以下是关于多 Agent 之间调用的教程：
《执笔者》中的多 Agent 模式操作步骤：
沉浸式单机剧本杀 Bot 中的多 Agent 协作： 单机剧本杀 Bot 由多个 agent 共同协作完成，主要包括：
关于 Multi-Agent 的介绍： 随着大型语言模型（LLM）的出现，以 LLM 为核心构建的 Agent 系统近期受到广泛关注。Agent 系统旨在利用 LLM 的归纳推理能力，为不同的 Agent 分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。 目前常见框架主要集中在单 Agent 场景下，其核心在于 LLM 与工具的协同配合，LLM 根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈，在任务完成过程中，Agent 可能需要与用户进行多轮交互。 同时，越来越多的 Agent 框架开始关注多 Agent 场景，为完成任务，为不同的 Agent 指定不同角色，并通过 Agent 之间的协作来完成复杂任务，与单 Agent 相比，在任务完成过程中，与用户的交互可能会减少一些。
1.多agent模式切换在bot编排页面点选多agent模式，页面将会自动切换为多agent调式状态，相比单agent，主要是多了中间一块的agent连接区。切换多agent后的默认页面1.添加合适节点节点这里有两种方式可以选择，用已发布的bot，或者创建一个新的agent，大家按需选取。添加的agent直接连接在默认的总管agent（“执笔者”）后面即可，无结束节点。1.添加合适的prompt在多agent模式下，我们需要为每个agent填写合适的prompt。外围的人设填写该bot的主要功能，内部的bot填写各个bot/agent的应用场景。1.调试与美化经过以上简单三步，一个多agent的bot就基本搭建完成，接下来就是漫长的调试过程，如果输出与自己设想有差异，可以不断调整外围和内部bot的提示词，提升命中率，优化交互。
我们的单机剧本杀Bot由多个agent共同协作完成，其中主要包括：1.主持人Agent：这个Agent主要通过对话引导玩家，通过提示和发放道具帮助玩家推进情节。它就像一个全知全能的主持人，帮助玩家在游戏过程中不断前进。2.条件判断Agent：负责解析玩家输入，判断是否达到了触发下一情节的条件。如果条件符合，它会把相应的情节传递给主持人Agent继续讲解。3.情节向量化处理与索引构建：通过对剧本内容进行向量化处理，我们将其自动分段，并构建索引。这样主持人和判断Agent可以迅速、准确地检索所需内容，使得剧情展开更加流畅。
随着大型语言模型（LLM）的出现，以LLM为核心构建的Agent系统近期受到了广泛关注。Agent系统旨在利用LLM的归纳推理能力，为不同的Agent分配角色和任务信息，并配备相应的工具插件，以完成复杂的任务。目前，更常见的框架主要集中在单Agent场景下。单Agent的核心在于LLM与工具的协同配合。LLM根据用户任务的理解，推理出需要调用的工具，并根据调用结果向用户提供反馈。在任务完成过程中，Agent可能需要与用户进行多轮交互。与此同时，越来越多的Agent框架开始关注多Agent场景。为了完成任务，多Agent会为不同的Agent指定不同的角色，并通过Agent之间的协作来完成复杂的任务。与单Agent相比，在任务完成过程中，与用户的交互可能会减少一些。