npcpy

npcpy 是一个灵活的智能体框架，用于构建 AI 应用程序以及开展大语言模型相关的研究。它支持本地和云端服务提供商、多智能体协作团队、工具调用、图像/音频/视频生成、知识图谱、微调等功能。

pip install npcpy

快速示例

创建并使用角色

from npcpy import NPC

simon = NPC(
    name='西蒙·玻利瓦尔',
    primary_directive='解放南美洲，驱逐西班牙殖民者。',
    model='gemma3:4b',
    provider='ollama'
)
response = simon.get_llm_response("在安第斯山脉中，最重要的要守住的领土是什么？")
print(response['response'])

直接调用大语言模型

from npcpy import get_llm_response

response = get_llm_response("凯尔特人的信使之神是谁？", model='qwen3:4b', provider='ollama')
print(response['response'])
# 或者使用 Ollama 的云端模型

test = get_llm_response('约翰·威克是谁', model='minimax-m2.7:cloud', provider='ollama',)

print(test['response'])

智能体与工具结合

from npcpy import Agent, ToolAgent, CodingAgent

# Agent — 自带默认工具（sh、Python、编辑文件、网络搜索等）
agent = Agent(name='ops', model='qwen3.5:2b', provider='ollama')
print(agent.run("查找这个仓库中所有超过 500 行的 Python 文件，并列出它们"))

# ToolAgent — 在默认工具基础上添加自定义工具
import subprocess

def run_tests(test_path: str = "tests/") -> str:
    """对给定路径运行 pytest 并返回结果"""
    result = subprocess.run(["python3", "-m", "pytest", test_path, "-v", "--tb=short"],
                            capture_output=True，text=True，timeout=120)
    return result.stdout + result.stderr

def git_diff(branch: str = "main") -> str:
    """显示与指定分支的 Git 差异"""
    result = subprocess.run(["git", "diff", branch, "--stat"], capture_output=True，text=True)
    return result.stdout

reviewer = ToolAgent(
    name='代码审查员',
    primary_directive='你负责审查代码变更、运行测试并报告问题。',
    tools=[run_tests，git_diff],
    model='qwen3.5:2b', provider='ollama'
)
print(reviewer.run("运行测试并总结任何失败的情况"))

流式输出

from npcpy import get_llm_response
from npcpy.streaming import parse_stream_chunk

response = get_llm_response("请解释量子纠缠的概念。", model='qwen3.5:2b', provider='ollama', stream=True)
for chunk in response['response']:
    content, _, _ = parse_stream_chunk(chunk, provider='ollama')
    if content:
        print(content, end='', flush=True)

# 同样的方式适用于其他服务提供商
response = get_llm_response("请解释量子纠缠的概念。", model='gemini-2.5-flash', provider='gemini', stream=True)
for chunk in response['response']:
    content, _, _ = parse_stream_chunk(chunk，provider='gemini')
    if content:
        print(content，end=''，flush=True)

JSON 输出

在提示词中包含预期的 JSON 结构。使用 format='json' 参数后，响应会自动解析——response['response'] 已经是字典或列表。

from npcpy import get_llm_response

response = get_llm_response(
    '''请列出距离太阳最近的 3 颗行星。
    返回 JSON：{"planets": [{"name": "行星名称", "distance_au": 0.0, "num_moons": 0}]}''',
    model='qwen3.5:2b', provider='ollama',
    format='json'
)
for planet in response['response']['planets']:
    print(f"{planet['name']}: {planet['distance_au']} AU，{planet['num_moons']} 颗卫星")

response = get_llm_response(
    '''分析这条评论：“电池续航非常棒，但屏幕太暗了。”
    返回 JSON：{"tone": "positive/negative/mixed", "key_phrases": ["phrase1", "phrase2"], "confidence": 0.0}''',
    model='qwen3.5:2b', provider='ollama',
    format='json'
)
result = response['response']
print(result['tone'], result['key_phrases'])

from npcpy import get_llm_response
from pydantic import BaseModel
from typing import List

class Planet(BaseModel):
    name: str
    distance_au: float
    num_moons: int

class SolarSystem(BaseModel):
    planets: List[Planet]

response = get_llm_response(
    "请列出距离太阳最近的前 4 颗行星。",
    model='qwen3.5:2b', provider='ollama',
    format=SolarSystem
)
for p in response['response']['planets']:
    print(f"{p['name']}: {p['distance_au']} AU，{p['num_moons']} 颗卫星")

from npcpy.llm_funcs import gen_image，gen_video
from npcpy.gen.audio_gen import text_to_speech

