# thesis-pilot-network

**Repository Path**: pyduck/thesis-pilot-network

## Basic Information

- **Project Name**: thesis-pilot-network
- **Description**: 基于openagents的计算机毕设助手Network
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-14
- **Last Updated**: 2026-01-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 毕设指导智能体网络（Thesis Guidance Agent Network）- README.md
## 1. 项目概述
### 项目名称与 Network ID
- 项目名称：计算机专业毕设全流程辅助智能体网络
- Network ID：`thesis-pilot-network`（对应核心智能体 `thesis_agent`）

### 一句话简介
该 Agent Network 基于 OpenAgents 构建了一款专注于计算机专业毕业设计的协作式智能体，为大学生提供从选题、技术路线规划到开题报告撰写的全流程标准化辅助，助力高效完成符合高校要求的毕设开题工作。

### 目标用户/使用场景
- 目标用户：计算机及相关专业（AI、Web开发、大数据等方向）即将开展毕业设计的本科生
- 使用场景：
  1.  学生缺乏毕设选题思路，需要贴合自身技术栈的可行题目推荐
  2.  学生不清楚毕设技术路线规划，需要详细的开发流程与时间节点安排
  3.  学生不熟悉开题报告撰写规范，需要符合学术要求的初稿参考
  4.  多智能体协作场景下，作为核心综合指导智能体，补充其他专项智能体的响应空缺

## 2. 技术架构
### 使用的 OpenAgents 版本与相关技术栈
- 核心框架：OpenAgents（推荐稳定版 v0.8.5 及以上）
- 底层通信：gRPC（用于智能体与服务端的远程过程调用）
- 智能体运行环境：Python 3.9+
- 依赖技术：YAML 配置解析、大语言模型 API（OpenAI 系列）、OpenAgents Mod 生态
- 辅助工具：符合 OpenAI 兼容标准的大语言模型（配置中为 `openai-gpt-5-mini`）

### Agent Network 设计思路
本项目采用「单核心智能体主导，预留多智能体扩展」的设计思路，核心逻辑如下：
1.  以 `CollaboratorAgent` 为基础构建核心毕设指导智能体，承担综合咨询与全流程辅助的核心职责
2.  通过 YAML 配置文件固化智能体身份、指令准则与运行参数，实现配置与逻辑解耦
3.  基于 gRPC 传输协议保障智能体与 OpenAgents 服务端的高效、可靠通信
4.  启用 OpenAgents 官方 Mod 实现消息收发功能，预留后续接入专项智能体（选题推荐、技术答疑）的协作接口
5.  依托大语言模型的自然语言处理能力，实现符合规则的个性化毕设辅助响应

### 系统流程图（文字描述，可可视化补充）
```
用户发起消息（含毕设相关关键词）
    ↓
OpenAgents 服务端接收消息（thread.channel_message.notification 事件）
    ↓
服务端触发智能体过滤器校验（sender_type: "human"）
    ↓
校验通过：核心毕设智能体（thesis_agent）加载配置指令
    ↓
智能体处理请求：
    1.  判断用户是否提供完整信息（专业方向、技术栈、预期难度）
    2.  信息完整：按规则生成选题、技术路线、开题报告相关内容
    3.  信息缺失：主动引导用户补充关键信息
    ↓
智能体通过 messaging Mod 反馈结果给用户
    ↓
服务端记录消息与响应，完成一次交互
    ↓
（可选）用户提出修改意见，触发二次交互流程
```

## 3. 智能体设计
### 核心 Agent 角色与功能说明
本项目核心智能体为 `thesis_agent`（基于 `openagents.agents.collaborator_agent.CollaboratorAgent` 实现），具体设计如下：
- 角色定位：资深计算机专业毕设指导老师（10年+指导经验）
- 核心功能：
  1.  信息收集：主动引导用户补充毕设相关关键信息（专业方向、技术栈、预期难度）
  2.  选题推荐：生成符合「难度适中、技术成熟、有创新点」的3个及以上可行毕设题目，包含完整的5大核心模块（题目名称、核心功能、技术亮点、创新点、可落地性分析）
  3.  技术路线规划：针对推荐选题，提供详细的整体架构、开发工具、核心模块与分阶段时间节点安排
  4.  开题报告辅助：输出符合学术规范的开题报告核心内容，可作为学生初稿参考
  5.  反馈优化：针对用户的修改意见，快速调整方案，解答相关疑问
  6.  消息过滤：仅响应人类用户的毕设相关咨询，忽略其他智能体的消息，避免无效交互

