当前位置：首页 > news >正文

SEER‘S EYE 预言家之眼实战：集成至Dify平台构建AI Agent应用

news 2026/4/21 7:25:53

SEER'S EYE 预言家之眼实战：集成至Dify平台构建AI Agent应用

最近在捣鼓AI应用开发，发现一个挺有意思的场景：能不能让AI来玩狼人杀？不是简单地生成几句台词，而是真的能听懂发言、分析局势、给出策略建议，像一个真正的“预言家”玩家。

正好，SEER'S EYE（预言家之眼）这类具备深度推理和上下文理解能力的模型，很适合作为这个“大脑”。而Dify这样的平台，又让整个搭建过程变得像搭积木一样简单。今天我就来分享一下，怎么把这两者结合起来，快速搞出一个能说会道的狼人杀AI Agent。

整个过程不需要你写复杂的后端代码，主要就是在Dify里拖拖拽拽、配置配置，核心是设计好AI的“思考方式”。下面我们一步步来看。

1. 场景与核心思路：为什么是狼人杀AI Agent？

狼人杀这个游戏，对AI来说其实是个不小的挑战。它不像下棋有明确的规则和棋盘状态，游戏信息大量隐藏在玩家的语言、语气、逻辑链和社交互动中。一个合格的AI玩家需要：

理解自然语言：听懂其他玩家冗长、有时还带点情绪或谎言的发言。
进行多轮记忆与推理：记住之前几轮每个人的发言和行为，并从中找出矛盾或线索。
处理不确定性与欺骗：游戏本质包含信息缺失和主动欺骗，AI需要评估各种可能性。
生成符合角色与策略的发言：作为预言家，发言要能取信于人，同时隐藏或传递关键信息。

传统的规则引擎很难处理这种开放域的语义理解。而像SEER'S EYE这样的大语言模型，在长上下文理解、逻辑推理和文本生成方面有天然优势，正好可以充当这个Agent的“推理引擎”。

我们的目标不是做一个战无不胜的AI，而是构建一个可交互、能进行基本局势分析的“预言家”助手。它可以集成到聊天群、语音房间或者独立的App中，在夜间查看玩家身份后，为玩家（或直接作为AI玩家）提供白天的发言建议和分析报告。

2. 环境准备与Dify工作流设计

在开始动手之前，我们需要把“舞台”搭好。这里分两步：准备好模型API，然后在Dify上规划好AI的工作流程。

2.1 获取模型API访问权限

首先，你需要确保能访问SEER'S EYE模型的API。具体的申请和获取方式取决于模型提供方，通常你会得到一个API端点（Endpoint）和一个API Key。

这里假设你已经拿到了类似下面的信息（请替换为你自己的）：

API Base URL:https://api.example.com/v1
API Key:sk-your-secret-key-here
模型名称:seers-eye-v1

记下这些，等下在Dify里配置时会用到。

2.2 在Dify中规划Agent工作流

登录Dify平台，创建一个新的“工作流”应用。工作流可以直观地定义AI处理任务的步骤。对于我们的狼人杀预言家Agent，核心流程可以拆解成这样：

输入：接收当前游戏轮次、已知信息（如昨夜查验结果）以及本轮所有玩家的发言文本。
处理：模型基于这些信息，分析局势，评估每个玩家的嫌疑度，推理狼人可能是谁。
输出：生成一段给“预言家”玩家的行动建议，包括但不限于：本轮归票建议、发言要点、对可疑玩家的质疑逻辑等。

在Dify的画布上，我们可以用几个关键节点来构建这个流程：

开始节点：定义输入变量，如game_round,my_identity,night_check_result,player_speeches。
LLM节点（核心）：连接SEER'S EYE模型，并填入我们精心设计的提示词（Prompt）。
结束节点：输出模型生成的分析和建议。

思路清晰后，我们就可以进入具体的配置环节了。

3. 核心实战：在Dify中配置与集成

现在我们来点实际的，看看在Dify的界面里具体怎么操作。

3.1 配置模型供应商

进入Dify的“模型供应商”设置页面，点击“添加模型供应商”。

供应商类型：选择“自定义”（因为SEER'S EYE可能不在默认列表里）。
模型名称：填写一个你容易识别的名字，比如“SEER'S EYE”。
模型类型：选择“文本生成”。
API密钥：填入你获取到的API Key。
API Base：填入你获取到的API Base URL。
模型名称（在供应商内部的标识）：填入具体的模型名，如seers-eye-v1。