# 图像 — OpenAI、Gemini、Ollama 或 diffusers
images = gen_image("山间的日落景象", model='gpt-image-1', provider='openai')
images[0].save("sunset.png")

# 音频 — OpenAI、Gemini、ElevenLabs、Kokoro、gTTS
audio_bytes = text_to_speech("来自 npcpy 的问候！", engine="openai", voice="alloy")
with open("hello.wav", "wb") as f:
    f.write(audio_bytes)

# 视频 — Gemini Veo
result = gen_video("一只猫在滑板上玩耍", model='veo-3.1-fast-generate-preview', provider='gemini')
print(result['output'])

多智能体团队

from npcpy import NPC, Team

team = Team(team_path='./npc_team')
result = team.orchestrate("分析最新的销售数据并撰写报告")
print(result['output'])

或者在代码中定义一个团队：

from npcpy import NPC, Team

coordinator = NPC(name='lead', primary_directive='协调团队。委派给@analyst和@writer。')
analyst = NPC(name='analyst', primary_directive='分析数据。提供数据和趋势。', model='gemini-2.5-flash', provider='gemini')
writer = NPC(name='writer', primary_directive='根据分析结果撰写清晰的报告。', model='qwen3:8b', provider='ollama')

team = Team(npcs=[coordinator, analyst, writer], forenpc='lead')
result = team.orchestrate("可再生能源采用的趋势是什么？")
print(result['output'])

context: |
  用于分析科学文献的研究团队。
  团队负责人会根据需要将任务委派给专家。
forenpc: lead
model: qwen3.5:2b
provider: ollama
output_format: markdown
max_search_results: 5
mcp_servers:
  - path: ~/.npcsh/mcp_server.py

#!/usr/bin/env npc
name: lead
primary_directive: |
  您是研究团队的负责人。将文献检索任务委派给@searcher，
  数据分析任务委派给@analyst。将他们的发现整合成一份连贯的总结。
jinxes:
  - {{ Jinx('sh') }}
  - {{ Jinx('python') }}
  - {{ Jinx('delegate') }}
  - {{ Jinx('web_search') }}

#!/usr/bin/env npc
name: searcher
primary_directive: |
  您负责搜索科学论文并提取关键发现。
  使用web_search和load_file来查找和阅读论文。
model: gemini-2.5-flash
provider: gemini
jinxes:
  - {{ Jinx('web_search') }}
  - {{ Jinx('load_file') }}
  - {{ Jinx('sh') }}

#!/usr/bin/env npc
jinx_name: search_and_summarize
description: 搜索论文并使用searcher NPC总结发现。
npc: {{ NPC('searcher') }}
inputs:
  - query
steps:
  - name: search
    engine: natural
    code: |
      搜索关于{{ query }}的论文。
      返回最多{{ ctx.max_search_results }}条结果。
  - name: summarize
    engine: natural
    code: |
      以{{ ctx.output_format }}格式总结发现：
      {{ output }}

my_project/
├── npc_team/
│   ├── team.ctx
│   ├── lead.npc
│   ├── searcher.npc
│   ├── analyst.npc
│   ├── jinxes/
│   │   └── skills/
│   └── models/
├── agents.md             # 可选：用Markdown定义代理
└── agents/               # 可选：每个代理一个.md文件
    └── translator.md

./npc_team/lead.npc "总结arxiv上关于transformers的最新论文"
./npc_team/jinxes/lib/sh.jinx bash_command="echo hello"

forenpc: assistant
mcp_servers:
  - path: ./tools/db_server.py
  - path: ./tools/api_server.py

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("数据库工具")

@mcp.tool()
def query_orders(customer_id: str, limit: int = 10) -> str:
    """查询客户的近期订单"""
    # 您的数据库逻辑在这里
    return f"找到{limit}个关于客户{customer_id}的订单"

@mcp.tool()
def search_products(query: str) -> str:
    """搜索产品目录"""
    return f"匹配'{query}'的产品：..."

if __name__ == "__main__":
    mcp.run()

