多角色Agent协作编排·角色分工与流程控制接入指南

多角色 Agent 协作编排 · 角色分工与流程控制

## ⚠️ 先申请你自己的 API Key
本 Skill 不内嵌任何密钥,也不代付费用。 请到
算力集市 api.a7w.cn 注册并创建你自己的 API Key
(新用户有赠送点数,可以先免费试跑几条)。
拿到后填进环境变量 A7W_API_KEY,或直接传给 --key 参数。
请勿使用他人提供的 Key —— 用量与费用都记在 Key 所属账号上。

多角色协作最难的不是「怎么调模型」,而是「怎么描述分工」。

答案是用招聘的思路描述角色:给它一个 role(岗位)、一个 goal(目标)、
一段 backstory(背景故事),再把任务派给它。角色写得像人,模型的表现就更像那个岗位的人。

而它背后要的模型调用,换成 api.a7w.cn 的 OpenAI 兼容入口,就是一个 base_url 的事——
并且你能给每个角色分别指定模型:调研用快模型、评审用强模型,账单还是同一份。

你最关心答案
多少钱按 tokens 计费(点数/百万 tokens,输入输出分别计价),1 元 = 100 点;多角色多轮消耗高于单次问答
要多久每个角色一轮就是一次模型调用,任务耗时按调用轮数线性增长
要装什么什么都不用装。包里自带零依赖客户端,或者直接用 curl / 任意 OpenAI SDK
模型从哪来一个 base_url + 一个 Key,可调 75 个在架模型,每个角色可单独指定
能商用吗可以。生成内容的使用与合规责任由使用者承担

一、三分钟跑通

第一步:拿到你自己的 Key

到 api.a7w.cn 注册,创建一个 API Key(形如 sk-...),填进环境变量:

export A7W_API_KEY=sk-你的key      # Windows: $env:A7W_API_KEY="sk-你的key"

第二步:先用一条 curl 确认网关通

curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

成功返回体形如 {"code":1,"msg":"success","data":{...choices...}}。

第三步:把角色的模型入口指向它

任何兼容 OpenAI 协议的框架 / SDK,只改两个字段:

BASE_URL = "https://api.a7w.cn/api/v1"
API_KEY  = "sk-你的key"

然后按角色分配模型 —— 这是本包最值钱的一步:

角色建议模型档位例子
调研 / 检索 / 摘要快模型(便宜)DeepSeek-V4-Flash、Qwen3.6-Flash
撰写 / 分析中档模型Qwen3.7-Plus、GLM-5、MiniMax-M3
评审 / 定稿 / 复杂推理强模型DeepSeek-V4-Pro、GLM-5.2、Kimi-K2.6
看图的角色视觉模型Qwen3-VL-30B-A3B-Instruct、ERNIE-4.5-Turbo-VL
# 一个角色一个模型,账单还是同一份
researcher = {"role": "调研员", "model": "DeepSeek-V4-Flash"}
analyst    = {"role": "分析师", "model": "Qwen3.7-Plus"}
reviewer   = {"role": "评审",  "model": "DeepSeek-V4-Pro"}

第四步:零安装客户端也能直接跑

python3 scripts/a7w.py whoami                       # 验证 Key
python3 scripts/a7w.py call chat completions \
  --body '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

换模型只需改 model 字符串:不用换 base_url、不用换 Key、账单还是同一份。


二、包里有什么

sanjianke-agent-crew/
├── SKILL.md                    本文件
├── README.md
├── LICENSE.md
├── references/
│   ├── 角色编排指南.md          角色建模、任务依赖、流程选择与成本估算
│   ├── api-openai-compat.md    OpenAI 兼容入口:base_url、鉴权、参数、流式、错误码
│   ├── api-apps-tasks.md       应用任务入口:/api/v1/apps/<应用>/<接口> 与异步生命周期
│   ├── getting-started.md      注册、领 Key、配置、配额与白名单
│   └── 通用说明.md              权限、计费口径、排错
└── scripts/
    └── a7w.py                  零依赖客户端(库 + 命令行,只用 Python 标准库)

零安装用法

export A7W_API_KEY=sk-你的key

python3 scripts/a7w.py whoami                     # 验证 Key 与可用能力数
python3 scripts/a7w.py apps                       # 列出全部能力
python3 scripts/a7w.py call chat completions \
  --body '{"model":"DeepSeek-V4-Flash","messages":[{"role":"user","content":"你好"}]}'

