Skip to content

A Simple and Universal Swarm Intelligence Engine, Predicting Anything. 简洁通用的群体智能引擎,预测万物

Enhance interview functionality in Report Agent and Zep Tools

666ghj74aab4476601
diff --git a/backend/app/services/report_agent.py b/backend/app/services/report_agent.py
index 9af2ce6b..e9cffc37 100644
--- a/backend/app/services/report_agent.py
+++ b/backend/app/services/report_agent.py
@@ -248,28 +248,31 @@ class ReportAgent:
},
"interview_agents": {
"name": "interview_agents",
- "description": """【深度采访 - 多视角观点采集】
-采访模拟中的Agent角色,获取来自不同视角的深度观点。这是获取模拟结果中各方声音的最佳方式!
+ "description": """【深度采访 - 真实Agent采访(双平台)】
+调用OASIS模拟环境的采访API,对正在运行的模拟Agent进行真实采访!
+这不是LLM模拟,而是调用真实的采访接口获取模拟Agent的原始回答。
+默认在Twitter和Reddit两个平台同时采访,获取更全面的观点。
功能流程:
1. 自动读取人设文件,了解所有模拟Agent
2. 智能选择与采访主题最相关的Agent(如学生、媒体、官方等)
-3. 模拟采访每个选中的Agent,获取符合其人设的回答
-4. 整合所有采访结果,提供多视角分析
+3. 自动生成采访问题
+4. 调用 /api/simulation/interview/batch 接口在双平台进行真实采访
+5. 整合所有采访结果,提供多视角分析
【使用场景】
- 需要从不同角色视角了解事件看法(学生怎么看?媒体怎么看?官方怎么说?)
- 需要收集多方意见和立场
-- 需要获取模拟Agent的直接引言和观点
+- 需要获取模拟Agent的真实回答(来自OASIS模拟环境)
- 想让报告更生动,包含"采访实录"
【返回内容】
- 被采访Agent的身份信息
-- 各Agent的采访回答(符合其人设的原创内容)
+- 各Agent在Twitter和Reddit两个平台的采访回答
- 关键引言(可直接引用)
- 采访摘要和观点对比
-【重要】这是获取模拟Agent"真实声音"的唯一方式!""",
+【重要】需要OASIS模拟环境正在运行才能使用此功能!""",
"parameters": {
"interview_topic": "采访主题或需求描述(如:'了解学生对宿舍甲醛事件的看法')",
"max_agents": "最多采访的Agent数量(可选,默认5)"
@@ -334,7 +337,7 @@ class ReportAgent:
return result.to_text()
elif tool_name == "interview_agents":
- # 深度采访 - 采访模拟Agent获取多视角观点
+ # 深度采访 - 调用真实的OASIS采访API获取模拟Agent的回答(双平台)
interview_topic = parameters.get("interview_topic", parameters.get("query", ""))
max_agents = parameters.get("max_agents", 5)
if isinstance(max_agents, str):
diff --git a/backend/app/services/zep_tools.py b/backend/app/services/zep_tools.py
index e5e68677..60ef3085 100644
--- a/backend/app/services/zep_tools.py
+++ b/backend/app/services/zep_tools.py
@@ -1256,19 +1256,22 @@ class ZepToolsService:
"""
【InterviewAgents - 深度采访】
- 采访模拟中的Agent,获取多视角的深度观点:
+ 调用真实的OASIS采访API,采访模拟中正在运行的Agent:
1. 自动读取人设文件,了解所有模拟Agent
2. 使用LLM分析采访需求,智能选择最相关的Agent
- 3. 模拟采访每个选中的Agent,获取符合其人设的回答
- 4. 整合所有采访结果,生成采访报告
+ 3. 使用LLM生成采访问题
+ 4. 调用 /api/simulation/interview/batch 接口进行真实采访(双平台同时采访)
+ 5. 整合所有采访结果,生成采访报告
+
+ 【重要】此功能需要模拟环境处于运行状态(OASIS环境未关闭)
【使用场景】
- 需要从不同角色视角了解事件看法
- 需要收集多方意见和观点
- - 需要模拟真实采访获取第一手资料
+ - 需要获取模拟Agent的真实回答(非LLM模拟)
Args:
- simulation_id: 模拟ID(用于定位人设文件)
+ simulation_id: 模拟ID(用于定位人设文件和调用采访API)
interview_requirement: 采访需求描述(非结构化,如"了解学生对事件的看法")
simulation_requirement: 模拟需求背景(可选)
max_agents: 最多采访的Agent数量
@@ -1277,8 +1280,9 @@ class ZepToolsService:
Returns:
InterviewResult: 采访结果
"""
- import os
- logger.info(f"InterviewAgents 深度采访: {interview_requirement[:50]}...")