## summarizer
您将长文档总结为简洁的要点。
重点关注关键发现、方法论和结论。

## fact_checker
您会对照可靠来源核实陈述，并标记不准确之处。
请务必注明来源。

---
model: gemini-2.5-flash
provider: gemini
---
您可以在不同语言之间翻译内容，同时保持语气和习语不变。

---
name: code-review
description: 用于审查代码的质量、安全性及最佳实践。
---
# 代码审查技能

## 检查清单
- 检查是否存在安全漏洞（SQL注入、XSS等）
- 验证错误处理和边界情况
- 审查命名规范和代码清晰度

## 安全性
重点关注OWASP十大漏洞...

jinxes:
  - {{ Jinx('skills/code-review') }}

CLI工具

# NPC Shell——推荐的使用NPC团队的方式
npcsh                        # 带有代理、工具和Jinx的交互式Shell

# 构建一个新的团队
npc-init

# 将AI编码工具作为团队中的NPC启动
npc-claude --npc corca       # Claude Code
npc-codex --npc analyst      # Codex
npc-gemini                   # Gemini CLI（交互式选择器）
npc-opencode / npc-aider / npc-amp

# 注册MCP服务器+钩子以实现更深入的集成
npc-plugin claude

NPCArray——在多个NPC上并行运行Jinx

可以在一组NPC实例上并行运行任意Jinx，并将结果收集为数组：

from npcpy import NPC
from npcpy.npc_array import NPCArray

# 三个具有不同模型/提供商的NPC
npcs = [
    NPC(name='drafter', primary_directive='起草简洁的提交信息。', model='qwen3:4b', provider='ollama'),
    NPC(name='reviewer', primary_directive='审查并改进提交信息的清晰度。', model='gemini-2.5-flash', provider='gemini'),
    NPC(name='enforcer', primary_directive='检查提交信息是否符合Conventional Commits规范。', model='gemini-2.5-flash', provider='gemini'),
]

arr = NPCArray.from_npcs(npcs)

# 在所有三个 NPC 上并行运行相同的 jinx，收集结果
results = arr.jinx('summarize', inputs={'topic': 'fix auth middleware to propagate clerkUserId through GraphQL resolvers'}).collect()
for npc, result in zip(npcs, results.data):
    print(f"[{npc.name}] {result}")

你也可以直接将列表传递给 jinx.execute()：

from npcpy.npc_compiler import load_jinx_from_file

jinx = load_jinx_from_file('npc_team/jinxes/analyze.jinx')
results = jinx.execute({'topic': 'rate limiting'}, npc=npcs)  # 列表 → 并行 NPCArray 运行

from npcpy.memory.knowledge_graph import (
    kg_initial, kg_evolve_incremental, kg_sleep_process,
    kg_dream_process, kg_hybrid_search,
)
from npcpy.data.load_file import load_file_contents

# 从一份设计文档 PDF 和一个迁移脚本初始化知识图谱
design_doc = load_file_contents("docs/auth_migration_plan.pdf")
migration_sql = load_file_contents("migrations/003_clerk_auth.sql")

kg = kg_initial(
    content=design_doc + "\n\n" + migration_sql,
    model="qwen3:4b", provider="ollama",
)

# 吸收后续的提交和 PR 描述
kg, _ = kg_evolve_incremental(
    kg,
    new_content_text=(
        "PR #412：将 Stripe 客户会话查询替换为 Clerk JWT 验证。移除了 /api/stripe/webhook 端点。在所有保护路由上添加了 ClerkMiddleware。更新了 CSP 头部，允许 clerk.accounts.dev 域名访问。"
    ),
    model="qwen3:4b", provider="ollama”，获取概念，
)

# 巩固——合并冗余节点，强化高频边
kg, sleep_report = kg_sleep_process(kg, model="qwen3:4b", provider="ollama")

# 做梦——生成松散相关概念之间的推测性连接
kg, dream_report = kg_dream_process(kg, model="qwen3:4b", provider="ollama")

# 跨越事实、概念和推测性边进行搜索
results = kg_hybrid_search(kg, "认证如何通过 GraphQL 解析器传播？",
                           model="qwen3:4b", provider="ollama")
for r in results:
    print(r['score'], r['text'])
print(f"{len(kg['facts'])} 条事实，{len(kg['concepts'])} 个概念")

from npcpy.llm_funcs import get_facts

conversation = """
用户：我们要完全移除 Stripe，把认证迁移到 Clerk。JWT 验证将由 ClerkMiddleware 而不是自定义的 verify_stripe_session 辅助函数来完成。
助手：明白了。我会更新中间件链。那现有的会话存储呢？
用户：把 Redis 会话缓存关掉——Clerk 会在其端管理会话状态。
另外，CSP 头部需要将 clerk.accounts.dev 和 clerk.enpisi.com 添加到 connect-src 中。
"""

