multi-agent-writer

通过 CLI 或 Python 调用三阶段写作流程：先抓取近7天热点并筛选选题，再由 WriterAgent 生成公众号风格文章和备选标题，由 ReviewerAgent 按5维打分；未达通过线则自动修改，最终输出 JSON、Markdown 和 TSV 结果，支持 Demo 模式与多种兼容 OpenAI 或 Anthropic 的模型。

gonelake

热度 48.07

最近更新 2026-05-11 17:38:15

分类：创作依赖：代码执行 / 第三方 API / 读写文件 / 内部调用大模型应用场景：文案创作 / 社交媒体 / 博客写作 / 研究

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add multi-agent-writer

Metadata

name: multi-agent
version: 1.1.0
description: Use when requests involve writing articles, generating news, fetching hotspots, or producing content for social media (WeChat, Xiaohongshu, etc.). Triggers include "写文章", "生成新闻", "热点文章", "AI新闻", "写推文", "公众号", "小红书", "内容创作", or any article/content generation task.
location: user
allowed-tools: Bash, Read

Multi-Agent Writer

三阶段多智能体写作流水线：

热点抓取 — DuckDuckGo 搜索近7天实时新闻，LLM 筛选推荐选题
文章撰写 — WriterAgent 生成微信公众号风格文章（含3组备选标题）
审校循环 — ReviewerAgent 按5维度打分，低于通过线则自动触发修改，最多 N 轮

项目已安装至：<INSTALL_DIR>

快速调用

Demo 模式（无需 API Key，约1秒完成）

cd <INSTALL_DIR>
python main.py --demo
python main.py --demo --topic "量子计算" --words 800

生产模式（需要 `.env` 配置 LLM API Key）

cd <INSTALL_DIR>
python main.py --topic "AI" --words 1000 --pass-threshold 85

全部 CLI 参数

参数	类型	默认值	说明
`--topic`	str	`"AI"`	关注的领域/话题
`--count`	int	`5`	抓取热点数量
`--style`	str	`"深度分析"`	文章写作风格
`--words`	int	`1000`	目标字数
`--max-revisions`	int	`2`	最大审校-修改轮次
`--pass-threshold`	int	`85`	审校通过最低分（1-100）
`--output`	str	`"output.json"`	输出文件路径
`--demo`	flag	`False`	使用 Mock LLM，无需 API

输出文件

文件	格式	内容
`output.json`	JSON	完整结果：热点、文章、审校历史、耗时
`output.md`	Markdown	可直接复制的文章正文
`experiments.tsv`	TSV	追加实验记录（分数、状态、通过线等）

Python 程序化调用

import sys
sys.path.insert(0, "<INSTALL_DIR>")

from orchestrator import Orchestrator
from base_agent import LLMClient
from config import ReviewConfig, LLMConfig
from search import DuckDuckGoSearchClient

llm_config = LLMConfig.from_env()
llm = LLMClient(
    api_key=llm_config.api_key,
    base_url=llm_config.base_url,
    model=llm_config.model,
    api_style=llm_config.api_style,
)

orchestrator = Orchestrator(
    llm=llm,
    max_revisions=2,
    review_config=ReviewConfig(pass_threshold=85),
    search_client=DuckDuckGoSearchClient(),
)

result = orchestrator.run(
    topic="AI",
    hotspot_count=5,
    article_style="深度分析",
    article_word_count=1000,
)

print(result.final_article["title"])
print(result.final_article["content"])

审校维度（5维，共100分）

维度	权重	说明
内容洞察力	30分	新颖观点、信息价值
可读性	25分	短段落、移动端友好
标题吸引力	20分	点击率、情绪共鸣
结构流畅性	15分	开篇钩子、逻辑递进
准确性	10分	事实正确

环境配置（`.env` 文件）

LLM_API_KEY=your-api-key
LLM_BASE_URL=https://api.moonshot.cn/v1  # 可选
LLM_MODEL=moonshot-v1-8k                 # 可选
LLM_API_STYLE=openai                     # openai 或 anthropic

支持：Kimi、DeepSeek、OpenAI、Claude、Qwen、GLM、Ollama 等兼容 OpenAI/Anthropic API 的模型。

常见场景

# 生成科技领域热点文章
python main.py --topic "AI大模型" --words 1500 --style "深度分析"

# 严格评分 A/B 测试
python main.py --demo --pass-threshold 90 --description "strict_90"
python main.py --demo --pass-threshold 75 --description "loose_75"

# 运行测试（验证系统完整性）
cd <INSTALL_DIR> && pytest

关键文件

<INSTALL_DIR>/
├── main.py           # CLI 入口
├── orchestrator.py   # 工作流协调器
├── agents.py         # 3个业务智能体
├── base_agent.py     # LLMClient、BaseAgent 框架
├── config.py         # 配置类
├── search.py         # DuckDuckGo 搜索封装
└── tests/