2026AI · Agent · Memory · Eval

狼人杀 Agent Loop

状态机、长期记忆、角色假设、置信度决策与指标驱动的策略迭代

AgentMulti-AgentMemoryLoop EngineeringA/B TestingEvaluation

运行站内工程

INTERACTIVE

交互体验

这是站内运行的工程沙箱：使用公开或合成样本执行真实算法；存在公开仓库时可继续查看源码。

werewolf-agent-loopstate → memory → hypothesis → action → evalAPI ↗

公开作品集重建：浏览器内运行真实算法与合成数据，不包含雇主代码、模型权重或客户数据。

round 0

OBSERVE → DECIDE

等待第一轮观察

P220.0%

prior

P320.0%

prior

P420.0%

prior

P520.0%

prior

P620.0%

prior

我的角色

独立 Agent 系统重建

年份

2026

团队

1 人（独立）

状态

简历项目 · 公开重建

项目概述

把狼人杀 Agent 从一句 Prompt 拆为状态、观察、记忆、假设、行动和评测的显式循环，并用 objective 与 volatility 对策略模板做 A/B，而不是凭感觉换 Prompt。

问题

P01

长对局中单轮上下文会覆盖早期证据，角色判断容易漂移。

P02

没有客观函数时，Prompt 迭代只能靠主观观感，无法复现。

架构与流程

architecture.diagram

STEP 01

状态

轮次与玩家公开状态

STEP 02

记忆

事实、可靠度与行动历史

STEP 03

假设

角色概率与证据链

STEP 04

行动

目标、置信度与理由

STEP 05

Loop Eval

objective + volatility

核心功能

逐轮执行

每次只推进一轮，状态变化可检查。

长期记忆

保留发言、可靠度和历史行动。

假设更新

新证据只更新相关角色概率。

策略 A/B

证据优先与激进策略并行评估。

量化成果

6-step

Agent 循环

状态到评测全链路。

策略变体

同一脚本下可复现对比。

100%

决策可解释

每个行动携带理由与置信度。

技术栈

TypeScriptState MachineAgent MemoryHypothesis TrackingA/B TestingReact

下一个项目

狼人杀 Agent Loop

交互体验

项目概述

问题

架构与流程

核心功能

逐轮执行

长期记忆

假设更新

策略 A/B

量化成果

技术栈

RAG 评测与人审工作台