### 协作机制与通信方式
1.  内部协作（当前单智能体，预留多智能体扩展）：
    - 作为协作式智能体（CollaboratorAgent），可接收 OpenAgents 服务端分发的线程消息，当其他专项智能体（如选题推荐Agent、技术路线Agent）未响应时，自动承接用户的综合毕设问题
    - 通信协议：基于 gRPC 实现与 OpenAgents 服务端的消息交互，遵循 `thread.channel_message.notification` 事件规范
2.  外部交互（智能体与用户）：
    - 交互载体：OpenAgents 消息通道
    - 响应格式：结构化分点输出，符合用户可直接参考、整理的规范

### OpenAgents 高级特性使用
1.  Mod 驱动：启用 `openagents.mods.workspace.messaging` Mod，实现智能体的消息收发功能，无需手动开发消息处理逻辑，提升开发效率
2.  事件触发与过滤：通过 `triggers` 配置监听特定事件（`thread.channel_message.notification`），并通过 `filter` 限定仅响应人类用户消息，实现精准交互控制
3.  配置化智能体：通过 YAML 文件固化智能体 `instruction`、`model_name` 等核心参数，实现智能体行为的灵活调整，无需修改底层代码
4.  CollaboratorAgent 特性：利用协作智能体的消息承接与响应能力，适配多智能体网络中的角色补位需求

## 4. 协作场景与创新点
### 描述设计的协作场景
1.  核心场景：单人用户与核心毕设智能体的一对一全流程辅助
    - 用户从「无明确思路」到「获得完整开题方案」的闭环交互，智能体根据用户输入的信息逐步引导、完善输出内容
2.  扩展场景（预留）：多智能体协作下的专项分工+综合补位
    - 专项智能体1（选题推荐）：专注于毕设题目的创新生成与筛选
    - 专项智能体2（技术路线）：专注于特定技术栈的详细开发指导
    - 核心智能体（thesis_agent）：不抢占专项智能体的响应优先级，仅在专项智能体未响应、用户提出综合咨询时，提供全面补位响应，避免用户等待无结果
    - 协作流程：用户消息 → 服务端分发 → 专项智能体优先响应 → 无专项响应则核心智能体补位 → 统一反馈结果给用户

### 创新性体现在哪里
1.  行为准则固化，输出标准化：将高校毕设指导的行业经验转化为智能体的可执行行为准则，确保输出内容符合高校要求，避免无效信息，解决了传统毕设指导中「标准不统一、内容不规范」的问题
2.  精准消息过滤，避免无效交互：通过 `sender_type` 过滤，仅响应人类用户，忽略其他智能体消息，在多智能体网络中减少资源消耗与响应混乱，提升交互效率
3.  补位协作机制，提升用户体验：作为综合智能体，预留专项智能体补位逻辑，解决了多智能体协作中「部分专项场景无响应」的痛点，保障用户咨询的闭环解决
4.  配置化开发，易扩展易调整：所有核心参数（模型、指令、触发规则）均通过 YAML 文件配置，无需修改代码即可调整智能体行为，降低后续维护与扩展成本
5.  闭环式辅助，覆盖全流程：从信息收集、选题推荐到技术路线、开题报告，覆盖毕设开题全流程，为用户提供一站式解决方案，提升毕设准备效率

## 5. 实际应用价值
### 解决了什么问题
1.  解决学生端痛点：
    - 毕设选题无思路，难以找到贴合自身技术栈的可行题目
    - 技术路线规划模糊，不清楚分阶段开发任务与时间安排
    - 开题报告撰写不规范，缺乏学术参考模板，耗时费力
    - 寻求线下指导存在时间、空间限制，无法获得即时、个性化的辅助
2.  解决教学端痛点：
    - 毕设指导老师工作量大，难以对每个学生进行精细化、全流程指导
    - 部分指导老师对新兴技术栈不熟悉，无法提供精准的技术路线建议
    - 选题与开题报告的标准化审核压力大，智能体输出的规范内容可降低审核成本
3.  解决多智能体协作痛点：
    - 专项智能体覆盖场景有限，存在响应空缺，核心智能体的补位机制保障了服务的完整性

