 使用 uv 运行前端服务器
uv run python frontend/server.py打开浏览器访问：http://localhost:8080。
提示：启动后也可以在页面上直接配置模型信息，点击“启动游戏”即可实时查看日志。
uv run python backend/main.pyWolfMind/
├── backend/ # 后端核心
│ ├── main.py # 入口：启动一局完整对局
│ ├── config.py # 配置加载/校验/脱敏打印
│ ├── core/ # 核心引擎与日志/记忆
│ │ ├── game_engine.py
│ │ ├── game_logger.py
│ │ ├── knowledge_base.py
│ │ └── utils.py
│ ├── models/ # 角色与 Pydantic 结构
│ │ ├── roles.py
│ │ └── schemas.py
│ ├── prompts/ # 主持人与角色提示词
│ │ ├── game_prompts.py
│ │ └── role_prompts.py
│ ├── analysis/ # 日志解析与分析Pipeline
│ │ ├── __main__.py
│ │ ├── pipeline.py
│ │ ├── agents.py
│ │ └── log_parser.py
│ ├── .env.example
│ └── requirements.txt
├── data/ # 运行期数据（对局日志/经验/分析报告）
│ ├── game_logs/
│ ├── experiences/
│ └── analysis_reports/
├── frontend/ # Web 控制台与日志查看
│ ├── index.html
│ ├── script.js
│ ├── styles.css
│ └── server.py
└── README.md
- 日志目录：
data/game_logs/（默认game_<timestamp>.log） - 经验存档：
data/experiences/players_experience_<timestamp>.json - 终止保护：即便通过控制台“停止游戏”强制结束进程，也会在最新日志尾部追加收口块（结束时间、异常终止标记等），避免日志缺尾
将 .env 中 AUTO_ANALYZE=true，游戏结束后会自动生成 HTML 报告到 data/analysis_reports/。
uv run python -m backend.analysis \
--log data/game_logs/game_xxxx.log \
--experience data/experiences/players_experience_xxxx.json参数：
--log：必填，游戏日志文件路径--experience：可选，玩家经验文件路径--out：可选，输出 HTML 路径（默认data/analysis_reports/report_<timestamp>.html）
对局示例文件位于 static/：
- 狼人（3）：夜晚选择击杀目标，白天隐藏身份误导
- 村民（3）：通过讨论与投票找出狼人
- 预言家（1）：夜晚查验一名玩家身份
- 女巫（1）：解药（救人）与毒药（杀人）各一次（同夜不可双药）
- 猎人（1）：被淘汰时可开枪带走一人
- 夜晚：狼人投票击杀 → 女巫用药（可选） → 预言家查验 →（猎人若被刀，可立即开枪）
- 白天：公布死亡 → 依次发言 → 公开投票 → 平票最多 3 轮 PK（再平票按姓名顺位淘汰） →（猎人若被投出，可开枪）
- 胜负：清空狼队则好人胜；若神职或平民一侧被清空，或狼人数量达到存活人数一半，则狼人胜
- 多智能体框架：AgentScope
- 大语言模型：DashScope / OpenAI / Ollama
- 环境管理：uv
- 编程语言：Python 3.8+
- 数据验证：Pydantic
- 异步编程：asyncio
如果这个项目对你有帮助，请给个 ⭐️ Star 支持一下！
Made with ❤️ by the Werewolf AI Team
