声明式构建 ChatDev Lite

本教程用声明式方式从 0 装配一个简化版 ChatDev Lite，并刻意采用“循序渐进”的组织方式：每一步只引入一个新概念，其余配置尽量保持不变，便于读者对照理解。

理解 Graph / Node / Edge 如何表达工作流结构；
以两个固定角色的 Agent（Assistant / Instructor）为基础，逐步改进出可复用的 Phase（ChatDev中把由Assistant和Instructor组成的对话过程称为一个Phase）；
从“水平消息（Edge 传参）”逐步过渡到“垂直状态（attributes + pull/push）”；
利用 NodeTemplate 与 template_overrides_for() 复用同一份结构，在不编写复合组件类的前提下装配 6 个 Phase。

约定：本页示例使用一个统一的消息载体 workspace（Python dict），用于在节点之间传递与累积中间产物。
在 Step 1～Step 3 中，Assistant / Instructor 的提示词结构与输出字段保持一致；递进变化主要来自“图结构如何装配”。

Step 1 连接一个由两个Agent组成的Graph

先从一个最小的 Phase 开始：ENTRY → instructor → assistant → EXIT。
在该结构中，Assistant 负责产出草案，Instructor 负责审阅并收敛到可执行结果。

python

import os
from masfactory import RootGraph, Agent, OpenAIModel, NodeTemplate, HistoryMemory

# 1) 构建模型适配器（以 OpenAI API 为例）
model = OpenAIModel(
    model_name=os.getenv("MODEL", "gpt-4o-mini"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL"),
)

history = HistoryMemory(top_k=12)

# 2) 声明两个节点模板（NodeTemplate）

Instructor = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Instructor，你在指导 Assistant 按照用户需求来完成任务。阅读用户的需求，并指导 Assistant。\n"
    ),
    prompt_template=(
        "【USER DEMAND】\n{user_demand}\n\n"
    ),
)
Assistant = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Assistant。 请给予用户需求和Instructor的指导来完成任务。\n"
    ),
    prompt_template=(
        "【USER DEMAND】\n{user_demand}\n\n"
        "【INSTRUCTOR GUIDANCE】\n{instructor_guidance}\n\n"
    ),
)


# 3) 用 nodes/edges 装配结构：ENTRY → instructor → assistant → EXIT
#    注意：Edge 的 key 定义了消息字段契约；`Agent.output_keys` 会从出边汇总而来。
g = RootGraph(
    name="p1_workflow_decl",
    nodes=[
        ("assistant", Assistant),
        ("instructor", Instructor),
    ],
    edges=[
        ("ENTRY", "instructor", {"user_demand": "用户需求"}),
        ("instructor", "assistant", {"instructor_guidance": "Instructor的指导意见"}),
        ("assistant", "EXIT", {"assistant_response": "Assistant的响应"}),
    ],
)

g.build()
message = {"user_demand": "做一个猜数字小游戏"}
out, _attrs = g.invoke(message)
print(out["assistant_response"])

Step 2 使用 Loop 实现多轮协作（Edge 消息）

Step 1 的 Phase 仅执行一次。实际场景中，一个 Phase 往往需要多轮往返以逐步收敛方案。
此处引入 Loop：将 Assistant → Instructor 的链路置于循环体内，通过 Edge 在每一轮传递 workspace。

python

import os
from masfactory import RootGraph, Loop, Agent, OpenAIModel, NodeTemplate, HistoryMemory

model = OpenAIModel(
    model_name=os.getenv("MODEL", "gpt-4o-mini"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL"),
)

history = HistoryMemory(top_k=12)

Instructor = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Instructor，你在指导 Assistant 按照用户需求来完成任务。阅读用户的需求,以及上一轮次中的Assistant的响应，给Assistant提出改进意见。\n"
    ),
    prompt_template=(
        "【USER DEMAND】\n{user_demand}\n\n",
        "【ASSISTANT RESPONSE】\n{assistant_response}\n\n",
    ),
)
Assistant = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Assistant。 请给予用户需求和Instructor的指导来完成任务。\n"
    ),
    prompt_template=(
        "【USER DEMAND】\n{user_demand}\n\n"
        "【INSTRUCTOR GUIDANCE】\n{instructor_guidance}\n\n"
    ),
)

