板球比赛的胜负，往往不在场上，而在更衣室的战术讨论里。T20赛制节奏极快，投手该现在上场还是留到关键时刻？面对减速的球场，要不要派上奇袭打手？这些决策窗口可能只有几十秒。一个开发团队把这个场景搬进了代码——他们造了一个叫"Captain Cool"的代理型AI系统，让Google Gemini扮演虚拟的IPL战术指挥官。

这不是简单的问答机器人。系统设计了四个角色互相辩论：数据分析师查CSV历史数据、主策略师拍板、魔鬼代言人挑刺、比赛解说员总结输出。整个流程跑在FastAPI后端，前端用React做了玻璃拟态界面。核心模型是gemini-2.5-flash，主打多轮推理的速度。

打开网易新闻 查看精彩图片

技术实现上，数据分析师是唯一能调用工具的代理。它通过get_batsman_stats和get_bowler_stats两个函数读取本地CSV，返回真实统计而非幻觉生成。主策略师拿到数据和当前比赛状态（比分、球场湿度、球员名单）后，提出具体战术——比如下一局谁投球、谁上场击球。魔鬼代言人专门攻击这个方案的漏洞：体能风险、对手反制、历史交锋劣势。主策略师必须回应或修正。最后比赛解说员把辩论过程和最终决策打包输出给用户。

这个架构的关键在于"强制分工"。单一提示词容易陷入确认偏误，多代理辩论则模拟了真实球队的决策张力。Gemini的函数调用能力让数据层和推理层解耦，CSV可以离线维护，不用动模型就能更新球员状态。开发团队提到，整个系统延迟控制在"眨眼之间"，满足直播场景需求。

项目目前开源在GitHub，README里贴了完整的系统提示词。从代码结构看，代理间的消息传递用了简单的字符串拼接，没有引入复杂的记忆机制——这意味着每轮决策是独立的，不累积历史上下文。对于T20这种短局制比赛，这可能是足够好的设计。

值得玩味的是产品定位。开发者反复强调"模拟更衣室辩论"，而非"替代真人教练"。界面输出的不仅是最终决策，还有完整的代理对话记录，让人类用户能看到AI的推理链条。这种"可审计的AI"设计，在体育这种高风险决策场景里，可能比黑盒推荐更实用。

板球的数据维度极其丰富：击球率、经济率、死亡局表现、左右手偏好、特定球场历史……传统教练凭经验整合这些信息，AI代理的优势是速度和一致性。但系统的天花板也很明显——CSV是静态历史数据，无法接入实时比赛流；球员当天的身体状况、心理压力，代理无从感知。"Captain Cool"更像一个增强型战术手册，而非真正的场上第六人。

这个项目的真正价值或许是示范了"窄域代理"的构建范式。四个代理、两个工具函数、一个CSV数据源，就能在特定垂直场景（IPL战术决策）里跑通闭环。相比追求通用智能，这种聚焦单点、可拆解、可验证的架构，可能是当前大模型落地更务实的路径。体育、医疗、金融——任何需要快速权衡多因素的专业决策，都可能长出类似的代理生态。