关于播客生成的探索（二）：Multiagent 的可能性

在上一篇文章《关于播客生成的探索（一）》中，我们初步聊了聊利用AI技术生成播客的可能性，顺带拆解了一个开源项目PodCastLM。结论其实挺清晰的：直接靠Prompt驱动整个流程，确实能跑通，但一旦面对复杂文档、多文档联合生成、或者多人对话这种场景，局限性马上就暴露出来了。

那么，有没有更精细、更具扩展性的路子？最近，目光自然落到了Multiagent这个概念上。把多个智能体拆开、分好工、再协同作战——这思路用来解决之前碰上的那些技术难题，听起来很对味。今天这篇文章，就围绕这个方向展开，希望能给大家带来一些不一样的启发。

引入Multiagent的概念

Multiagent系统，字面意思就是由多个智能体（Agent）组成的系统。每个Agent都有自己明确的目标、能力和知识储备，既能感知外部环境、独立做决策，又能跟其他Agent互相沟通。最后大家一起协作，把复杂任务啃下来。

把这个思路搬到播客生成上，核心想法非常直接：把播客生成这个任务拆成多个子任务，然后分配给不同的Agent去各管一摊。每个Agent只干自己最擅长的那件事，彼此配合，最终产出高质量的播客内容。

基于Multiagent的播客生成架构设想

上面那张图是一个初步的架构设想。我们暂且定义了下面这几个核心Agent：

• 文档理解Agent（Document Understanding Agent）：
  负责深度解析输入的文档，提取关键信息、主题、论点、人物关系等。跟简单的文本提取不同，它更偏向语义理解和知识抽取。

• 角色扮演Agent（Role Assignment Agent）：
  根据文档内容和设定的播客类型，确定谁来扮演什么角色——主持人、嘉宾A、嘉宾B，全由它来拍板。它得理解不同角色的特点和分工。

• 对话生成Agent（Dialogue Generation Agent）：
  这是核心中的核心。它基于文档理解Agent传过来的信息和角色扮演Agent的设定，生成具体的对话内容。可以根据角色数量和对话风格，设计多个对话生成Agent并行工作。

• 内容串联Agent（Content Orchestration Agent）：
  负责把零散的对话片段合理地组织、串联起来，确保整个播客流畅通、逻辑在线。开场白、结尾语、转场这些活儿，也归它管。

• 质量评估Agent（Quality Assessment Agent）：
  对生成的播客脚本做质量把关——检查内容的准确性、逻辑性、趣味性，然后给出改进建议。这能帮助我们持续优化生成效果。

Multiagent如何解决现有难点

对比上一篇提到的技术难点，Multiagent这套架构看起来更有底气：

1. 文档处理难度：
   文档理解Agent可以用更精细化的NLP技术——结构化信息抽取、知识图谱构建——来处理复杂的PDF文件。甚至可以为不同类型的文档配置不同的处理策略。

2. 多文档联合生成：
   给每个文档分配一个文档理解Agent，然后让对话生成Agent综合多个文档的信息进行讨论。内容串联Agent则负责把不同文档的主题自然过渡、融合。

3. 多人场景：
   为每个参与者分配一个独立的对话生成Agent。这些Agent可以并行工作，互相影响，像真实对话那样互动起来。角色扮演Agent则负责定义每个人的性格和发言风格。

开源实现的探索方向

第一次探索时我们提到了PodCastLM这个开源项目。基于Multiagent的思路，可以在它的基础上做改造，也可以去探索其他更适合构建Multiagent系统的框架。

接下来，可能会尝试上述设想来搭一个简单的播客生成Demo，验证一下Multiagent的可行性。

为了不影响阅读，下面贴一段代码片段：

class HistoryMessage:
    def __init__(self) -> None:
        self._history_messages = []

    def add(self, role, message):
        self._history_messages.append({
            "role": role,
            "content": message
        })
    
    def to_string(self):
        content = ""
        for msg in self._history_messages:
            content += f"{msg['role']}: {msg['content']}n"
        return content
        
class HostAgent:
    def __init__(self) -> None:
        self.llm_client = LLM()

