假设你设计了一个 AI 军事助手，你很难让它去真的打一场仗来演示效果。
OpenArma 解决了这个问题 — 通过 Arma Reforger（一款拥有军事沙盘式环境的游戏），让 AI 指挥官在真实的战术环境中做出决策、下达命令、观察结果。你可以像"红色警戒"一样宏观控制，也可以扮演其中一名士兵，亲身体验 AI 的指挥效果。
始于战场，但不止于战场。OpenArma 的底层是一个通用的多智能体平台 — 你可以创建项目、配置智能体、接入自己的 LLM、设计多智能体协作拓扑。军事指挥只是第一个应用场景。
🌐 在线演示 | openarma.com | 对话分享示例
⚠️ 在线演示服务器将于 2026 年 5 月 20 日到期，届时如需体验请自行部署。
在 Web 界面创建一个智能体，赋予它指挥官的角色。你可以自定义它的系统提示词、行为规则、可用工具。
比如在测试中我们发现：AI 在遭遇敌人时，总是优先调用火炮进行打击 — 就像那位英国教授的论文里说的，21 场模拟战争中有 20 场 AI 都使用了核弹。AI 把这些武器视为效率极高的工具，而不是人类眼中的"最后手段"。所以我们可以通过规则限制 AI 的武器使用权，引导它执行包抄、侧翼迂回等战术。
在项目中新建一个对话，为不同阵营分配 AI 或人类控制：
- AI vs 人类：AI 指挥一方，你操控另一方
- AI vs AI：两个独立的 AI 指挥官对抗，各自只能看到己方侦察到的信息（战争迷雾）
你也可以将同一个智能体绑定不同的大模型，分别指挥两个阵营 — 实现同等条件下不同模型的对抗测试。
每个对话需要设置任务目标和作战区域。AI 指挥官围绕目标做出所有决策。
这是项目中最核心的设计之一：不是把所有信息都告诉 AI，而是给它工具，让它自己决定需要什么。
任务开始时，AI 会收到一份简报 — 基础的地形概况和兵力部署。如果它想了解更多：
- 想知道某个区域的建筑分布？调用工具，输入坐标，获取详细信息
- 想了解某条路线的隐蔽性？工具会告诉它植被覆盖率、地形遮蔽情况
- 想评估进攻路线？路径规划工具会综合通行性、掩蔽度、坡度给出建议
就像真正的指挥官一样：你不会一开始就阅读所有情报，而是根据需要去调取。
人类擅长读图，AI 擅长读文字。我们的方案是：把地图信息按区域划分成六角格，将每个格子内的植被、建筑、地势转化为文字描述，然后向量化。
这些信息的源头非常精细 — 每棵树的坐标和大小、每栋建筑的朝向和尺寸、每条道路的宽度和路径。基于这些原始数据，系统可以生成：
- 植被密度图 — 哪里是密林，哪里是开阔地
- 建筑分布 — 城镇还是村庄，驻防价值如何
- 通行性分析 — 坦克能不能过，步兵走这条路要多久
- 隐蔽性评估 — 进攻选隐蔽路线，防守重点巡逻隐蔽区域
- 通视域分析 — 从这个山头能看到多远
- 更多专题图层...