三、三种接入姿势

姿势 A:框架的配置文件(最省事)

多角色框架通常有一处集中声明「模型入口」,把 base_url 与 api_key 改成网关即可:

# .env(几乎所有框架都认这个文件)
OPENAI_API_KEY=sk-你的key
OPENAI_BASE_URL=https://api.a7w.cn/api/v1

键名以你所用框架的当前版本为准(常见写法还有 OPENAI_API_BASE、
LLM_BASE_URL 等)。值永远是同一个网关地址与同一把 Key。

姿势 B:纯 Python,自己管角色与调用

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.a7w.cn/api/v1",
    api_key=os.environ["A7W_API_KEY"],
)

ROLES = [
    {"name": "调研员", "model": "DeepSeek-V4-Flash",
     "system": "你负责找事实、列要点,只输出事实清单,不做判断。"},
    {"name": "分析师", "model": "Qwen3.7-Plus",
     "system": "你基于上一位的事实清单做分析,输出结论与依据。"},
    {"name": "评审", "model": "DeepSeek-V4-Pro",
     "system": "你负责挑毛病。认可时在回复里写出 APPROVE。"},
]

def run_crew(task: str) -> str:
    """顺序执行:每个角色读到前面所有角色的产出。"""
    transcript = []
    for role in ROLES:
        context = "\n\n".join(
            "【%s】\n%s" % (t["name"], t["content"]) for t in transcript
        )
        resp = client.chat.completions.create(
            model=role["model"],
            messages=[
                {"role": "system", "content": role["system"]},
                {"role": "user",
                 "content": "任务:%s\n\n已有产出:\n%s" % (task, context)},
            ],
        )
        content = resp.choices[0].message.content
        transcript.append({"name": role["name"], "content": content})
        if "APPROVE" in content:
            break                      # 终止条件:评审说了 APPROVE
    return transcript[-1]["content"]

两个必须设的东西:

  1. 终止条件 —— 没有它就停不下来,会一直烧 token。让评审角色在系统提示里

明确写出触发词(如 APPROVE),代码里匹配它。

  1. 数据流 —— 谁读谁的产出要显式声明(上面的 transcript),

不要让模型「自己想起来」。

姿势 C:走应用任务入口

除了 OpenAI 兼容的大模型网关,平台还有一条应用任务入口,用于生成类能力
(语音、图像、视频、文档问答等 21 个应用):

python3 scripts/a7w.py apps
python3 scripts/a7w.py schema voice_tts
python3 scripts/a7w.py call voice_tts tts --body '{"text":"你好世界"}'

路径统一是 /api/v1/apps/<应用代号>/<接口代号>,两个代号都取自接口返回的
code 字段(是下划线,不是连字符)。不要拿平台返回的 endpoint_path 去拼 URL。


四、角色编排要点

角色建模:三件套写具体

字段写什么反例 → 正例
role岗位名「助手」→「资深数据分析师」
goal这一步要产出什么「帮忙分析」→「找出 3 个可落地的增长点,各附数据依据」
backstory这个岗位的人怎么想事「你很聪明」→「你在消费品牌做了 8 年,习惯先看复购再看拉新」

审核类角色还要把「什么算通过」写进 backstory 或系统提示,
否则终止条件永远触发不了。

分层:自主与确定的边界

环节性质交给谁
需要判断、需要写、需要评价角色(自主协作)
审批、分支、状态管理、失败重试确定性流程(事件驱动编排)

能上生产的用法基本都是「确定性流程里嵌角色协作」:
该自由的地方给模型,该确定的地方用代码。

任务依赖与产出落盘

  • 任务之间的数据流用显式依赖声明(谁读谁的产出),别靠模型自己接。
  • 需要给下游程序消费的产出,优先用结构化输出(JSON / Pydantic 模型),

或直接把结果写到文件。

  • 产出落盘时注意工作目录边界,别把中间产物写进源码目录。

成本估算

多角色一轮任务 ≈ 角色数 × 平均轮数 × 单次调用 tokens。

举例:3 个角色、评审循环 2 轮 = 约 5–6 次调用。
按返回里的 data.usage.points_cost(真实扣费)算,再乘上你的日任务量,就能估出日预算(tenant_* 只是租户价字段)。