DialogLoop = NodeTemplate(
    Loop,
    max_iterations=4,
    nodes=[
        ("assistant", Assistant),
        ("instructor", Instructor),
    ],
    edges=[
        # Loop 没有 ENTRY/EXIT，而以 CONTROLLER 作为循环调度入口。
        ("CONTROLLER", "instructor", {"user_demand": "用户需求", "assistant_response": "上一轮的Assistant的响应"}),
        ("instructor", "assistant", {"instructor_guidance": "Instructor的指导意见"}),
        ("assistant", "CONTROLLER", {"assistant_response": "Assistant的响应"}),
    ],
    initial_message={"assistant_response": "No assistant response yet."},   # 第一轮 instructor 发言时，还没有 assistant 的响应，所以要给 assistant_response 设定一个默认值避免出错。
)

g = RootGraph(
    name="p2_loop_edge_decl",
    nodes=[("dialog", DialogLoop)],
    edges=[
        ("ENTRY", "dialog", {"user_demand": "用户需求"}),
        ("dialog", "EXIT", {"assistant_response": ""}),
    ],
)

g.build()
message = {"user_demand": "做一个猜数字小游戏"}
out, _attrs = g.invoke(message)
print(out["assistant_response"])

Step 3 Switch + pull/push：装配 InstructorAssistantGraph 的核心结构

Step 2 的循环体是“固定顺序”的：每轮总是 Instructor → Assistant。
而在Step 2 中我们发现一个问题，Step 2 中 Instructor 充当了一个提出改进意见的角色，但是第一轮次Instructor先发言，但是 Assistant 还没有给出 assistant_response，所以第一轮次 Instructor 实际上是轮空的。我们当然可以手动调整Edge的连接，让Assistant第一个发言，但是在面对Step 1中 Instructor 充当跟进用户需求的角色，需要 Instructor 先发言。所以我们需要一个更通用的设计来自由决定先发言的Agent。

此外，在前面的设计中，几乎每个节点（Controller、assistant、instructor）都需要对assistant_response 字段进行处理，这时如果使用Edge传参将会增加额外的工作量。

因此我们引入：

LogicSwitch：根据条件选择本轮路由到哪个节点；
pull_keys / push_keys：将关键字段（如 task / draft / plan）作为垂直状态在 Loop 内部与外部同步。

Step 3：Switch + pull/push（InstructorAssistantGraph 结构）

python

import os
from masfactory import RootGraph, Loop, LogicSwitch, Agent, OpenAIModel, NodeTemplate, HistoryMemory

model = OpenAIModel(
    model_name=os.getenv("MODEL", "gpt-4o-mini"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL"),
)

history = HistoryMemory(top_k=12)

assistant_first = True  # 使用一个超参数决定发言顺序

# LogicSwitch 通过condition函数决定路由方向
# condition函数接受两个参数：messages 和 attributes
# messages 是通过 in_edges 传入LogicSwitch的字段的引用
# attributes 是LogicSwitch 通过 pull_key 从 Loop 中提取的字段的引用。
def to_assistant(messages: dict, attributes: dict) -> bool:
    # Loop.Controller 每轮会把 current_iteration 写入 attributes（从 1 开始）。
    i = int(attributes.get("current_iteration", 0))
    return (i % 2 == 1) if assistant_first else (i % 2 == 0)

def to_instructor(messages: dict, attributes: dict) -> bool:
    return not to_assistant(messages, attributes)

Switch = NodeTemplate(LogicSwitch, routes={"assistant": to_assistant, "instructor": to_instructor})

Assistant = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Assistant（CPO）。请在现有草案基础上补充改进。\n"
    ),
    prompt_template=[
        "【任务】\n{task}\n\n",
        "【当前草案】\n{draft}\n\n",
    ],
    pull_keys={"task": "", "draft": "", "plan": ""},
    push_keys={"draft": "你的草案"},
)
Instructor = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions=(
        "你是 Instructor（CEO）。请审阅草案并给出可执行计划。\n"
    ),
    prompt_template=[
        "【任务】\n{task}\n\n",
        "【草案】\n{draft}\n\n",
        "【当前计划】\n{plan}\n\n",
    ],
    pull_keys={"task": "", "draft": "", "plan": ""},
    push_keys={"plan": "你的计划"},
)

