一、项目概述
Minstrel 是一个基于 LangGPT 框架的多智能体系统，自动生成结构化、人格化的提示词。它通过多个协作代理，提升提示词的准确性、多样性和灵活性，适合非 AI 专家使用 (github.com)。
二、问题动机
- 当前 LLM 提示设计经验依赖强、规则分散，对非专家学习成本高；
- 提示词重用和迭代难度大，缺少系统化支持；
- 为此，LangGPT 提出类编程语言结构设计，Minstrel 则实现自动化生成 (huggingface.co, arxiv.org)。
三、功能亮点
- 多智能体协同 ：Minstrel 分为分析组、设计组和测试组，三方协同完成提示的分析、设计和优化 (medium.com)。
- 结构化提示生成 ：遵循 LangGPT 框架的双层结构（模块 + 元素），系统化组织提示逻辑 (medium.com)。
- 高效优化能力：经过自动化测试与代理间反思讨论，生成提示经常优于手动设计 。
四、技术细节
-
LangGPT 框架简介
- 模块（Modules）：角色设定、版本信息、约束条件、目标、示例、工作流程等；
- 元素（Elements）：具体指令与内容单元，形式类似编程函数/属性，便于结构化复用 (medium.com)。
-
多智能体协作机制
- 分析组：理解用户需求与反馈；
- 设计组：根据模块结构生成内容；
- 测试组 ：对生成结果测试反馈，并触发反思优化 (github.com)。
-
实践效果
- 在 GPT‑4‑turbo、Qwen2‑7B‑Instruct 等模型上，Minstrel 生成的提示显著提升任务效果；
- 用户调研显示，结构化提示便于非技术背景者理解和使用 (arxiv.org)。
五、安装与使用
bash
git clone https://github.com/langgptai/Minstrel.git
cd Minstrel
conda create -n langgpt python=3.10 -y
conda activate langgpt
pip install openai==1.37.1
pip install streamlit==1.37.0
streamlit run app.py该命令启动 Web 界面，支持用户交互式生成提示 (github.com)。
六、应用案例
-- 提示词设计
--链式问答、专业测验、数学题求解、指令遵循与虚假检测等多场景测试中表现优异 (medium.com)。
-- 对非 AI 背景用户而言，降低设计壁垒，提升实用性和生成质量。
七、版本与未来规划
- 当前版本已实现核心多智能体协作结构；
- 后续将拓展低资源模型适配能力、增强多语言支持、更丰富的模块扩展等 。
项目地址链接
- GitHub 仓库 ：https://github.com/langgptai/Minstrel
- 相关论文 ：Minstrel: Structural Prompt Generation with Multi‑Agents Coordination for Non‑AI Experts , arXiv (2024) (arxiv.org, arxiv.org)