AI Researcher & Developer | 多智能体系统 | 深度学习
- 🔬 AI Researcher — 专注于多智能体系统、肽段生成、跨模态融合
- 🎮 AI Werewolf Developer — 构建了完整的 AI 狼人杀多智能体对战系统
- 🤖 OpenClaw Contributor — 参与 AI Agent 自动化平台开发
- 🧬 Research Projects: TopoBasin, SUCF
- 🎓 燕山大学 — 热爱技术，追求卓越
面向狼人杀博弈的多智能体认知决策与自进化系统
核心架构: Play → Evaluate → Evolve
| 模块 | 能力 |
|---|---|
| 对局引擎 | 7-12人板子、昼夜流程、警徽/PK/遗言/猎人开枪/白狼王自爆 |
| Agent 系统 | 三层 Prompt (Persona+Role+Strategy)、Memory、SocialModel、工具调用 |
| 信息隔离 | PlayerView 投影、狼队合法视图、严格公私分离 |
| Track B 评测 | 三级 LLM Judge (规则→轻量LLM→3人评委团)、多维评分、Leaderboard |
| Track C 进化 | 策略知识库、检索增强、A/B 因果验证、自动生命周期管理 |
| 前端 | Next.js 暗色主题、实时观战、发言气泡、投票可视化、复盘报告 |
🔬 实验数据 (10 模型 × 火山引擎 Ark):
| 模型 | 胜率 | 平均决策分 |
|---|---|---|
| Doubao-Seed-2.0-Pro | 61.5% | 53.0 |
| DeepSeek V4 Flash | 50.0% | 51.8 |
| Doubao-Seed-2.0-Lite | 46.2% | 48.8 |
| Kimi K2.5 | 30.8% | 63.6 |
| GLM 4.7 | 30.8% | 46.4 |
| DeepSeek V3.2 | 30.8% | 36.1 |
| DeepSeek V4 Pro | 14.3% | 43.7 |
基于 99 局真实 LLM 对局 + 60 局 Track C A/B 对照实验
Tech Stack: Python, FastAPI, Next.js, PostgreSQL, WebSocket, GSAP, ECharts
由自动进化系统生成的技能库
- ✅ 自动识别重复操作 (17次触发，100%成功率)
- ✅ 自动提取最佳实践并封装为可复用技能
- ✅ 持续优化和进化
Tech Stack: Python, OpenClaw
🤖 Multi-Agent Systems 🧬 Peptide Generation 🔗 Cross-Modal Fusion
↓ ↓ ↓
AI Werewolf TopoBasin SUCF
(Play→Eval→Evolve) (拓扑持久性) (RGAT+Mamba)