保存后，Dify就能识别并使用这个模型了。

3.2 构建提示词（Prompt）模板

这是整个Agent的“灵魂”，决定了AI如何思考。我们需要在Dify的“提示词编排”或工作流的LLM节点中，编写一个结构化的提示词。

你是一个专业的狼人杀游戏AI，扮演【预言家】角色。请根据以下游戏信息，进行分析并给出行动建议。 ## 游戏背景 当前是第{{game_round}}轮白天发言阶段。 你的身份是：预言家。 你昨晚查验的玩家是【{{night_check_result.player}}】，身份是【{{night_check_result.identity}}】。 ## 本轮玩家发言记录 {% for speech in player_speeches %} 玩家 {{speech.player}} 发言：{{speech.content}} {% endfor %} ## 你的任务 1. **局势分析**：总结当前局势，重点分析查验结果带来的信息。哪些玩家的发言与你查验的信息存在逻辑冲突或一致性？ 2. **嫌疑排序**：基于发言逻辑、情绪和与已知信息的矛盾点，对所有存活玩家进行嫌疑度评估（从高到低）。简要说明理由。 3. **行动建议**： * **归票建议**：本轮你建议投票给谁？为什么？ * **发言要点**：接下来你（预言家）的发言应该包含哪些关键点？请草拟一段80字左右的发言稿，力求让好人阵营信服。 * **后续策略**：对下一晚的查验目标有何建议？ 请以清晰、有条理的结构输出你的分析。

提示词设计要点：

角色扮演：明确告诉AI“你是谁”，固定其行为模式。
结构化输入：使用{{}}变量和清晰的章节，将零散的发言整理成模型易于理解的格式。
分步任务：将复杂的分析拆解成“分析、排序、建议”几个步骤，引导模型进行深度思考。
具体输出要求：要求结构化输出，方便后续解析或直接展示给用户。

在Dify的工作流中，你可以将game_round、night_check_result、player_speeches作为变量，连接到这个提示词模板的对应位置。

3.3 组装工作流并测试

回到工作流画布，拖入一个“LLM”节点，选择我们刚刚配置好的“SEER'S EYE”模型，并将上面设计好的提示词粘贴进去。

将“开始节点”的变量与LLM节点提示词中的变量连接起来。最后连接“结束节点”，输出LLM的回复。

点击“运行测试”，你可以模拟输入一组数据：

{ "game_round": 2, "night_check_result": {"player": "3号", "identity": "狼人"}, "player_speeches": [ {"player": "1号", "content": "我是好人，过。感觉5号发言有点划水。"}, {"player": "2号", "content": "预言家还没跳吗？我这边暂时没信息。"}, {"player": "3号", "content": "我是平民，昨晚什么都没看到。我觉得1号在带节奏。"}, {"player": "4号", "content": "3号玩家对1号的攻击有点突兀，再听听吧。"} ] }

如果一切配置正确，SEER'S EYE模型会返回一段详细的分析和建议。你可能会看到类似这样的输出（节选）：

局势分析：我昨晚查验3号为狼人，这是一个明确信息。3号在发言中声称自己是平民，这与我的查验结果直接矛盾，坐实其狼人身份。1号玩家点5号划水，信息量不足。2号玩家催促预言家起跳，行为偏好人。4号玩家质疑3号对1号的攻击，这个观察比较敏锐，可能为好人视角...
嫌疑排序：1. 3号（铁狼） 2. 5号（被1号点划水，需关注） 3. 1号（发起攻击者） 4. 2号/4号（偏好）...
行动建议：
归票建议：本轮全力归票3号玩家。
发言要点：“我是预言家，昨晚验3号，查杀！他发言穿平民衣服，铁狼无疑。今天全票下3。1号点5号的问题可以放后，先走明狼。好人跟我票，过。”
后续策略：今晚可在1号和5号中选择查验，理清他们之间的关系。

测试成功后，这个工作流就具备了核心的推理能力。

4. 进阶优化与应用扩展

基础版本跑通后，我们可以让它变得更强大、更实用。

4.1 引入记忆与历史状态

一个真正的玩家会记住之前所有轮次的信息。我们可以在Dify中通过变量或连接数据库来实现：

在工作流中：添加一个“知识库”节点或使用“变量”节点，将上一轮的分析结果（如嫌疑排序）作为输入的一部分，传递给下一轮的提示词。这样模型就能基于历史进行连续推理。
提示词修改：在提示词中增加“历史记忆”部分，例如：“上一轮结束后，我们的嫌疑焦点是XX号玩家。本轮他的发言是...”。