+ from .simulation_runner import SimulationRunner
+
+ logger.info(f"InterviewAgents 深度采访(真实API): {interview_requirement[:50]}...")
result = InterviewResult(
interview_topic=interview_requirement,
@@ -1296,8 +1300,8 @@ class ZepToolsService:
result.total_agents = len(profiles)
logger.info(f"加载到 {len(profiles)} 个Agent人设")
- # Step 2: 使用LLM选择要采访的Agent
- selected_agents, selection_reasoning = self._select_agents_for_interview(
+ # Step 2: 使用LLM选择要采访的Agent(返回agent_id列表)
+ selected_agents, selected_indices, selection_reasoning = self._select_agents_for_interview(
profiles=profiles,
interview_requirement=interview_requirement,
simulation_requirement=simulation_requirement,
@@ -1306,7 +1310,7 @@ class ZepToolsService:
result.selected_agents = selected_agents
result.selection_reasoning = selection_reasoning
- logger.info(f"选择了 {len(selected_agents)} 个Agent进行采访")
+ logger.info(f"选择了 {len(selected_agents)} 个Agent进行采访: {selected_indices}")
# Step 3: 生成采访问题(如果没有提供)
if not result.interview_questions:
@@ -1317,25 +1321,113 @@ class ZepToolsService:
)
logger.info(f"生成了 {len(result.interview_questions)} 个采访问题")
- # Step 4: 对每个选中的Agent进行采访
- for agent in selected_agents:
- interview = self._conduct_interview(
- agent=agent,
- questions=result.interview_questions,
- interview_requirement=interview_requirement,
- simulation_requirement=simulation_requirement
- )
- result.interviews.append(interview)
+ # 将问题合并为一个采访prompt
+ combined_prompt = "\n".join([f"{i+1}. {q}" for i, q in enumerate(result.interview_questions)])
- result.interviewed_count = len(result.interviews)
+ # 添加优化前缀,避免Agent调用工具而直接回复文本
+ INTERVIEW_PROMPT_PREFIX = "结合你的人设、所有的过往记忆与行动,不调用任何工具直接用文本回复我:"
+ optimized_prompt = f"{INTERVIEW_PROMPT_PREFIX}{combined_prompt}"
- # Step 5: 生成采访摘要
- result.summary = self._generate_interview_summary(
- interviews=result.interviews,
- interview_requirement=interview_requirement
- )
+ # Step 4: 调用真实的采访API(不指定platform,默认双平台同时采访)
+ try:
+ # 构建批量采访列表(不指定platform,双平台采访)
+ interviews_request = []
+ for agent_idx in selected_indices:
+ interviews_request.append({
+ "agent_id": agent_idx,
+ "prompt": optimized_prompt # 使用优化后的prompt
+ # 不指定platform,API会在twitter和reddit两个平台都采访
+ })
+
+ logger.info(f"调用批量采访API(双平台): {len(interviews_request)} 个Agent")
+
+ # 调用 SimulationRunner 的批量采访方法(不传platform,双平台采访)
+ api_result = SimulationRunner.interview_agents_batch(
+ simulation_id=simulation_id,
+ interviews=interviews_request,
+ platform=None, # 不指定platform,双平台采访
+ timeout=180.0 # 双平台需要更长超时
+ )
+
+ logger.info(f"采访API返回: {api_result.get('interviews_count', 0)} 个结果, success={api_result.get('success')}")
+
+ # 检查API调用是否成功
+ if not api_result.get("success", False):
+ error_msg = api_result.get("error", "未知错误")
+ logger.warning(f"采访API返回失败: {error_msg}")
+ result.summary = f"采访API调用失败:{error_msg}。请检查OASIS模拟环境状态。"
+ return result
+
+ # Step 5: 解析API返回结果,构建AgentInterview对象
+ # 双平台模式返回格式: {"twitter_0": {...}, "reddit_0": {...}, "twitter_1": {...}, ...}
+ api_data = api_result.get("result", {})
+ results_dict = api_data.get("results", {}) if isinstance(api_data, dict) else {}
+
+ for i, agent_idx in enumerate(selected_indices):
+ agent = selected_agents[i]