单个 AI 指挥官一个人干所有活，效果有限。所以我们设计了多智能体协作：
你可以搭建一个"参谋部" — 比如一个植被信息参谋负责提供原始地理数据，一个路径参谋善于多角度制定路线，一个假想敌参谋会模拟敌方可能的计划。他们各自分析后，汇总给参谋长，参谋长综合所有信息做出最终决策。
整个参谋部的结构可以完全自定义：谁和谁讨论、讨论几轮、是相互辩论还是逐级汇报 — 通过可视化的 DAG 拓扑编辑器拖拽构建。
任务结束后，AI 会像人类一样进行复盘：
- 如果伤亡率高，分析哪个阶段的决策可能导致了伤亡
- 如果任务失败，记录失败原因和建议
这些经验存入知识库，向量化。下一场任务时，AI 可以检索到类似情况下的历史教训。经验库还会统计每种决策的成功/失败次数 — 某个战术多次使用效果不好，AI 就会自动规避。
两套知识库：一套客观的地图数据（每次根据任务目标获取不同信息），一套跨任务的经验库（让 AI 学习历史教训）。
| 功能 | 说明 |
|---|---|
| 多智能体协作 | 可视化 DAG 拓扑编辑器，自定义协作流程（讨论 / 汇报 / 投票） |
| 知识库 (RAG) | 文档上传 → 向量化 → 语义检索，按需绑定到智能体 |
| LLM 服务商管理 | 自带 API Key，预设 DeepSeek / OpenAI / Anthropic / Gemini 等 10+ 服务商 |
| 工具调用 | 内置工具 + MCP 服务器集成，智能体自主决定何时调用 |
| 对话分支 | 编辑重发、重新生成、分支导航 |
| 资源系统 | 智能体 / 知识库 / 拓扑 — 全局资源，支持私有 / 公开 / 官方 |
| 社区展示 | 浏览和一键克隆公开资源 |
| 用量追踪 | Token 消耗、费用估算、调用明细 |
| 功能 | 说明 |
|---|---|
| AI vs 人类 | AI 指挥一方，人类操控另一方 |
| AI vs AI | 两个独立 AI 指挥官，战争迷雾 |
| Web 控制面板 | 启停、阵营配置、决策间隔 — 全部浏览器操作 |
| 地形感知 | H3 六角格分析、A* 路径规划、多种专题图层 |
| 地图系统 | 瓦片式查看器、六位军用坐标、山体阴影 |
| 战斗回放 | 逐帧复盘，还原任务全过程 |
| 模组 | 说明 | 仓库 |
|---|---|---|
| OpenArma Mod Main | 核心模组 — AI 指挥官运行时 | GitHub |
| OpenArma Mod MapExporter | Workbench 地图数据导出 | GitHub |
| OpenArma Mod MapScanner | 游戏内地图扫描 | GitHub |
┌──────────────────────────────────────────────────────────┐
│ Next.js 前端 │
│ 项目管理 · 对话 · 智能体配置 · 拓扑编辑器 · 知识库 │
│ LLM 管理 · 用量仪表盘 · 管理后台 · 国际化 · 暗色模式 │
└────────────────────────┬─────────────────────────────────┘
│
┌────────────────────────┴─────────────────────────────────┐
│ FastAPI 后端 (基于 fba) │
│ 认证 · 插件 · 异步任务 · SSE 流式 · 可观测性 │
├──────────────────────────────────────────────────────────┤
│ 对话引擎 (LangGraph + LiteLLM) │
│ 单/多智能体 · DAG 拓扑 · 工具调用 · RAG 检索 │
├──────────────────────────────────────────────────────────┤
│ Arma 集成层 (Open API) │
│ 指挥端点 · 战斗状态机 · 消息队列 · 地图工具 │
└────────────────────────┬─────────────────────────────────┘
│
┌────────────────────────┴─────────────────────────────────┐
│ PostgreSQL · Redis · RabbitMQ · Qdrant · MinIO │
│ Grafana · Prometheus · Tempo · Loki │
└──────────────────────────────────────────────────────────┘
| 层级 | 技术 |
|---|---|
| 前端 | Next.js 16 · React 19 · shadcn/ui · Tailwind CSS 4 · Zustand · React Flow |
| 后端 | FastAPI (fba) · SQLAlchemy 2 · Pydantic v2 · Celery · Alembic |
| AI 引擎 | LangGraph · LiteLLM · Qdrant |
| 数据库 | PostgreSQL 16 (pgvector) · Redis · RabbitMQ |
| 存储 | MinIO (S3 兼容) |
| 可观测性 | Grafana · Prometheus · Tempo · Loki |
| 部署 | Docker Compose · Nginx |
- Python 3.10+
- Node.js 18+ & pnpm
- PostgreSQL 16+（pgvector 扩展）
- Redis
- uv
uv sync
cp backend/.env.example backend/.env
# 编辑 .env，填入数据库配置
fba init --auto
fba runcd frontend
pnpm install
pnpm devcp deploy/backend/docker-compose/.env.server.example deploy/backend/docker-compose/.env.server
# 编辑 .env.server
docker compose build
docker compose up -d详细部署文档参见 DEPLOY.md。
openarma/
├── backend/ # FastAPI 后端
│ └── app/
│ ├── agent/ # 智能体配置
│ ├── conversation/ # 对话引擎 (LangGraph)
│ ├── knowledge/ # 知识库 + RAG
│ ├── llm/ # LLM 服务商
│ ├── map/ # 地图数据 + 地形分析
│ ├── open/ # Arma Open API
│ ├── topology/ # DAG 拓扑
│ └── ...
