第4章：双人舞——角色扮演对话实战

看着第三章中“架构师”与“产品经理”富有成效的对话，Alice脑海中浮现出一个新想法：“如果让一个AI程序员负责撰写代码，同时让另一个AI代码评审员进行实时审查，两者之间会发生怎样的思维碰撞？这将是一场严谨的代码生成‘双人舞’。”她决定动手构建一个完整的AI程序员与AI评审员对话系统，探索协同编程的自动化极限。 ## 💃 舞蹈的序曲：角色初始化与规则设定 在现实世界中，一场完美的双人舞始于明确的角色分配和清晰的舞步编排。在CAMEL框架中，`RolePlaying`类正是这场智能协作的“编舞者”。它定义了对话的双方、任务目标以及进行规则，提供了一个从全自动运行到精细手动控制的完整操作频谱。Alice通过几行代码，便设定了舞台。 ```python from camel.societies import RolePlaying # 创建AI程序员与AI评审员角色 role_play = RolePlaying( assistant_role_name='AI程序员', # 舞者A：代码编写者 user_role_name='AI代码评审员', # 舞者B：代码审查者 task_prompt='实现一个线程安全的LRU缓存', # 舞蹈主题 max_turns=10 # 预设的舞蹈时长（最大对话轮次） ) # 发出第一个节拍，对话开始 input_msg = role_play.init_chat() ``` > **🎭 深度注释：对话的“终止信号”** > 任何优雅的表演都需要明确的结束信号，而非戛然而止。`RolePlaying`内置了多重终止机制：`max_turns`如同沙漏，防止对话陷入无限循环的漩涡；`terminate_condition`则允许导演（开发者）自定义规则，例如当对话内容中出现`[DONE]`标记时主动谢幕。方法`get_terminated()`就如同舞台监督的实时对讲机，让Alice能在任何时候询问：“表演是否已经达到了我们预设的终点？” ## 🎬 舞台导演：全流程执行与防护设计 在排练室中，舞蹈可以分段练习；但在正式演出时，必须确保流程连贯且能应对意外。生产环境的对话系统同样需要健壮性。Alice精心设计了一个执行循环，它像一位经验丰富的舞台导演，不仅推进剧情，还时刻准备处理各种突发状况。 ```python import time from camel.exceptions import CamelException for turn in range(10): try: # 推进一轮对话，相当于一个“舞步” response = role_play.step(input_msg) # 查看舞者（程序员）的发言 print(f'[第{turn}轮] AI程序员：{response.msgs[0].content[:150]}...') # 检查是否已达到终止条件 if role_play.get_terminated(): print('✓ 对话达成共识，优雅终止。') break # 将当前轮的输出，作为下一轮的输入，形成对话流 input_msg = response time.sleep(1) # 必要的节奏控制，避免API请求过于密集 except CamelException as e: # 处理框架内部逻辑错误 print(f'⚠️ 编舞系统出错：{e}') break except Exception as e: # 处理网络、API超时等外部异常 print(f'🌐 通信链路波动：{e}，尝试继续...') continue # 演出结束，提取最终成果 final_code = role_play.session.get_last_message().content ``` 一个典型的对话过程，仿佛两位技艺高超的舞者在你问我答中逐渐完善作品： ``` [AI程序员] 我将使用Python的`collections.OrderedDict`来实现LRU缓存，因为它能记住键的插入顺序... [AI评审员] 基础方案可行，但缺少对多线程场景的考虑。在并发写入时，`OrderedDict`并非线程安全。建议引入`threading.RLock`锁机制。 [AI程序员] 理解。我已修改实现，在`get`和`put`操作前后添加了`RLock`进行保护。这是更新后的代码片段... [AI评审员] 很好，锁的引入解决了并发问题。另外，建议为缓存类增加`maxsize`参数的有效性验证，避免非法值输入。 [AI程序员] 已采纳建议，添加了参数校验。最终版代码如下... ✓ 对话达成共识，优雅终止。 ``` ## 🏁 演出归档：结果提取与历史回溯 演出结束后，珍贵的不仅是最终的成品，还有整个创作过程。`RolePlaying`系统完整记录了每一句对话，允许Alice像调取舞蹈录像一样，回溯和分析整个协作流程。 ```python # 获取完整的对话历史记录 full_history = role_play.session.get_messages() # 例如，可以专门筛选出AI程序员的所有发言，观察其思路演变 code_writing_steps = [msg for msg in full_history if msg.role_name == 'AI程序员'] ``` ## 🎯 本章核心：自治与监督的平衡艺术 通过构建并运行这个AI程序员与评审员的对话系统，Alice成功地导演了一场精彩的代码生成“双人舞”。她深刻体会到，`RolePlaying`机制的精妙之处在于其**混合控制设计**：它既支持`run()`命令下的全自动协奏，也允许在每一个`step()`之后进行人工审查与干预。这种设计实现了“人在回路”的混合智能，将人类的战略判断与AI的战术执行完美结合。 > **🌟 生产级洞察** > 一个健壮的AI对话系统需要像精密的舞台管理系统一样，构建三层防护：**网络层**的异常捕获确保通信不中断，**逻辑层**的终止条件检查保证对话不偏离，**运营层**的速率控制则维持系统长期稳定。这不仅是技术实现，更是将实验性原型转化为可靠生产工具的关键一跃。 这场成功的双人舞实验让Alice信心大增。她开始思考：“如果两个智能体可以如此高效地协作，那么更多的智能体呢？”下一章，她的探索将从“双人舞”迈向更为复杂的“群舞”——深入CAMEL框架中的多智能体`Workforce`协作模式。