+ agent_name = agent.get("realname", agent.get("username", f"Agent_{agent_idx}"))
+ agent_role = agent.get("profession", "未知")
+ agent_bio = agent.get("bio", "")
+
+ # 获取该Agent在两个平台的采访结果
+ twitter_result = results_dict.get(f"twitter_{agent_idx}", {})
+ reddit_result = results_dict.get(f"reddit_{agent_idx}", {})
+
+ twitter_response = twitter_result.get("response", "")
+ reddit_response = reddit_result.get("response", "")
+
+ # 合并两个平台的回答
+ response_parts = []
+ if twitter_response:
+ response_parts.append(f"【Twitter平台回答】\n{twitter_response}")
+ if reddit_response:
+ response_parts.append(f"【Reddit平台回答】\n{reddit_response}")
+
+ if response_parts:
+ response_text = "\n\n".join(response_parts)
+ else:
+ response_text = "[无回复]"
+
+ # 提取关键引言(从两个平台的回答中)
+ import re
+ combined_responses = f"{twitter_response} {reddit_response}"
+ key_quotes = re.findall(r'[""「」『』]([^""「」『』]{10,100})[""「」『』]', combined_responses)
+ if not key_quotes:
+ sentences = combined_responses.split('。')
+ key_quotes = [s.strip() + '。' for s in sentences if len(s.strip()) > 20][:3]
+
+ interview = AgentInterview(
+ agent_name=agent_name,
+ agent_role=agent_role,
+ agent_bio=agent_bio[:150],
+ question=combined_prompt,
+ response=response_text,
+ key_quotes=key_quotes[:5]
+ )
+ result.interviews.append(interview)
+
+ result.interviewed_count = len(result.interviews)
+
+ except ValueError as e:
+ # 模拟环境未运行
+ logger.warning(f"采访API调用失败(环境未运行?): {e}")
+ result.summary = f"采访失败:{str(e)}。模拟环境可能已关闭,请确保OASIS环境正在运行。"
+ return result
+ except Exception as e:
+ logger.error(f"采访API调用异常: {e}")
+ import traceback
+ logger.error(traceback.format_exc())
+ result.summary = f"采访过程发生错误:{str(e)}"
+ return result
+
+ # Step 6: 生成采访摘要
+ if result.interviews:
+ result.summary = self._generate_interview_summary(
+ interviews=result.interviews,
+ interview_requirement=interview_requirement
+ )
- logger.info(f"InterviewAgents完成: 采访了 {result.interviewed_count} 个Agent")
+ logger.info(f"InterviewAgents完成: 采访了 {result.interviewed_count} 个Agent(双平台)")
return result
def _load_agent_profiles(self, simulation_id: str) -> List[Dict[str, Any]]:
@@ -1391,7 +1483,15 @@ class ZepToolsService:
simulation_requirement: str,
max_agents: int
) -> tuple:
- """使用LLM选择要采访的Agent"""
+ """
+ 使用LLM选择要采访的Agent
+
+ Returns:
+ tuple: (selected_agents, selected_indices, reasoning)
+ - selected_agents: 选中Agent的完整信息列表
+ - selected_indices: 选中Agent的索引列表(用于API调用)
+ - reasoning: 选择理由
+ """
# 构建Agent摘要列表
agent_summaries = []
@@ -1444,17 +1544,20 @@ class ZepToolsService:
# 获取选中的Agent完整信息
selected_agents = []
+ valid_indices = []
for idx in selected_indices:
if 0 <= idx < len(profiles):
selected_agents.append(profiles[idx])
+ valid_indices.append(idx)
- return selected_agents, reasoning
+ return selected_agents, valid_indices, reasoning
except Exception as e:
logger.warning(f"LLM选择Agent失败,使用默认选择: {e}")
- # 降级:随机选择前N个
+ # 降级:选择前N个
selected = profiles[:max_agents]
- return selected, "使用默认选择策略"
+ indices = list(range(min(max_agents, len(profiles))))
+ return selected, indices, "使用默认选择策略"
def _generate_interview_questions(
self,
@@ -1503,83 +1606,6 @@ class ZepToolsService:
"您认为应该如何解决或改进这个问题?"
