multi-agent
# Multi-Agent Writer
三阶段多智能体写作流水线：
1. **热点抓取** — DuckDuckGo 搜索近7天实时新闻，LLM 筛选推荐选题
2. **文章撰写** — WriterAgent 生成微信公众号风格文章（含3组备选标题）
3. **审校循环** — ReviewerAgent 按5维度打分，低于通过线则自动触发修改，最多 N 轮
项目已安装至：`<INSTALL_DIR>`
---
## 快速调用
### Demo 模式（无需 API Key，约1秒完成）
```bash
cd <INSTALL_DIR>
python main.py --demo
python main.py --demo --topic "量子计算" --words 800
```
### 生产模式（需要 `.env` 配置 LLM API Key）
```bash
cd <INSTALL_DIR>
python main.py --topic "AI" --words 1000 --pass-threshold 85
```
---
## 全部 CLI 参数
| 参数 | 类型 | 默认值 | 说明 |
|------|------|--------|------|
| `--topic` | str | `"AI"` | 关注的领域/话题 |
| `--count` | int | `5` | 抓取热点数量 |
| `--style` | str | `"深度分析"` | 文章写作风格 |
| `--words` | int | `1000` | 目标字数 |
| `--max-revisions` | int | `2` | 最大审校-修改轮次 |
| `--pass-threshold` | int | `85` | 审校通过最低分（1-100） |
| `--output` | str | `"output.json"` | 输出文件路径 |
| `--demo` | flag | `False` | 使用 Mock LLM，无需 API |
---
## 输出文件
| 文件 | 格式 | 内容 |
|------|------|------|
| `output.json` | JSON | 完整结果：热点、文章、审校历史、耗时 |
| `output.md` | Markdown | 可直接复制的文章正文 |
| `experiments.tsv` | TSV | 追加实验记录（分数、状态、通过线等） |
---
## Python 程序化调用
```python
import sys
sys.path.insert(0, "<INSTALL_DIR>")
from orchestrator import Orchestrator
from base_agent import LLMClient
from config import ReviewConfig, LLMConfig
from search import DuckDuckGoSearchClient
llm_config = LLMConfig.from_env()
llm = LLMClient(
api_key=llm_config.api_key,
base_url=llm_config.base_url,
model=llm_config.model,
api_style=llm_config.api_style,
)
orchestrator = Orchestrator(
llm=llm,
max_revisions=2,
review_config=ReviewConfig(pass_threshold=85),
search_client=DuckDuckGoSearchClient(),
)
result = orchestrator.run(
topic="AI",
hotspot_count=5,
article_style="深度分析",
article_word_count=1000,
)
print(result.final_article["title"])
print(result.final_article["content"])
```
---
## 审校维度（5维，共100分）
| 维度 | 权重 | 说明 |
|------|------|------|
| 内容洞察力 | 30分 | 新颖观点、信息价值 |
| 可读性 | 25分 | 短段落、移动端友好 |
| 标题吸引力 | 20分 | 点击率、情绪共鸣 |
| 结构流畅性 | 15分 | 开篇钩子、逻辑递进 |
| 准确性 | 10分 | 事实正确 |
---
## 环境配置（`.env` 文件）
```bash
LLM_API_KEY=your-api-key
LLM_BASE_URL=https://api.moonshot.cn/v1 # 可选
LLM_MODEL=moonshot-v1-8k # 可选
LLM_API_STYLE=openai # openai 或 anthropic
```
支持：Kimi、DeepSeek、OpenAI、Claude、Qwen、GLM、Ollama 等兼容 OpenAI/Anthropic API 的模型。
---
## 常见场景
```bash
# 生成科技领域热点文章
python main.py --topic "AI大模型" --words 1500 --style "深度分析"
# 严格评分 A/B 测试
python main.py --demo --pass-threshold 90 --description "strict_90"
python main.py --demo --pass-threshold 75 --description "loose_75"
# 运行测试（验证系统完整性）
cd <INSTALL_DIR> && pytest
```
---
## 关键文件
```
<INSTALL_DIR>/
├── main.py # CLI 入口
├── orchestrator.py # 工作流协调器
├── agents.py # 3个业务智能体
├── base_agent.py # LLMClient、BaseAgent 框架
├── config.py # 配置类
├── search.py # DuckDuckGo 搜索封装
└── tests/
```
标签
skill
ai
