LLM-Werewolf 🐺🤖 - 全功能版

一个基于 Python 和大型语言模型（LLM）的文本狼人杀模拟器框架。该项目允许你配置不同数量的AI玩家，赋予它们不同的角色（狼人、预言家、女巫、猎人、平民），并通过与LLM API交互来驱动它们的行为和决策，体验一场由AI主导的狼人杀游戏。

本项目现在支持 Web界面模式 和经典的 终端模式，您可以根据喜好选择。

✨ 项目特点

• 双模式运行:
  • Web界面模式 (Gradio): 提供现代、直观的图形化界面，包括实时聊天、玩家状态面板、GM工具和动态审核面板。
  • 终端模式: 保留了经典的纯命令行交互方式，日志输出带有颜色，提升可读性。
• AI驱动的玩家: 利用大型语言模型（如Qwen、GPT系列或其他兼容OpenAI API的模型）作为玩家进行游戏。
• 灵活的角色配置: 支持至少6名玩家，并根据不同人数自动分配经典角色。
• GM（游戏主持人）中心化:
  • GM可以观察游戏全局信息。
  • 在AI决策不符合预期或API出错时，GM可以介入进行手动修正、重试或跳过。
  • Web UI 优化: 在Web界面上，审核变得更简单，可直接点击动态生成的选项按钮完成修正。
  • 提供GM工具箱，方便查看玩家状态、历史记录、游戏日志等。
• Qwen模型优化: 对Qwen模型的流式输出和思考过程有特别处理，可选择不打印思考过程。
• 游戏报告生成: 游戏结束后可选择导详细的游戏日志报告和关键事件摘要报告。

目录结构

.
├── assets/ # 存放图片等静态资源
│ ├── roles/ # 角色头像文件夹
│ │ ├── small_hunter.png
│ │ ├── small_prophet.png
│ │ ├── small_unknown.png
│ │ ├── small_villager.png
│ │ ├── small_witch.png
│ │ └── small_wolf.png
│ └── small_logo.png
├── gradio_main.py # Web界面主入口
├── gradio_interface.py # Gradio界面定义
├── gradio_game_controller.py # Gradio的控制器和UI适配器
├── werewolf_game_main.py # 终端模式主入口
├── ui_adapter.py # UI抽象层 (连接终端和Web)
├── ai_interface.py # AI模型API通信接口
├── player_interaction.py # AI与游戏逻辑的交互，GM审批
├── game_flow_manager.py # 游戏主要流程控制
├── game_state.py # 游戏状态类定义
├── game_setup.py # 游戏初始化、角色分配
├── game_rules_engine.py # 游戏胜负判断、发言顺序等规则
├── werewolf_prompts.py # AI行动的Prompt生成逻辑
├── gm_tools.py # GM工具函数
├── game_report_generator.py # 游戏报告生成模块
├── response_parser.py # AI响应解析
├── game_config.py # 游戏核心规则、角色分配等
├── terminal_colors.py # 终端彩色输出辅助模块
├── assets_base64.py # 图片资源转Base64模块
├── players_config.json # AI玩家配置文件 (需用户自行创建)
└── requirements.txt # 项目依赖文件

🛠️ 安装与运行

1. 依赖环境

• 推荐使用Conda来管理Python环境。
• Python 3.8 ~ 3.10

首先，创建一个新的Conda环境：

conda create --name werewolf_env python=3.10 -y
conda activate werewolf_env

2. 安装依赖

项目的所有依赖项都已在 requirements.txt 文件中列出。

pip install -r requirements.txt

3. 配置

1. 创建 players_config.json 文件: 在项目根目录下创建一个名为 players_config.json 的文件。这个文件用于配置每个AI玩家的API信息。文件内容应该是一个JSON数组，每个元素代表一个玩家的配置。

   示例 players_config.json (至少6名玩家):

   [
     {
       "name": "PlayerAI1",
       "api_endpoint": "http://localhost:11434/v1/chat/completions",
       "api_key": "EMPTY",
       "model": "qwen:7b-chat",
       "response_handler_type": "standard"
     }
   ]

   • name: 玩家的唯一标识名。
   • api_endpoint: AI模型的API端点。
   • api_key: 对应的API密钥，如果不需要则设为 "EMPTY"。
   • model: 使用的模型名称。
   • response_handler_type: AI响应处理器类型，可选值：
     • "standard": 标准OpenAI格式，直接从choices[0].message.content获取回复。
     • "think_tags_in_content": 回复内容中可能包含<think>...</think>标签，解析时会移除。
     • "qwen_stream_with_thinking": 针对Qwen模型开启enable_thinking的流式输出，会自动分离思考与回答，不打印思考过程。
     • "content_with_separate_reasoning": 响应JSON中包含独立的reasoning_content字段和message.content字段（此模式在当前版本中主要依赖message.content）。

2. (可选) 修改 game_config.py:

   • 你可以根据需要调整 DEFAULT_API_ENDPOINT, DEFAULT_API_KEY, DEFAULT_MODEL_NAME 等默认值。
   • 调整 ROLE_DISTRIBUTIONS 来改变不同人数下的角色配置。

4. 运行游戏

你有两种模式可以选择：

🚀 Web界面模式 (推荐)

在项目根目录下执行：

python gradio_main.py

程序会自动在浏览器中打开一个网址 (通常是 http://127.0.0.1:7860)。

💻 终端模式

如果你更喜欢经典的命令行体验，可以运行：

python werewolf_game_main.py

🎮 游戏玩法

游戏将自动进行夜晚和白天阶段的循环。

• 夜晚: 狼人行动、女巫用药、预言家查验。
• 白天: 宣布死讯、猎人开枪（如果触发）、遗言、玩家发言、投票、宣布投票结果。
• GM介入: 在每个AI行动决策点，GM都有机会审核AI的响应。
  • 在Web界面中，会弹出专门的审核面板，GM可以轻松点击按钮完成操作，甚至可以直接点击动态生成的有效选项按钮来快速修正。
  • 在终端模式中，GM需要通过输入指令（如Y/M/R/S）来完成审核。
• GM工具:
  • 在Web界面中，可以通过右下角可折叠的“GM工具”面板随时查看游戏信息。
  • 在终端模式中，可以在夜晚和白天阶段之间，通过提示进入GM工具箱。

📄 游戏报告

游戏正常结束后，启动程序的终端会询问是否导出游戏报告。如果选择是，将在项目根目录下创建一个 game_reports 文件夹，并生成两个报告文件：

• detailed_werewolf_report_[timestamp].txt: 包含完整的游戏事件日志和每个玩家的详细消息历史。
• summary_werewolf_report_[timestamp].txt: 包含游戏概览、最终玩家信息和按天组织的关键事件回顾。

🤝 贡献

欢迎各种形式的贡献！你可以：

• 报告Bug或提出界面改进建议。
• 改进Prompt设计。
• 优化代码或添加更多测试。
• 提交Pull Request。

在提交Pull Request之前，请确保你的代码风格与项目一致，并通过了基本的测试。

📜 开源许可

本项目采用 MIT License 开源。