本文介绍了基于 LangGraph 框架构建多智能体电影脚本生成应用的方法。通过定义 GraphState 管理状态，利用 create_scene、select_speaker、handle_dialogue 和 write 四个节点实现场景创建、角色切换、对话模拟及剧本导出。文章详细展示了环境配置、提示词设计、工作流编排及代码实现，并提供了优化建议，适用于构建复杂的 LLM 工作流应用。
LangGraph 是著名的大模型开发框架 LangChain 推出的用于构建基于复杂工作流的 LLM 应用的开发库。LangGraph 把任务的节点与关系用 Graph 结构来定义，以支持更多样、更复杂的应用场景，特别是：
本文分享一个如何使用 LangGraph 构建一个创作电影场景与脚本的多智能体应用。
AI 智能体是一个基于大模型的具备自我感知、规划与行动能力的 AI 应用。而多智能体系统（MAS）顾名思义就是由多个 AI 智能体构成，通过相互关联与协作共同完成任务的智能体系统。
MAS 可以是每个智能体有自己独立的 LLM、提示词、Tools 或者其他自定义代码，用来与其他智能体协作；也可以是一个 LLM 在不同的提示下扮演不同的角色。例如在一个电影虚拟世界中，同一个 LLM 根据提示扮演不同的虚拟人物。
在这个应用中，我们的目标是实现一个能够自动创建电影场景、并能够代入场景中的多个角色，模拟对话生成台词脚本，最后输出剧本的 LangGraph 应用。在这个应用中，需要 AI 完成的任务是：
设计如下 Graph 图来表示这个应用的工作流：
这里的多智能体体现在 AI 会根据提示扮演不同的角色，并根据情节发展做自主对话。其中角色的切换和扮演由 select_speaker 与 handle_dialogue 循环进行，直到满足结束条件（故事结束或者到达最大对话次数）。
在开始编码之前，请确保已安装必要的 Python 库。建议创建一个虚拟环境以避免依赖冲突。
pip install langgraph langchain langchain-community langchain-openai python-docx ollama
此外，你需要本地运行 Ollama 服务并加载相应的模型，例如 qwen2 中文模型：
ollama pull qwen2
ollama run qwen2
首先实现一个 LLM 调用方法。这里我们使用本地的 Ollama 加载 qwen2 中文模型，同时也预留了 OpenAI 接口的调用方式以便扩展。
from typing import Dict, TypedDict, Optional
from langgraph.graph import StateGraph, END
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain_community.llms import Ollama
from langchain_openai import ChatOpenAI
from docx import Document
# 模型调用
llm_qwen = Ollama(model='qwen2')
llm_openai = ChatOpenAI(model='gemini-pro')
def llm(x):
try:
response = llm_qwen.invoke(x)
return response
except Exception as e:
print(f"LLM Error: {e}")
return ""
我们需要定义如下大模型使用的提示词，分别用来：
prompt_scene = "设计一个需要台词的电影场景，题材是：{}。简单描述故事的背景和角色名称，但不要设计台词。不超过 100 字。角色不超过 4 个。"
prompt_roles = "识别执行此电影场景所需的不同角色，仅以逗号分隔的列表形式输出最简单的角色名称，角色名称不要包含头衔或称呼、称号、昵称等。这是电影场景：{}"
prompt_select_speaker = """
请根据电影场景、已有对话内容，从以下角色中选出适合下一个说话的人。
如果没有对话内容，请选择一个角色开始对话。如果故事结束，输出 END。
-----------
{}
-----------
请仅输出以上的角色名称，名称必须完全匹配。
电影场景：
-----------
{}
-----------
当前对话内容：
-----------
{}
-----------
"""
prompt_speak = """
你现在是{}，根据下面对话和场景，说出你的下一段台词。输出格式：
------
{}:台词
------
要求：
1. 台词与场景和角色的设定相符。
2. 台词能推动剧情发展。
3. 不要重复之前的台词。
到目前为止的对话内容：
----------
{}
----------
电影场景：
----------
{}
----------
"""
这是 LangGraph 工作流运行中的共享状态数据，也就是各个流程节点之间交换的数据。通常把流程中需要共享的数据在此统一定义。这里我们做如下定义：
class GraphState(TypedDict):
# 下一个说话者
next_speaker: Optional[str] = None
# 对话历史
history: Optional[str] = None
# 当前对话内容
current_response: Optional[str] = None
# 当前说话者
current_speaker: Optional[str] = None
# 剩余对话轮数，为 0 则结束
dialogues_left: Optional[int] = None
# 电影场景
scene: Optional[str] = None
# 电影题材
subject: Optional[str] = None
# 电影角色
roles: Optional[str] = None
# 最后输出
results: Optional[str] = None
根据设定主题生成一个电影场景与故事背景，并从场景中抽取出多个角色用于后续的 AI 模拟。角色存放到 roles，场景存放到 scene。
def create_scene(state):
scene = llm(prompt_scene.format(state.get('subject')))
actors = llm(prompt_roles.format(scene))
output_parser = CommaSeparatedListOutputParser()
roles = output_parser.parse(actors)
print(f"Scene created: {scene}")
