一个由大语言模型驱动的AI版骗子酒馆对战框架
程序主要分为两部分，游戏主体和分析工具
game.py 骗子酒馆游戏主程序
player.py 参与游戏的LLM智能体
game_record.py 用于保存和提取游戏记录
llm_client.py 用于配置模型接口和发起LLM请求
multi_game_runner.py 用于批量运行多轮游戏
game_analyze.py 用于统计所有对局数据
player_matchup_analyze.py 用于提取互为对手的AI间的对局记录进行分析
json_convert.py 用于将json游戏记录转为可读文本
使用conda环境配置相应依赖包：
pip install openai
本项目的API配置在llm_client.py中。
本项目利用了New API https://github.com/Calcium-Ion/new-api?tab=readme-ov-file 配置了统一的接口调用格式。使用时需自行配置相应模型的API接口。
也可以采用类似的API管理项目One API https://github.com/songquanpeng/one-api 实现统一的接口调用。
完成项目配置后，在game.py和multi_game_runner.py主程序入口的player_configs中设置正确的模型名称
运行单局游戏：
python game.py
运行多局游戏：
python multi_game_runner.py -n 10
在-n后指定你希望运行的游戏局数，默认为10局
游戏记录会以json形式保存在目录下的game_records文件夹中
将json文件转为可读性更强的文本格式，转换后的文件会保存在目录下的converted_game_records文件夹中
python json_convert.py
提取所有游戏中AI之间两两对决的对局，转换后的文件会保存在目录下的matchup_records文件夹中
python player_matchup_analyze.py
统计并打印所有的对局数据
python game_analyze.py
项目已将 DeepSeek-R1、o3-mini、Gemini-2-flash-thinking、Claude-3.7-Sonnet 四个模型作为玩家运行了50局，记录存放在demo_records文件夹中。
模型在出牌和质疑阶段的输出可能不稳定，当输出无法满足游戏规定时，会自动重试。如果多次因为输出问题中断运行，可在player.py的choose_cards_to_play和decide_challenge中增加调用大模型的重试次数，或修改prompt文件夹中的play_card_prompt_template.txt和challenge_prompt_template.txt提示词强化对输出格式的限制（可能对模型的推理能力有一定影响）。