facts = get_facts(conversation，模型="qwen3:4b"，提供商="ollama")
for f in facts：
    print(f"[{f.get('category', 'general')}] {f['statement']}")
# [架构] 认证提供商从 Stripe 迁移到 Clerk，使用 ClerkMiddleware 进行 JWT 验证
# [基础设施] 移除了 Redis 会话缓存——Clerk 管理会话状态
# [安全] CSP 的 connect-src 更新，加入了 clerk.accounts.dev 和 clerk.enpisi.com

from pathlib import Path
from npcpy.memory.kg_population import SememolutionPopulation
from npcpy.data.load_file import load_file_contents

pop = SememolutionPopulation(population_size=100, sample_size=10)
pop.initialize()

# 引入异质语料——PDF、DOCX、源代码、会议记录
corpus_dirs = [Path("docs/architecture"), Path("docs/meeting_notes"), Path("src/auth")]
for d in corpus_dirs：
    for f in sorted(d.glob("*"))：
        if f.suffix in (".pdf", ".docx", ".md", ".py", ".ts", ".txt")：
            text = load_file_contents(str(f))
            pop.assimilate_text(text)

# 睡眠/做梦周期——每个个体根据其基因组进行巩固
pop.sleep_cycle()

# 查询：随机抽取 10 个个体，生成竞争性回答，并对其进行排名
rankings = pop.query_and_rank("认证中间件链如何与 GraphQL 上下文交互？")
for rank, entry in enumerate(rankings[:3], 1)：
    print(f"#{rank}（个体 {entry['id']}, 分数 {entry['score']:.3f}）：{entry['response'][:120]}..."
  
# 选择与繁殖——表现最好的个体繁衍后代，表现最差的则被淘汰
pop.evolve_generation()

stats = pop.get_stats()
print(f"第 {stats['generation']} 代 | 平均适应度 {stats['avg_fitness']:.3f} | 最佳适应度 {stats['best_fitness']:.3f} | 多样性 {stats['diversity']:.3f}")

from npcpy.ft.sft import run_sft

# 训练一个模型，用于从会议记录中提取结构化的决策

# LoRA 微调 — 自动在 Apple Silicon 上使用 MLX
X_train = [
    "会议：身份验证迁移同步（2025-01-15）\n参会人员：Sarah、Mike、Priya\n"
    "讨论：评估了 Clerk 和 Auth0，以替代 Stripe 的身份验证系统。最终选择了 Clerk，因为它延迟更低且原生支持 Next.js。迁移将于第 12 轮开发开始。\n一旦 Clerk 的 JWT 验证稳定，Redis 会话存储将被移除。",

    "会议：API 速率限制审查（2025-01-22）\n参会人员：Mike、Jordan\n"
    "讨论：当前基于会话的令牌桶机制与 Clerk 的无状态 JWT 不兼容。双方同意切换到基于 IP 的滑动窗口限流策略，默认每分钟 100 次请求。高级用户则为每分钟 500 次。Jordan 将于周五前完成实施。",

    "会议：GraphQL 模式冻结（2025-02-01）\n参会人员：Sarah、Priya、Jordan\n"
    "讨论：v2 版本的 GraphQL 模式已锁定准备发布。通过数据加载器实现嵌套的身份验证上下文传递已被确认有效。所有经过身份验证的查询都将采用新的 'viewer' 模式。重大变更已在 CHANGELOG 中记录。",

