多角色AI代理的一次尝试- AI代码助手

AI Agent在投资领域比较火爆，代码助手的投资也比较多，单AI Agent，多角色AI Agent逐渐会成为AI应用的方向。最近一个10岁孩子直接使用豆包和两个ChatGPT进行愚公该移山还是该搬家的辩论活动吸引了大家的眼球，用户作为主持人角色指导2个GPT进行正反方辩友进行辩论和1个GPT作为评委进行评价，这个就是典型的多角色AI代理的应用场景，使用了3个GPT，其实一个也可以的，虽然这个活动最终没有达到预期，Chat GPT作为评委的代理，虽然没有评论，但都记录了它“听”到的内容。这个场景是直接使用GPT作为代理的例子，多角色AI Agent打开走向AGI的想象空间。下面以我比较熟悉的领域，尝试实现一个多角色AI代理编写代码的例子。涉及的角色为：

用户UserInterface：输入任务指令，并在任务无法完成时，进行指导，如：修改代码。

需求分析RequirementAnalyzer：针对用户输入的指令进行需求分析。

代码结构ProgramStructure：针对需求，提出合理的代码结构。

编写代码CodeGenerator：根据需求及代码结构和语言设置，编写代码。

代码审查CodeReviewer：针对生成的代码进行代码审查，提出改进意见。

代码执行CodeExecutor：执行审查完成的代码，输出测试结果。

协作交换Coordinator：协作交换逻辑，通过多次迭代完成任务。

完整代码：

import gradio as gr
import requests
import subprocess
import logging
import json
from io import StringIO
import threading
import time

# 配置日志记录
log_stream = StringIO()
logging.basicConfig(
    level=logging.DEBUG,
    format='%(asctime)s - %(levelname)s - %(message)s',
    handlers=[
        logging.StreamHandler(),  # 输出到控制台
        logging.StreamHandler(log_stream)  # 输出到 StringIO 流
    ]
)

# 定义RequirementAnalyzer角色
class RequirementAnalyzer:
    def __init__(self, api_url, model):
        self.api_url = api_url
        self.model = model

    def analyze_instruction(self, instruction):
        messages = [
            {"role": "system", "content": "你是一个有帮助的助手。"},
            {"role": "user", "content": f"分析以下指令: {instruction}"}
        ]
        response = requests.post(self.api_url, json={"messages": messages, "model": self.model, "stream": True}, stream=True)
        analysis = self.process_stream(response)
        logging.info(f"[RequirementAnalyzer] 分析的需求: {analysis}")
        return analysis

    def process_stream(self, response):
        content = ""
        for chunk in response.iter_content(chunk_size=None):
            if chunk:
                chunk_data = chunk.decode('utf-8')
                if "done" in chunk_data:
                    chunk_data = chunk_data.split("data: ")[-1]
                    chunk_json = json.loads(chunk_data)
                    if chunk_json["done"]:
                        break
                    else:
                        content += chunk_json["message"]["content"]
        return content

# 定义ProgramStructure角色
class ProgramStructure:
    def __init__(self, api_url, model):
        self.api_url = api_url
        self.model = model

    def determine_structure(self, requirement):
        messages = [
            {"role": "system", "content": "你是一个有帮助的助手。"},
            {"role": "user", "content": f"确定以下需求的类结构: {requirement}"}
        ]
        response = requests.post(self.api_url, json={"messages": messages, "model": self.model, "stream": True}, stream=True)
        structure = self.process_stream(response)
        logging.info(f"[ProgramStructure] 确定的结构: {structure}")
        return structure

    def process_stream(self, response):
        content = ""
        for chunk in response.iter_content(chunk_size=None):
            if chunk:
                chunk_data = chunk.decode('utf-8')
                if "done" in chunk_data:
                    chunk_data = chunk_data.split("data: ")[-1]
                    chunk_json = json.loads(chunk_data)
                    if chunk_json["done"]:
                        break
                    else:
                        content += chunk_json["message"]["content"]
        return content

# 定义CodeGenerator角色
class CodeGenerator:
    def __init__(self, api_url, model):
        self.api_url = api_url
        self.model = model

    def generate_code(self, requirement, structure, language):
        messages = [
            {"role": "system", "content": "你是一个有帮助的助手。"},
            {"role": "user", "content": f"根据以下需求和结构编写{language}代码: {requirement}, {structure}"}
        ]
        response = requests.post(self.api_url, json={"messages": messages, "model": self.model, "stream": True}, stream=True)
        code = self.process_stream(response)
        code = self.extract_code(code)  # 提取代码部分
        logging.info(f"[CodeGenerator] 生成的