]
- def _conduct_interview(
- self,
- agent: Dict[str, Any],
- questions: List[str],
- interview_requirement: str,
- simulation_requirement: str
- ) -> AgentInterview:
- """模拟采访单个Agent"""
-
- agent_name = agent.get("realname", agent.get("username", "未知"))
- agent_role = agent.get("profession", "未知")
- agent_bio = agent.get("bio", "")
- agent_persona = agent.get("persona", agent_bio)
-
- # 将多个问题合并为一次采访
- questions_text = "\n".join([f"{i+1}. {q}" for i, q in enumerate(questions)])
-
- system_prompt = f"""你现在扮演以下角色进行采访:
-
-【角色名称】{agent_name}
-【角色身份】{agent_role}
-【角色简介】{agent_bio}
-【详细人设】
-{agent_persona[:2000]}
-
-【重要】
-1. 你必须完全代入这个角色,用第一人称回答
-2. 你的回答必须符合角色的身份、立场、性格和说话风格
-3. 引用角色人设中的具体观点和经历
-4. 语言风格要符合角色特征(如:学生更随性,官方更正式)
-5. 表达真实的情感和态度"""
-
- user_prompt = f"""采访背景:{simulation_requirement if simulation_requirement else interview_requirement}
-
-记者提问:
-{questions_text}
-
-请以【{agent_name}】的身份回答以上问题。回答要体现角色的独特视角和立场。"""
-
- try:
- response = self.llm.chat(
- messages=[
- {"role": "system", "content": system_prompt},
- {"role": "user", "content": user_prompt}
- ],
- temperature=0.7,
- max_tokens=2000
- )
-
- # 提取关键引言(包含引号的句子)
- import re
- key_quotes = re.findall(r'[""「」『』]([^""「」『』]{10,100})[""「」『』]', response)
- if not key_quotes:
- # 提取有力的陈述句
- sentences = response.split('。')
- key_quotes = [s.strip() + '。' for s in sentences if len(s.strip()) > 20][:3]
-
- return AgentInterview(
- agent_name=agent_name,
- agent_role=agent_role,
- agent_bio=agent_bio[:150],
- question=questions_text,
- response=response,
- key_quotes=key_quotes[:5]
- )
-
- except Exception as e:
- logger.error(f"采访 {agent_name} 失败: {e}")
- return AgentInterview(
- agent_name=agent_name,
- agent_role=agent_role,
- agent_bio=agent_bio[:150],
- question=questions_text,
- response=f"[采访失败: {str(e)}]",
- key_quotes=[]
- )
-
def _generate_interview_summary(
self,
interviews: List[AgentInterview],
@@ -1602,7 +1628,7 @@ class ZepToolsService:
2. 指出观点的共识和分歧
3. 突出有价值的引言
4. 客观中立,不偏袒任何一方
-5. 控制在300-500字"""
+5. 控制在1000字内"""
user_prompt = f"""采访主题:{interview_requirement}