Phase = NodeTemplate(
    Loop,
    max_iterations=4,
    pull_keys={"task": "", "draft": "", "plan": ""},
    push_keys={"draft": "", "plan": ""},
    nodes=[
        ("switch", Switch),
        ("assistant", Assistant),
        ("instructor", Instructor),
    ],
    edges=[
        ("CONTROLLER", "switch", {}),
        ("switch", "assistant", {}),
        ("switch", "instructor", {}),
        ("assistant", "CONTROLLER", {}),
        ("instructor", "CONTROLLER", {}),
    ],
)

g = RootGraph(
    name="p3_switch_attr_decl",
    attributes={"task": "做一个猜数字小游戏", "draft": "", "plan": ""},
    nodes=[("phase", Phase)],
    edges=[
        ("ENTRY", "phase", {}),
        ("phase", "EXIT", {}),
    ],
)

g.build()
_out, out_attrs = g.invoke({})
print(out_attrs["plan"])

到此为止，我们已经得到一个“可配置的 Instructor/Assistant 往返结构”。
接下来，我们复用该结构装配多个 Phase。

Step 4 复用 Phase

在ChatDev中，"Phase" 不仅仅是一个往返对话结构，它作为一个可复用的阶段，需要携带该阶段的目标与约束。
下面我们引入一个独立字段 phase_instructions，并将 Step 3 中的阶段状态字段（例如 task / draft / plan）作为显式字段在 Phase 内部同步，而不是将所有中间产物封装到单一的 workspace 中。这样做有两个直接收益：其一，字段契约更清晰；其二，跨 Phase 串联时，状态的拉取与回写更易维护。

python

import os
from masfactory import Loop, LogicSwitch, Agent, OpenAIModel, NodeTemplate, HistoryMemory

model = OpenAIModel(
    model_name=os.getenv("MODEL", "gpt-4o-mini"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL"),
)

history = HistoryMemory(top_k=12)

assistant_first = True

def to_assistant(messages: dict, attributes: dict) -> bool:
    i = int(attributes.get("current_iteration", 0))
    return (i % 2 == 1) if assistant_first else (i % 2 == 0)

def to_instructor(messages: dict, attributes: dict) -> bool:
    return not to_assistant(messages, attributes)

Switch = NodeTemplate(LogicSwitch, routes={"assistant": to_assistant, "instructor": to_instructor})

Assistant = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions="你是 Assistant（CPO）。请补充/改进草案，并仅输出需要更新的字段（JSON）。",
    prompt_template=[
        "【阶段目标】\n{phase_instructions}\n",        # 通过 pull_keys 指定使用该字段，运行时Agent从Loop的Attributes获取该字段的值
        "【任务】\n{task}\n\n",
        "【当前草案】\n{draft}\n\n",
        "请更新/补充 draft（字符串）。",
    ],
    pull_keys={"phase_instructions": "", "task": "", "draft": "", "plan": ""},
    push_keys={"draft": "你的草案"},
)
Instructor = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions="你是 Instructor（CEO）。请审阅草案并产出计划，并仅输出需要更新的字段（JSON）。",
    prompt_template=[
        "【阶段目标】\n{phase_instructions}\n",
        "【任务】\n{task}\n\n",
        "【草案】\n{draft}\n\n",
        "【当前计划】\n{plan}\n\n",
        "请更新/补充 plan（字符串）；必要时可同时修订 draft。",
    ],
    pull_keys={"phase_instructions": "", "task": "", "draft": "", "plan": ""},
    push_keys={"plan": "你的计划"},
)

