告别单一模型！我用多智能体打造“微舆”系统，实现舆情分析的多维度深挖！

1.背景

近两周github一直霸榜的国产项目-微舆，引起了广泛的关注，11月3日start数3.4K，截止今天11月14日，start数26.6K，火箭原地起飞。

前几个月我也从事了舆情分析的相关项目，遂抱着学习的态度，花费了3天时间研究并调试了其中的运行机制。

2.特色功能

(1)AI驱动的全网舆情监控系统

基于全天候运行的AI爬虫集群，覆盖微博、小红书、抖音、快手等10余个国内外主流社交平台。该系统不仅能实时追踪热点话题，还可深入挖掘海量用户评论，捕捉真实、多元的公众声音。

(2)超越单一模型的复合分析系统

融合了5类自研专业Agent、微调模型与统计中间件，形成多模型协同的分析架构。通过多模型互补增强，分析结果在深度、准确性与多维度视角上得到有效保证。

(3)多模态信息解析能力

突破图文限制，支持对抖音、快手等平台短视频内容的深度理解，并能精准提取天气、股票、日历等搜索引擎中的结构化多模态信息卡片，为全面把握舆情动态提供支持。

(4)基于Agent“圆桌讨论”的协作机制

为不同Agent赋予专属工具与思维模式，并引入“主持人”模型，通过链式辩论与思维碰撞，打破模型同质化局限，有助于激发更高质量的集体智慧与决策建议。

(5)公私域数据无缝整合

除洞察公开舆情外，还提供高安全性接口，实现内部业务数据与舆情信息的高效融合。此举有助于打破数据孤岛，构建“外部趋势+内部实情”一体化的垂直业务洞察体系。

(6)轻量灵活的扩展架构

采用纯Python模块化设计，系统具备轻量化部署与灵活扩展的特性。清晰的代码结构使开发者能够快速接入自定义算法与业务逻辑，轻松实现平台定制与功能延展。

整体架构

3.总体架构

整体流程如下：

(1)Flask接收用户的原始问题，并行调用三个Agent，其中

Insight Agent: 私有舆情数据库深度分析AI代理，用于私有数据库挖掘。

Media Agent: 具备强大多模态能力的AI代理，用于多模态内容分析。

Query Agent: 具备国内外网页搜索能力的AI代理，用于精准信息搜索。

(2)每个Agent会分别执行以下步骤：

1)基于用户Query生成报告段落(默认为5段)

2)针对每个段落分别执行初始检索并生成段落报告总结，其中Insight Agent主要检索本地数据库，Media Agent主要通过博查API进行检索，Query Agent主要通过Tavily API进行检索。

3)检索之后进行多次迭代反思(默认为3)，反思的过程是基于上一步的问题及总结等内容，判定是否存在遗漏偏差等情况，每次迭代均优化上一次迭代的段落总结

(3)论坛Agent通过监控三个Agent的日志，实时收集三者的段落总结内容，且根据最近的5次的段落总结，检测三者是否围绕主题展开，方向是否存偏等问题。且总结后的结果，会同步到初始检索和反思环节，以引导三个Agent围绕主题进行深度研究。

(4)等4个Agent执行结束后，再运行报告生成Agent，生成最终的报告。

4.核心组件

4.1 Insight Agent的执行机制

(1)首先生成报告段落结构Plan，默认为5个段落，包含title和content。

(2)生成的每个段落迭代执行如下流程:

1)初始检索并总结

a.基于title和content，针对问题进行改写，以适配不同网站(如B站、小红书、抖音、微博、知乎等)的问题风格，并提供诸多查询函数(包括按日期查找热点主题、全局热点主题等方法)，输出最适配的查询函数及参数。

b.基于改写后的问题，生成核心关键词(默认20个)。

c.基于关键词以及匹配的查询函数，进行数据库查询，并对数据做去重处理。

d.针对查询后的结果采用多语言情感分析模型进行分类。

e.基于title、content、以及检索结果，生成段落报告总结。

2)多次反思迭代及总结

整体执行流程与初始检索并总结的流程大体相同，不同之处在于反思检索的输入除了title和content外，还有最新的段落总结(第一次是首次检索后的总结，后续是前次反思迭代后的总结)作为输入。

(3)多次反思迭代完成后，基于多个段落的内容(title, content, summary等)，生成最终的舆情报告。

4.2 Media Agent的执行机制

相比Insight Agent，流程相对简单一些，主要的不同之处在于前者查询数据库，后者通过博查API进行搜索调用。

4.3 Query Agent的执行机制

与Media Agent流程几乎一致，不同之处只是在于将博查API，切换到了 Tavily API。

5.源码说明

(1)借鉴MediaCrawler项目，可以实时收集B站、小红书、抖音、微博、知乎、贴吧等主流网站，采集代码位于项目中的MediaSpider目录下。

(2)代码比较简单，且不集成任何框架(包括LangGrahp, LangChain, LammaIndex等)，从头实现了多Agent之间的流程编排及交互。

(3)代码相对冗余，可能确实是人家20岁小哥的手工作业做出来的。

(4)后端以Flask提供服务，通过html中的Script部分完成前后端的完整交互，且内部基于streamlit嵌入三个Agent的页面。

6.系统运行效果

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】