    def get_introduce(self, context: str):
        prompt = HOST_PROMPT_INTRODUCE.format(context=context, 
                                              host_name=config.HOST_NAME,
                                              guest_name=config.GUEST_NAME,
                                              guest_introduction=config.GUEST_INTRODUCTION)
        for info in self.llm_client.fetch_stream(prompt, temperature=0.7):
            yield info

    def get_conversation(self, context: str, history_messages: HistoryMessage):
        prompt = HOST_CONVERSATION.format(context=context, 
                                          history=history_messages.to_string(),
                                          host_name=config.HOST_NAME,
                                          host_introduction=config.HOST_INTRODUCTION,
                                          guest_name=config.GUEST_NAME,
                                          guest_introduction=config.GUEST_INTRODUCTION,
                                          conversation_max_rounds=config.CONVERSATION_MAX_LENGTH)
        print (prompt) 
        content = ""
        for info in self.llm_client.fetch_stream(prompt, temperature=0.7):
            print (info, flush=True, end="")
            content += info
        print ()
        return content

上面是一个非常简化的代码框架，用来演示Multiagent的基本工作流程。在实际应用中，每个Agent的实现要复杂得多，需要集成各种NLP模型和技术。

另外，也可以考虑用配置文件（比如YAML）来定义Agent的类型、角色和交互方式，提升整个系统的灵活性和可配置性。

agents:
document_understander:
    type: DocumentUnderstandingAgent
    config:
      model_name: ""
role_assigner:
    type: RoleAssignmentAgent
    config:
      num_roles: 2
dialogue_generator_host:
    type: DialogueGenerationAgent
    config:
      model_name: "gpt-4o"
      role_prompt: "You are the host of the podcast..."
dialogue_generator_guest:
    type: DialogueGenerationAgent
    config:
      model_name: "gpt-4o"
      role_prompt: "You are an expert on..."
content_orchestrator:
    type: ContentOrchestrationAgent

效果展示

用“鸡兔同笼”这个问题作为输入，直接看效果。为了不影响阅读，这里只截取了部分生成结果。

小美: 大家好，欢迎收听《小美的趣味数学时光》，我是你们的主持人小美。今天我们邀请到了一位特别的嘉宾，小明，他是一位正在努力学习数学的四年级学生。今天，我们将一起探讨一个古代趣题——鸡兔同笼问题，了解其中的解法和背后的数学智慧。小明，准备好了吗？让我们开始吧！
小明: 大家好，我是小明。我已经准备好了！小美，今天我们要聊的鸡兔同笼问题听起来很有趣，我迫不及待想知道其中的解法了。
小美: 那太好了！鸡兔同笼问题是一个很经典的数学问题，最早出现在《孙子算经》里。那么，小明，你知道鸡兔同笼问题的具体内容是什么吗？
小明: 当然知道！问题是：笼子里有35个头和94只脚，问有多少只鸡和兔子。这个问题考察的是我们如何通过已知条件进行推理和计算。
小美: 没错！鸡兔同笼问题的确非常有趣。接下来，我们可以尝试用不同的方法来解答这个问题。小明，你想先听哪种方法呢？吹哨法、砍足法、假设法还是方程解法？
小明: 小美，我想先听听吹哨法！这个方法听起来就很有趣，好像在指挥一场动物表演呢。
小美: 好的，小明！吹哨法确实有趣。假设所有鸡兔听到哨声都抬起一只脚，这时地上还有多少只脚呢？
小明: 地上还会有94-35=59只脚。再吹一次哨，每只动物再抬一只脚，这时地上还有24只脚。这样只有兔子还有脚在地上。
小美: 没错，小明！现在所有的鸡都抬起了两只脚，地上剩下的24只脚都是兔子的。那么兔子的数量是多少呢？
小明: 兔子的数量是24➗2=12只，那么鸡的数量就是35-12=23只。这样我们就解出了鸡兔同笼的问题！
小美: 小明，你真是聪明！吹哨法确实很有意思。那么接下来，我们再来试试砍足法吧。你知道砍足法的步骤是什么吗？
小明: 砍足法的步骤是先假设每只鸡和兔都砍掉一半的脚，这样鸡有一只脚，兔子有两只脚，然后计算总脚数的一半。再根据脚比头多的数量确定兔子的数量。
小美: 对的，小明！假设每只鸡和兔各砍掉一半的脚后，总脚数就变成了47只。现在你知道兔子的数量是多少了吗？