Phase = NodeTemplate(
    Loop,
    max_iterations=3,
    pull_keys={"task": "", "draft": "", "plan": ""},
    push_keys={"draft": "", "plan": ""},
    attributes={"phase_instructions": ""},
    nodes=[("switch", Switch), ("assistant", Assistant), ("instructor", Instructor)],
    edges=[
        ("CONTROLLER", "switch", {}),
        ("switch", "assistant", {}),
        ("switch", "instructor", {}),
        ("assistant", "CONTROLLER", {}),
        ("instructor", "CONTROLLER", {}),
    ],
)

# 现在 Phase 作为 NodeTemplate 已经具备“可复用的结构蓝图”能力。
Demand = Phase(attributes={"phase_instructions": "Demand analysis：明确目标与约束。"})
Language = Phase(attributes={"phase_instructions": "Language choosing：确定实现语言与主要依赖。"})

上面这段写法通过“派生模板”（Demand = Phase(...)）复用结构；当 Phase 数量较多时，也可以使用 template_overrides_for() 以“按名称覆写”的方式集中管理。

Step 5: 更深入地复用NodeTemplate

Step 4 的“派生模板”（Demand = Phase(...)）能够复用结构，并覆写 Phase 本级参数（例如 Phase.pull_keys）。
但它无法直接覆写 Phase 内部节点（例如 Instructor 的 instructions）。要实现“跨层级复用”，需要借助 NodeTemplate 的“装配期覆写”机制。而对于ChatDev而言，不同Phase的Instructor和Assistant只是协作结构相同，其角色扮演和指令、输入输出字段均有所不同，所以我们需要更深一步地复用。

更完整的规则、优先级与可运行示例见开发指南：NodeTemplate。

MASFactory 提供 4 个 template 作用域函数，用于在 build/装配阶段 统一注入或覆写 NodeTemplate 的 kwargs：

template_defaults(**kwargs)：全局“填空”默认值（仅当模板未显式提供该参数时才生效）。
template_overrides(**kwargs)：全局“强制覆写”（无论模板是否显式提供都会覆盖）。
template_defaults_for(selector...)：对匹配的模板“填空”（按 name/type 选择）。
template_overrides_for(selector...)：对匹配的模板“强制覆写”（按 name/type 选择，可配合 path_filter 限定路径）。

接下来，我们使用 template_overrides_for() 在装配期（build阶段）对NodeTemplate的内部节点的参数进行覆写。

python

from masfactory import Agent, Loop, template_defaults_for, template_overrides_for

# 注意：这些覆写在“模板物化（materialize）”时生效，因此应包裹 g.build()。
with (
    # 例 1：对所有 Agent 填充一个默认开关（若模板未显式设置）
    template_defaults_for(type_filter=Agent, hide_unused_fields=True),
    # 例 2：对 Phase 内部名为 "instructor" 的 Agent 强制覆写指令（用 path_filter 精确限定到某个 Phase）
    template_overrides_for(
        type_filter=Agent,                         # 选择所有 Agent 类型的节点
        name_filter="instructor",                  # 选择所有名为 instructor 的子节点
        path_filter="demand_analysis>instructor",  # path 选择器可以按照层级选择节点，使用 '>' 作为分隔符。demand_analysis>instructor  表示 选择名为 demand_analysis 的图节点下的名为 instructor 节点。
        instructions="你是 Instructor（CEO）。请以更严格的标准审阅方案，并补齐关键风险与约束。", # 覆写 demand_analysis 节点的 instructor 节点的 instructions 参数
    ),
    # 例 3：对某个具体 Phase（它本身是 Loop）覆写阶段目标
    template_overrides_for(
        type_filter=Loop,
        name_filter="demand_analysis", # 覆写 demand_analysis 节点的 phase_instructions 参数
        attributes={"phase_instructions": "Demand analysis：明确目标与约束，并给出可验证的验收标准。"}, # 覆写 demand_analysis 节点的 phase_instructions 参数
    ),
):
    g.build()

注意

path_filter 选择器可以按照层级选择节点，使用 '>' 作为分隔符。demand_analysis>instructor 表示选择名为 demand_analysis 的图节点下的名为 instructor 节点。
上面的例子中，我们每个选择器都同时使用了type_filter、name_filter和path_filter。事实上前两者是多余的，之所以这样演示是为了说明template_overrides_for的多种选择器的用法。

