用本地小模型搭一个多智能体播客工作室

架构：四层设计#

1. 智能层（Local SLMs & EdgeAI）——地基是 Ollama + Qwen 本地小模型。选小模型不是妥协而是设计：播客脚本生成不需要 100B 参数，8B 量级在 16GB 内存的笔记本上就能流畅工作，零延迟、零 API 成本、隐私可控。

2. 编排层（Hybrid Workflow Engine）——基于 Microsoft Agent Framework 的混合工作流：

• Search Agent（研究员）：带 Web 搜索工具，负责收集主题素材
• Script Agent（撰稿人）：以 Chain-of-Thought 推理模式生成对话脚本
• Review Executor（人工审核）：human-in-the-loop 节点，脚本不合格走条件路由回环打回重写，合格才放行

这个”生成→审核→有条件打回”的回环是整个工作流的关键——纯自动化的多智能体系统很容易在质量上失控，把人放在审批位、把打回做成路由逻辑，输出质量就有了下限。

3. 多模态合成层（VibeVoice）——审核通过的脚本进入 VibeVoice（LLM + Diffusion 架构的 TTS），支持最多 4 个说话人、90 分钟长音频、7.5Hz 帧率的对话式韵律。多说话人是播客场景的硬需求——单一音色念稿子不是播客，是有声书。

4. 可观测层（DevUI）——Web 界面提供智能体的实时执行追踪、自动发现和输入自动生成，调试多智能体协作时能看清每一步谁在做什么。

角色系统：让对话有”人味”#

脚本质量的另一半来自角色设计。系统内置 6 种预定义风格角色（新闻主播、技术大咖等），生成时指定说话人组合：

1
python generate_podcast.py --topic "人工智能的发展" --speakers "news_anchor,tech_guru"

生成的脚本不只是对话文本，还带音效指示（【开场音乐渐弱】）和语气标注（【语气转为专业】），角色之间的风格区分明显——新闻主播负责推进节奏和提问，技术角色负责深入和展开，对话有真实播客的攻防感。

在此基础上我还设计了文化角色系统的扩展方向：让不同文化视角的 AI 主持人（中式思维、西方视角、日本美学等）围绕同一主题对谈，配合 Cultural Context Agent 做文化背景增强——同一个话题在不同文化语境下的讨论，是真人播客都很难凑齐的阵容。

使用方式#

命令行一步生成：

1
cd code/02.Workflow-MultiAgent/03.Application
2
python generate_podcast.py --topic "你的主题" --speakers "news_anchor,tech_guru"
3
# ✓ 脚本已保存到: podcast_20260113_171200.txt

也有交互式应用 personalized_podcast_app.py，逐步引导选题、选角色、审核脚本，最后接 VibeVoice 出音频。

几点经验#

1. 小模型 + 好编排 > 大模型裸跑：8B 模型在明确分工的多智能体结构里，产出质量远超单次大 prompt 的”一把梭”
2. human-in-the-loop 要做成路由，不是做成暂停：把”打回重写”建模为工作流的条件边，人审核的成本才能真正摊薄
3. 本地 TTS 是被低估的一环：VibeVoice 的多说话人长音频能力让”全本地播客生产”从玩具变成可用工具
4. 可观测性决定调试效率：多智能体系统没有执行追踪就是黑盒，DevUI 这层投入非常值

从一个想法到能出音频的完整流水线，这个项目验证了 local-first 多智能体应用的可行性：不依赖任何云服务，一台笔记本就是一个播客工作室。