### 是否具有可扩展性？未来可如何延伸？
1.  极强的可扩展性，主要体现在以下方面：
    - 智能体扩展：可快速新增专项智能体（如代码调试Agent、论文格式优化Agent、查重辅助Agent），接入现有网络，实现分工更细致的协作
    - 技术栈扩展：通过修改 YAML 配置中的 `model_name` 与 `config` 相关参数，可适配不同厂商的大语言模型（如国产模型、开源模型），无需重构核心逻辑
    - 功能扩展：可新增 Mod 插件（如文件导出Mod、数据库存储Mod），实现开题报告导出为Word、用户咨询记录留存等附加功能
    - 场景扩展：可适配研究生毕业设计、课程设计等相似场景，仅需修改智能体的 `instruction` 指令即可
2.  未来延伸方向：
    - 构建毕设资源库：整合优质选题、技术文档、开题报告模板，为智能体提供更精准的输出支撑
    - 增加交互可视化界面：开发Web前端，让用户无需熟悉 OpenAgents 命令行，即可通过可视化界面与智能体交互
    - 引入多模态能力：支持用户上传现有选题草稿、技术栈清单等文件，智能体进行针对性优化与指导
    - 对接高校教务系统：实现毕设题目审核、进度跟踪的智能化对接，提升高校毕设管理效率

## 6. 开发、发布与使用说明
### 环境依赖
1.  操作系统：Windows 10+/macOS 12+/Linux（Ubuntu 20.04+ 推荐）
2.  Python 版本：3.9.0 - 3.11.x（避免最新版 Python 存在的依赖兼容问题）
3.  核心依赖：
    - OpenAgents v0.8.0+
    - gRPC Python 客户端（grpcio >= 1.50.0）
    - PyYAML >= 6.0
    - 对应大语言模型的 Python SDK（如 openai >= 1.0.0）
4.  其他要求：
    - 网络通畅（需连接 OpenAgents 服务端与大语言模型 API 服务器）
    - 足够的磁盘空间（预留至少 1GB 用于安装依赖与存储配置文件）

### 安装与运行步骤（完整命令行流程）
1.  克隆项目代码（替换为实际项目仓库地址）
```bash
git clone https://gitee.com/pyduck/thesis-pilot-network.git
cd thesis-agent-network
```

2.  创建并激活 Python 虚拟环境
```bash
# Windows 环境
python -m venv venv
venv\Scripts\activate

# macOS/Linux 环境
python3 -m venv venv
source venv/bin/activate
```

3.  安装项目核心依赖
```bash
# 安装 OpenAgents
pip install openagents>=0.8.5

# 安装其他依赖
pip install grpcio>=1.50.0 pyyaml>=6.0 openai>=1.0.0
```

4.  启动 OpenAgents 服务端（本地部署）
```bash
# 启动 OpenAgents 核心服务，默认监听 localhost:8700
openagents network start 
```

5.  加载并启动毕设智能体
```bash
# 启动 thesis_agent 智能体
openagents agent start thesis_agent.yaml
```
6.  使用
   在页面界面中输入咨询内容，即可获得智能体的回复：
   例子：计算机科学与技术专业 选用java springboot ， 中等难度 写一个计算机毕设的开题报告

### 关键配置
1.  环境变量设置（必填）：
    - 大语言模型 API 密钥：需设置对应模型的环境变量（如 OpenAI API 密钥），避免硬编码泄露
    ```bash
    # Windows 环境（命令行）
    $env:OPENAI_BASE_URL = "https://xxx/v1"
    $env:OPENAI_API_KEY="sk-xxxxxxx"

    # macOS/Linux 环境（命令行）
    export OPENAI_BASE_URL=https://xxxxxxx/v1
    export OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
    ```
    - 可选：设置 OpenAgents 服务端认证令牌（如需权限控制）
    ```bash
    # macOS/Linux 环境示例
    export OPENAGENTS_AUTH_TOKEN=your_auth_token_here
    ```

## 7. 团队与分工
### 团队成员简介（可选）
PyduckGo 个人开发


## 8. 遇到的挑战与解决方案
### 开发过程中遇到的主要技术难点
1.  难点：中文启动报错
```bash
Error: 'gbk' codec can't decode byte 0x80 in position 164: illegal multibyte sequence
⠋ ❌ Failed to start agent: 'gbk' codec can't decode byte 0x80 in position 164: illegal multibyte sequence
```
将yaml文件编码改为GBK可解决




## 9. 未来展望
1.  拆分成更多智能体，实现不同专业智能体的联动与协作