Step 6 串联 6 个 Phase 组成简化版的ChatDev

目标结构：

ENTRY → demand_analysis → language_choose → coding → code_complete → coding_test → manual → EXIT

在这一步我们使用原版的提示词装配6个Phase，完成ChatDev Lite的构建。

注意

由于原版提示词过于冗长，这里只展示代码部分，有关prompts文件可以到OpenBMB/ChatDev github仓库或者 MASFactory 仓库中下载。

python

import json
import os
from pathlib import Path
from contextlib import ExitStack

from masfactory import (
    RootGraph,
    Agent,
    LogicSwitch,
    Loop,
    OpenAIModel,
    NodeTemplate,
    HistoryMemory,
    template_overrides_for,
)

model = OpenAIModel(
    model_name=os.getenv("MODEL", "gpt-4o-mini"),
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("BASE_URL"),
)

history = HistoryMemory(top_k=12)

# 1) 读取 ChatDev Lite 的工程 prompt（仓库内）
CONFIG_DIR = Path("applications/chatdev_lite/assets/config")
role_config = json.loads((CONFIG_DIR / "RoleConfig.json").read_text(encoding="utf-8"))
phase_config = json.loads((CONFIG_DIR / "PhaseConfig.json").read_text(encoding="utf-8"))
chat_chain_config = json.loads((CONFIG_DIR / "ChatChainConfig.json").read_text(encoding="utf-8"))

def join_lines(v: list[str] | str | None) -> str:
    if v is None:
        return ""
    if isinstance(v, list):
        return "\n".join(v)
    return str(v)

# 2) RootGraph attributes：阶段共享状态（示例给出最小可用子集）
attrs = {
    "task": "Develop a basic Gomoku game.",
    "chatdev_prompt": chat_chain_config.get("background_prompt", ""),
    "description": "",
    "ideas": "",
    "modality": "",
    "language": "",
    "codes": [],
    "unimplemented_file": "",
    "exist_bugs_flag": True,
    "test_reports": "",
    "error_summary": "",
    "requirements": "",
    "manual": "",
}

# 3) Phase 共享的 pull/push（阶段间不依赖 edge 消息）
phase_pull = {
    "task": "",
    "description": "",
    "ideas": "",
    "modality": "",
    "language": "",
    "codes": "",
    "unimplemented_file": "",
    "exist_bugs_flag": "",
    "test_reports": "",
    "error_summary": "",
    "requirements": "",
    "manual": "",
    "chatdev_prompt": "",
    "gui": "",
    "directory": "",
}
phase_push = {
    "modality": "",
    "language": "",
    "codes": "",
    "unimplemented_file": "",
    "test_reports": "",
    "error_summary": "",
    "requirements": "",
    "manual": "",
}

# 4) Phase 结构模板：复用前面已经装配好的“Loop + Switch + pull/push”的 Phase 蓝图
#    （此处不使用内置的 InstructorAssistantGraph，而是直接使用 NodeTemplate 装配 Phase 结构。）
assistant_first = False  # ChatDev Lite 更符合“instructor → assistant”的顺序

def to_assistant(messages: dict, attributes: dict) -> bool:
    i = int(attributes.get("current_iteration", 0))
    return (i % 2 == 1) if assistant_first else (i % 2 == 0)

def to_instructor(messages: dict, attributes: dict) -> bool:
    return not to_assistant(messages, attributes)

Switch = NodeTemplate(LogicSwitch, routes={"assistant": to_assistant, "instructor": to_instructor})

Assistant = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions="",
    prompt_template=[
        "{chatdev_prompt}\n\n",
        "【阶段目标】\n{phase_instructions}\n\n",
        "【任务】\n{task}\n\n",
        "请根据当前状态更新必要字段，并仅输出需要更新的字段（JSON）。",
    ],
    pull_keys={**phase_pull, "phase_instructions": ""},
    push_keys=phase_push,
)
Instructor = NodeTemplate(
    Agent,
    model=model,
    memories=[history],
    instructions="",
    prompt_template=[
        "{chatdev_prompt}\n\n",
        "【阶段目标】\n{phase_instructions}\n\n",
        "【任务】\n{task}\n\n",
        "请给出本阶段的指导与约束，并仅输出需要更新的字段（JSON）。",
    ],
    pull_keys={**phase_pull, "phase_instructions": ""},
    push_keys=phase_push,
)