    "会议：部署复盘（2025-02-10）\n参会人员：全体团队成员\n"
    "讨论：生产环境的中断是由缺少 clerk.accounts.dev 的 CSP 头部导致的。\n根本原因：部署脚本未能正确读取新的环境变量。解决方案：在 CI 流水线中添加 CSP 验证检查。新规定：所有外部域名必须列入 csp_allowlist.json 文件中。",
]
y_train = [
    '{"decisions": [{"what": "采用 Clerk 进行身份验证", "why": "延迟更低，原生支持 Next.js", "owner": "团队", "deadline": "第 12 轮开发"}, {"what": "移除 Redis 会话存储", "why": "Clerk 已经可以处理会话状态", "owner": "团队", "deadline": "JWT 验证稳定后"}]}',
    '{"decisions": [{"what": "切换到基于 IP 的滑动窗口限流器", "why": "令牌桶机制与无状态 JWT 不兼容", "owner": "Jordan", "deadline": "周五"}, {"what": "设置默认限流为每分钟 100 次，高级用户为每分钟 500 次", "why": "分级访问控制", "owner": "Jordan", "deadline": "周五"}]}',
    '{"decisions": [{"what": "冻结 GraphQL v2 模式", "why": "为发布做准备", "owner": "Sarah", "deadline": "立即"}, {"what": "为经过身份验证的查询采用 viewer 模式", "why": "确保嵌套解析器中具有一致的身份验证上下文", "owner": "Priya", "deadline": "立即"}]}',
    '{"decisions": [{"what": "在 CI 流水线中加入 CSP 验证检查", "why": "防止部署时遗漏 CSP 头部", "owner": "团队", "deadline": "立即"}, {"what": "要求所有外部域名都列在 csp_allowlist.json 中", "why": "强制对外部域名进行显式批准", "owner": "团队", "deadline": "立即"}]}',
]

model_path = run_sft(X_train=X_train, y_train=y_train)

功能特性

• 智能体（NPCs） — 具有角色设定、指令和工具调用能力的智能体。子类包括：Agent（默认工具）、ToolAgent（自定义工具 + MCP）、CodingAgent（自动执行代码块）
• 多智能体团队 — 带有协调员（forenpc）的团队协作机制
• Jinx 工作流 — 基于 Jinja 的执行模板，用于多步骤提示管道
• 技能 — 包含知识内容的 Jinx，可按需为智能体提供教学模块
• NPCArray — 类似 NumPy 的向量化操作，适用于模型群体
• 图像、音频与视频 — 通过 Ollama、diffusers、OpenAI、Gemini、ElevenLabs 等生成
• 知识图谱 — 从文本构建并演化知识图谱，具备睡眠/梦境生命周期
• Sememolution — 基于种群的知识图谱演化，结合遗传选择和泊松采样搜索
• 记忆流水线 — 提取、审核并回填记忆，通过自我改进的质量反馈提升效果
• 微调与演化 — SFT、USFT、RL/DPO、扩散模型、遗传算法，以及在 Apple Silicon 上使用 MLX
• 服务部署 — 使用 Flask 服务器通过 REST API 部署团队
• 机器学习函数 — Scikit-learn 网格搜索、集成预测、PyTorch 训练
• 流式响应与 JSON — 流式响应、结构化 JSON 输出、消息历史记录

服务提供商

通过 LiteLLM 支持所有主流 LLM 提供商：ollama、openai、anthropic、gemini、deepseek、airllm、openai-like 等。

安装说明

pip install npcpy              # 基础包
pip install npcpy[lite]        # + API 提供商库
pip install npcpy[local]       # + ollama、diffusers、transformers、airllm
pip install npcpy[yap]         # + TTS/STT
pip install npcpy[all]         # 所有功能

sudo apt-get install espeak portaudio19-dev python3-pyaudio ffmpeg libcairo2-dev libgirepository1.0-dev
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen3.5:2b

brew install portaudio ffmpeg pygobject3 ollama
brew services start ollama
ollama pull qwen3.5:2b

API 密钥需配置在 .env 文件中：

export OPENAI_API_KEY="your_key"
export ANTHROPIC_API_KEY="your_key"
export GEMINI_API_KEY="your_key"

文档阅读

完整文档、指南和 API 参考请访问 npcpy.readthedocs.io。

相关链接

• Incognide — 桌面环境，内置 AI 聊天、浏览器、文件查看器、代码编辑器、终端、知识图谱、团队管理等功能（下载）
• NPC Shell — 用于与 NPCs 交互的命令行 shell
• 新闻通讯 — 保持信息更新

研究

• 用于自然语言处理的量子语义框架：arxiv，已被 QNLP 2025 接收
• 为人工智能模拟激素周期：arxiv
• TinyTim：用于发散式生成的语言模型系列 arxiv
• 自然语言处理中的意义生成：arxiv
• 面向智能体的 ALARA：通过可移植、可组合的多智能体团队实现最小权限上下文工程：arxiv