print(f"Actors created: {roles}\n")
return {"scene": scene, "roles": roles}
根据场景、对话历史、角色列表选择下一个合适对话的角色；如果输出为 END，表示故事与对话结束。
def select_speaker(state):
speaker = state.get('current_speaker')
scene = state.get('scene')
summary = state.get('history', '').strip()
roles = state.get('roles')
next_speaker = llm(prompt_select_speaker.format(','.join(roles), scene, summary))
if next_speaker == "END":
return {"dialogues_left": 0}
return {"next_speaker": next_speaker}
LLM 根据提示词扮演不同的角色进行对话，对话需要基于场景与历史对话进行推理创作，完成后更改相关的 state 中信息。
def handle_dialogue(state):
summary = state.get('history', '').strip()
count = state.get('dialogues_left')
next_speaker = state.get('next_speaker', '').strip()
roles = state.get('roles')
scene = state.get('scene')
# 安全获取角色索引
index = -1
for i, role in enumerate(roles):
if role in next_speaker:
index = i
break
if index == -1:
# 如果未找到匹配角色，默认返回第一个或结束
return {"dialogues_left": 0}
prompt = prompt_speak.format(roles[index], roles[index], summary, scene)
argument = llm(prompt)
print(f"{argument}\n")
return {
"history": summary + '\n' + argument,
"current_speaker": roles[index],
"current_response": argument,
"dialogues_left": count - 1
}
这是最后的任务节点，把之前的创作生成一个 word 文件保存。
def write(state):
# Save conversation to a Word document
doc = Document()
# Add scene
scene = state['scene']
doc.add_heading('Scene', level=1)
doc.add_paragraph(scene)
# Add roles
roles = state['roles']
doc.add_heading('Roles', level=1)
doc.add_paragraph(', '.join(roles))
# Add dialogue history
history = state['history']
doc.add_heading('Dialogue History', level=1)
doc.add_paragraph(history)
# Save the document
doc.save('movie.docx')
return {"results": "剧本已生成"}
所有的节点都已经准备完毕，现在我们可以定义应用的 workflow。定义一个 LangGraph 的工作流的典型步骤为：
# 条件函数
def check_end(state):
return "end" if state.get("dialogues_left") == 0 else "continue"
workflow = StateGraph(GraphState)
# 增加节点
workflow.set_entry_point("create_scene")
workflow.add_node("create_scene", create_scene)
workflow.add_node("select_speaker", select_speaker)
workflow.add_node("handle_dialogue", handle_dialogue)
workflow.add_node("write", write)
# 增加边
workflow.add_edge('create_scene', "select_speaker")
workflow.add_conditional_edges(
"select_speaker",
check_end,
{
"continue": "handle_dialogue",
"end": "write"
}
)
workflow.add_conditional_edges(
"handle_dialogue",
check_end,
{
"continue": "select_speaker",
"end": "write"
}
)
workflow.add_edge('write', END)
# 编译
app = workflow.compile()
现在我们可以简单测试这个自动生成电影场景与脚本的应用，看看效果如何，运行如下代码：
# 运行
conversation = app.invoke({
'dialogues_left': 20,
'next_speaker': '',
'history': '',
'current_response': '',
'subject': '一个关于三国的搞笑短视频',
}, {'recursion_limit': 50})
运行完成后，可以打开当前目录生成的 movie.docx 文件，查看创作的场景与台词脚本。
在实际生产环境中，建议对代码进行以下优化：
stream 接口替代 invoke。本文详细介绍了如何使用 LangGraph 构建一个多智能体电影脚本生成应用。通过定义状态图、节点和边，我们实现了场景创建、角色分配、对话模拟及文档输出的完整闭环。这种基于图的工作流模式非常适合处理具有循环、分支和状态依赖的复杂 AI 任务。开发者可以根据实际需求调整提示词逻辑或扩展更多的智能体角色，从而构建出更加智能化的应用场景。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online