上个月初，报名参加了 openagents 社区举办的黑客松大赛，本想设计一个加速阅读代码的 AI 工具，主要包含一个 tauri 桌面客户端，一个 http_agent 数据接收服务端， 一个 llm_agent 处理信息。
桌面客户端的交互花费了不少精力，并且这个功能暂时不经过 openagents 会更简单一些，这样我可以有更多精力优化 llm 的效果，所以就暂时放弃了这个项目。
然后又重新写了一个项目。
一个获取天气的服务器 agent，一个发送地点和日期的客户端，一个提供出行指南的 agent
这个项目是链式的，确定性较高，输入地点和日期，获取天气，再生成出行指南，但没有发挥 openagents 这个框架的优势，没有个性化的分布式 agents，似乎也缺少了一些特色。
于是在参考了一些大佬的方案之后，增加了多智能体协作功能，在接收相同底层数据 （天气） 的情况下，系统能够同时生成符合不同角色视角的差异化建议。
于是就有了来自四个魔法学院学生的个性化表现，同样的地点，同样的天气，不同的角色也可以有不同的选择方式。
如果 agents 都对一个频道的消息做出回复的话，就会造成一个频道里面的信息停不下来的情况，所以在代码中进行了一下改进，所有的 agents 都只对 weather_connector 的消息做出回复。
由于项目的子程序很多，手动启动比较复杂，所以我设计了一个启动脚本。
最终程序运行只需要执行两个脚本。
启动 network，studio 界面和所有的 agents
python launcher.py all
发送地点和时间，1 是为了简化时间格式，代表明天，类推 2 就是后天
python travel_sender.py Beijing 1
程序调用的模型来自 ollama 的本地模型，openagents 的 custom 选项现在支持本地大模型了，配置过程中遇到一个代理会导致网络不通的问题，我是关了代理解决的。
代码在 github 开源了，也有相关视频链接在仓库里。
https://github.com/starttown/travel-guide-network.git
期待您的反馈建议，To Be Continued...