拿到一手单价:python3 scripts/a7w.py schema <app> 读 tenant_* 字段;
模型侧则按 tokens 计价,输入输出分别算。


五、常见坑

坑表现怎么避
拿 code == 0 判断成功明明成功却判成失败平台成功码是 1({"code":1,"msg":"success"})
把 Key 写进代码泄漏即等于余额泄漏Key 只从环境变量或 ~/.a7w/config.json 读
没设终止条件角色一直讨论下去,账单失控设终止条件,并确认它在正常路径下真的会被触发
评审角色的系统提示没写触发词终止条件形同虚设把触发词(如 APPROVE)写进评审角色的系统提示
所有角色都用一个强模型成本翻几倍,效果提升有限按环节分档:调研用快模型、评审用强模型
任务依赖靠模型「自己想起来」产出接不上,下游拿到空上下文依赖与数据流显式声明在代码里
两轮任务之间上下文串味第二个任务结果怪怪的多角色会话是有状态的;不相关的任务先重置会话
忘记关详细日志排查期有用,生产期拖慢还费 token生产运行关掉 verbose 类开关
model 名靠猜报 404 模型不存在调用前读一次模型清单,model 取值以接口返回为准
网络超时后直接重提扣两次钱先记 task_id / 请求 id,查状态再决定是否重提

六、计费

动作口径
角色的一轮发言按 tokens 计,输入与输出分别计价
换角色模型换 model 即换单价;账单仍是同一份
应用任务类接口按各接口口径(点数/次、点数/分钟、点数/张等)
  • 1 元 = 100 点,1 点 = ¥0.01。
  • 先冻结、后结算:调用失败直接退款,异步任务失败冻结点数全额退回。
  • 平台同时给出标准价与租户价字段(tenant_*,平台侧报价),两者都未必等于实际结算价;以返回里的 data.usage.points_cost 为准;

每次返回的 data.usage 就是本次真实用量,可直接对账。

  • 实时查规则:先 python3 scripts/a7w.py apps 拿应用清单,再逐个 schema <app> 读 tenant_*。

省钱三件事:按环节分档选模型;把终止条件设对(少转两轮最省钱);
结构化输出别让模型自由发挥(返工一次就是一次全链路重跑)。


七、权限与边界

能力是否申请用途
网络访问申请调用 api.a7w.cn 的模型网关与应用接口(本 Skill 唯一的联网行为)
读取文件仅读取你指定的输入文件与 --json-file 请求体作为接口入参
写入文件仅在传入 --out 时保存返回的 JSON 或产物
凭证读取你自己提供的 API Key从环境变量或 ~/.a7w/config.json 读取
子进程 / 后台常驻不申请脚本执行完即退出,不注册服务、不常驻

不内嵌任何密钥。 请求只发往 api.a7w.cn,不发送到其他任何地址。

  • 不提供 Key、不代付费用:Key 必须你自己在 api.a7w.cn 申请
  • 不替代内容合规审查:生成内容的使用与合规责任由使用者承担
  • 不承诺模型清单:模型上下架频繁,调用前先读一次模型清单

关于这个 Skill

作者亲测实操后发布,下载后可直接使用,自用商用都可以。

所有 AI 能力都走 算力集市 api.a7w.cn —— 一把 API Key 打通
大模型、语音、图像、视频、数字人等全部算力,注册即送点数,按量计费、没有月费。

你可能想问答案
要不要额外部署不用。下载本包即可使用,不必去别处找源码
怎么开始到 api.a7w.cn 注册领 Key → 填进 A7W_API_KEY → 一条命令跑起来
能不能商用可以
遇到问题找谁见文末「联系我们」,作者本人答疑

使用中碰到任何问题 —— 报错、效果不理想、想省钱、想批量 —— 都欢迎加微信聊。
加好友时说一下是从哪个 Skill 找过来的,直接给你配套的示例。


联系我们

  • 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
  • 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
  • 更多 AI 插件与接口:AI 插件市场。

相关链接

链接地址说明
算力集市 · 注册领 API Keyapi.a7w.cn一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这
AI 插件市场aigc.a7w.cn浏览全部 AI 插件与接口说明
三剪客 · 一句话批量出片ks.a7w.cn短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端
视频超清 · 在线批量超分vr.a7w.cn网页版视频超分,批量处理,最高 4K
0人公司 · AI Agent 平台a7w.cn主站,了解整套 AI Agent 生态

同类文章