├── frontend/ # Next.js 前端
├── deploy/ # 部署配置
├── docker-compose.yml
└── pyproject.toml
欢迎所有形式的贡献！
- Fork 本仓库
- 创建分支：
git checkout -b feature/your-feature - 提交更改：
git commit -m '添加 xxx 功能' - 推送 & 创建 Pull Request
本项目仅用于学术研究和技术演示目的。项目中涉及的军事场景均在虚拟游戏环境中模拟，不涉及任何真实军事应用。使用者应遵守所在地区的法律法规。
本项目基于 MIT License 开源。
- fastapi_best_architecture — 后端基础框架
- LINUX DO — 社区支持与交流
AI Military Commander — A configurable multi-agent platform with Arma Reforger as the first battlefield.
Imagine you've built an AI military assistant — how do you demonstrate it? You can't exactly send it to a real battlefield.
OpenArma solves this by connecting to Arma Reforger, a military sandbox game. The AI commander observes the battlefield, makes tactical decisions, and issues orders to virtual troops in real-time. You can watch from above like a strategy game, or drop in as one of the soldiers to experience the AI's commands firsthand.
Under the hood, OpenArma is a general-purpose multi-agent platform — create projects, configure agents with custom prompts/tools/knowledge, connect your own LLMs, and design collaboration topologies. Military command is just the first application.
🌐 Live Demo | openarma.com | Shared conversation example
⚠️ The demo server expires on May 20, 2026. After that, please deploy your own instance to try it out.
Design your AI commander — Create an agent with custom system prompts, behavior rules, and tools. Discovered that AI always calls in artillery strikes? Add rules to restrict weapon usage and encourage flanking maneuvers.
Set up the battle — AI vs Human, or AI vs AI with fog of war. Each side only sees what their own scouts detect. You can even pit different LLM models against each other under identical conditions.
Let AI decide what it needs — Instead of dumping all information on the AI, we give it tools. It decides when to query building layouts, check terrain concealment, or plan routes. Just like a real commander requesting intelligence.
Learn from experience — After each mission, the AI reviews outcomes: what worked, what caused casualties, which decisions to avoid. These lessons are stored in a vector knowledge base for future missions.
| Category | Features |
|---|---|
| Platform | Multi-agent collaboration · Visual DAG topology editor · RAG knowledge base · 10+ LLM providers · MCP tool integration · Conversation branching · Usage tracking |
| Arma Integration | AI vs Human / AI vs AI · Fog of war · Web control panel · H3 terrain analysis · A* pathfinding · Thematic map layers · Military grid coordinates |
| Mod | Description | Repository |
|---|---|---|
| Main | Core mod — AI commander runtime | GitHub |
| MapExporter | Workbench map data export | GitHub |
| MapScanner | In-game map scanning | GitHub |
| Layer | Technology |
|---|---|
| Frontend | Next.js 16 · React 19 · shadcn/ui · Tailwind CSS 4 · Zustand · React Flow |
| Backend | FastAPI (fba) · SQLAlchemy 2 · Pydantic v2 · Celery · Alembic |
| AI Engine | LangGraph · LiteLLM · Qdrant |
| Database | PostgreSQL 16 (pgvector) · Redis · RabbitMQ |
| Storage | MinIO (S3-compatible) |
| Deployment | Docker Compose · Nginx |
uv sync
cp backend/.env.example backend/.env
# Edit .env with your database config
fba init --auto
fba runcd frontend
pnpm install
pnpm devcp deploy/backend/docker-compose/.env.server.example deploy/backend/docker-compose/.env.server
# Edit .env.server with production credentials
docker compose build
docker compose up -dThis project is for academic research and technical demonstration only. All military scenarios are simulated in a virtual game environment and involve no real-world military applications.
- fastapi_best_architecture — Backend foundation
- LINUX DO — Community support