您的研究是否受益于 npcpy？请告诉我们！

支持

每月捐赠 | 周边商品 | 咨询：info@npcworldwi.de

贡献

欢迎贡献！请在 GitHub 仓库 上提交问题和拉取请求。

许可证

MIT 许可证。

星标历史

npcpy 快速上手指南

npcpy 是一个灵活的 AI 智能体框架，专为构建 LLM 应用和研究设计。它支持本地（如 Ollama）和云端模型、多智能体协作、工具调用、多媒体生成以及结构化输出等功能。

环境准备

• 系统要求：Python 3.8+ (推荐 Python 3.10+)
• 前置依赖：
  • 若使用本地模型，请确保已安装并运行 Ollama 或其他兼容的后端服务。
  • 若使用云端模型（如 OpenAI, Gemini），请准备好相应的 API Key 并配置到环境变量中。
• 可选依赖：如需使用 Pydantic 结构化输出或特定多媒体生成功能，建议安装相关扩展库（通常 pip install 会自动处理基础依赖）。

安装步骤

使用 pip 直接安装最新稳定版：

pip install npcpy

提示：国内用户若下载缓慢，可使用清华或阿里镜像源加速安装：

pip install npcpy -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

1. 创建并使用角色 (Persona)

定义一个具有特定指令的 NPC，并让其回答问题。以下示例使用本地 Ollama 运行的 gemma3:4b 模型：

from npcpy import NPC

simon = NPC(
    name='Simon Bolivar',
    primary_directive='Liberate South America from the Spanish Royalists.',
    model='gemma3:4b',
    provider='ollama'
)
response = simon.get_llm_response("What is the most important territory to retain in the Andes?")
print(response['response'])

2. 直接调用 LLM

如果不需复杂角色设定，可直接调用模型接口：

from npcpy import get_llm_response

response = get_llm_response("Who was the celtic messenger god?", model='qwen3:4b', provider='ollama')
print(response['response'])

3. 使用带工具的智能体 (Agent with Tools)

npcpy 内置了多种默认工具（如 shell 执行、文件编辑、网络搜索等），也支持自定义工具。

使用默认工具的 Agent：

from npcpy import Agent

agent = Agent(name='ops', model='qwen3.5:2b', provider='ollama')
print(agent.run("Find all Python files over 500 lines in this repo and list them"))

添加自定义工具的 ToolAgent：

from npcpy import ToolAgent
import subprocess

def run_tests(test_path: str = "tests/") -> str:
    """Run pytest on the given path and return results."""
    result = subprocess.run(["python3", "-m", "pytest", test_path, "-v", "--tb=short"],
                            capture_output=True, text=True, timeout=120)
    return result.stdout + result.stderr

reviewer = ToolAgent(
    name='code_reviewer',
    primary_directive='You review code changes, run tests, and report issues.',
    tools=[run_tests],
    model='qwen3.5:2b', provider='ollama'
)
print(reviewer.run("Run the tests and summarize any failures"))

4. 获取结构化 JSON 输出

通过在提示词中定义格式并使用 format='json' 参数，可直接获得解析后的字典或列表对象：

from npcpy import get_llm_response

response = get_llm_response(
    '''List 3 planets from the sun.
    Return JSON: {"planets": [{"name": "planet name", "distance_au": 0.0, "num_moons": 0}]}''',
    model='qwen3.5:2b', provider='ollama',
    format='json'
)
for planet in response['response']['planets']:
    print(f"{planet['name']}: {planet['distance_au']} AU, {planet['num_moons']} moons")

5. 多智能体协作 (Multi-agent Team)

可以通过代码快速组建一个多智能体团队，由协调者分配任务给其他成员：

from npcpy import NPC, Team

coordinator = NPC(name='lead', primary_directive='Coordinate the team. Delegate to @analyst and @writer.')
analyst = NPC(name='analyst', primary_directive='Analyze data. Provide numbers and trends.', model='gemini-2.5-flash', provider='gemini')
writer = NPC(name='writer', primary_directive='Write clear reports from analysis.', model='qwen3:8b', provider='ollama')

team = Team(npcs=[coordinator, analyst, writer], forenpc='lead')
result = team.orchestrate("What are the trends in renewable energy adoption?")
print(result['output'])

6. 命令行交互 (CLI)

npcpy 提供了强大的命令行工具，推荐用于交互式开发和管理智能体团队：

# 启动交互式 NPC Shell
npcsh

# 初始化一个新的团队项目
npc-init

# 调用特定的 AI 编码工具（需配置对应 NPC）
npc-claude --npc corca