Phase = NodeTemplate(
    Loop,
    max_iterations=2,  # 将在 build 时按节点名覆写（max_iterations = max_turns * 2）
    pull_keys=phase_pull,
    push_keys=phase_push,
    attributes={"phase_instructions": ""},
    nodes=[
        ("switch", Switch),
        ("assistant", Assistant),
        ("instructor", Instructor),
    ],
    edges=[
        ("CONTROLLER", "switch", {}),
        ("switch", "assistant", {}),
        ("switch", "instructor", {}),
        ("assistant", "CONTROLLER", {}),
        ("instructor", "CONTROLLER", {}),
    ],
)

g = RootGraph(
    name="chatdev_lite_simplified_decl_v2",
    attributes=attrs,
    nodes=[
        ("demand_analysis", Phase),
        ("language_choose", Phase),
        ("coding", Phase),
        ("code_complete", Phase),
        ("coding_test", Phase),
        ("manual", Phase),
    ],
    edges=[
        ("ENTRY", "demand_analysis", {}),
        ("demand_analysis", "language_choose", {}),
        ("language_choose", "coding", {}),
        ("coding", "code_complete", {}),
        ("code_complete", "coding_test", {}),
        ("coding_test", "manual", {}),
        ("manual", "EXIT", {}),
    ],
)

phase_plan = [
    ("demand_analysis", "DemandAnalysis", 3),
    ("language_choose", "LanguageChoose", 3),
    ("coding", "Coding", 1),
    ("code_complete", "CodeComplete", 3),
    ("coding_test", "TestErrorSummary", 1),
    ("manual", "Manual", 1),
]

with ExitStack() as stack:
    for node_name, phase_key, max_turns in phase_plan:
        spec = phase_config[phase_key]
        assistant_role = spec["assistant_role_name"]
        instructor_role = spec["user_role_name"]

        assistant_instructions = join_lines(role_config[assistant_role])
        instructor_instructions = join_lines(role_config[instructor_role])
        phase_instructions = join_lines(spec["phase_prompt"])

        stack.enter_context(
            template_overrides_for(
                type_filter=Loop,
                name_filter=node_name,
                max_iterations=max_turns * 2,
                attributes={"phase_instructions": phase_instructions},
            )
        )
        stack.enter_context(
            template_overrides_for(
                type_filter=Agent,
                name_filter="instructor",
                path_filter=f"{node_name}>instructor",
                instructions=instructor_instructions,
            )
        )
        stack.enter_context(
            template_overrides_for(
                type_filter=Agent,
                name_filter="assistant",
                path_filter=f"{node_name}>assistant",
                instructions=assistant_instructions,
            )
        )

    g.build()
out, out_attrs = g.invoke({})
print("done, manual bytes:", len(str(out_attrs.get("manual", ""))))

说明

本章旨在方便用户快速学习MASFactory的声明式开发范式，因此省略了ChatDev的部分实现细节，如果想了解完整的实现细节，可以参考完整复现版ChatDev-Lite 或 ChatDev。

声明式构建 ChatDev Lite ​

Step 1 连接一个由两个Agent组成的Graph ​

Step 2 使用 Loop 实现多轮协作（Edge 消息） ​

Step 3 Switch + pull/push：装配 InstructorAssistantGraph 的核心结构 ​

Step 4 复用 Phase ​

Step 5: 更深入地复用NodeTemplate ​

Step 6 串联 6 个 Phase 组成简化版的ChatDev ​

声明式构建 ChatDev Lite

Step 1 连接一个由两个Agent组成的Graph

Step 2 使用 Loop 实现多轮协作（Edge 消息）

Step 3 Switch + pull/push：装配 InstructorAssistantGraph 的核心结构

Step 4 复用 Phase

Step 5: 更深入地复用NodeTemplate

Step 6 串联 6 个 Phase 组成简化版的ChatDev