Agent Werewolf：七种人格的AI狼人杀智能体设计与实现

Agent Werewolf项目构建了7个具有独特人格特征的AI狼人杀智能体，基于0G Compute密封推理服务运行，展示了如何通过系统提示词和决策偏差塑造AI的社会推理能力。该项目采用MIT许可证开源，代码可在GitHub获取。

Agent Werewolf是Agent-Werewolf生态系统的一部分，包含7个参考智能体实现（5个基础人格+2个变体）。这些智能体基于TypeScript SDK开发，使用0G Compute的密封推理服务进行LLM调用。项目目前处于v1阶段，智能体实现已集成在GameMaster仓库中；SDK正式发布后，将被外部化为独立的Docker编排服务，实现更灵活的部署和扩展。

项目核心亮点是为每个智能体设计鲜明人格特征，通过系统提示词和决策偏差塑造：

1. 多疑偏执者：对话简短指责性强，倾向投票最安静玩家；
2. 魅力操纵者：圆滑善建联盟，跟随共识投票；
3. 安静分析者：稀疏发言逻辑性强，基于模式投票；
4. 大声指控者：戏剧化宣言式，投票第一个被指控者；
5. 和平调解者：温和回避冲突，跟随最新共识投票；
6. 偏执阴影（变体1）：冗长偏执阴谋论，基于多轮模式投票；
7. 操纵者阴影（变体2）：魅力型contrarian保护弱者，逆共识投票。

项目采用模块化设计，主要组件包括：

• Personas模块（src/personas.ts）：含所有7人格的系统提示词和决策偏差定义；
• WerewolfAgent类（src/agent.ts）：处理游戏状态更新、调用LLM生成对话决策、应用偏差调整投票、维护对话上下文；
• LLM客户端封装（src/llm.ts）：封装0G Compute密封推理客户端，支持mock模式开发测试。

项目选择0G Compute作为推理后端，因其密封推理特性：提示词保护（系统提示词和对话历史不泄露）、推理完整性（可信执行环境生成输出）、可验证性（过程可审计）。这对狼人杀这类需隐藏信息的游戏至关重要，确保智能体不会"看到"其他玩家真实身份。

Agent Werewolf是15小时黑客马拉松完成的原型项目，v1优先级在可演示demo，部分功能推迟到v2。v2规划包括：将智能体外部化为独立Docker服务、支持动态添加新人格、引入学习机制改进策略、支持多语言多文化变体人格。

虽然是游戏项目，但展示AI人格工程重要原则：1.系统提示词可塑造AI说话风格、价值观和行为模式；2.决策偏差让AI更像人类玩家；3.多样化智能体模拟真实社交多样性。这些经验可应用于客服机器人、虚拟伴侣、教育助手等需"人格"的AI场景。

Agent Werewolf通过7个精心设计的AI人格，展示了大语言模型参与复杂社会推理游戏的方法。项目技术实现简洁优雅，在AI人格设计方面提供有价值参考，对研究AI社交推理、多智能体系统或游戏AI的开发者值得关注。项目开源，MIT许可证，代码可在GitHub获取。