仓库地址:[https://github.com/msitarzewski/agency-agents](https://github.com/msitarzewski/agency-agents) 该项目是围绕 **AI 智能体(Agents)协作框架** 构建的开源项目,核心目标是实现多智能体的协同工作、任务拆分与执行,适配大语言模型(LLM)生态,属于 AI Agent 领域的实践型项目。 #### 一、核心特性 1. **多智能体协作**:支持定义不同角色的智能体(如规划者、执行者、审核者),智能体间可通信、分工完成复杂任务; 2. **LLM 适配性**:兼容主流大模型(如 OpenAI API、本地部署的开源模型),可灵活切换底层模型; 3. **任务编排**:提供简单的任务拆分、调度逻辑,支持智能体自主决策下一步操作; 4. **轻量级架构**:代码结构清晰,依赖少,易于二次开发和扩展。 #### 二、快速上手(基础使用流程) ##### 1. 克隆仓库 ```Bash git clone https://github.com/msitarzewski/agency-agents.git cd agency-agents ``` ##### 2. 安装依赖 项目基于 Python 开发,先安装核心依赖: ```Bash pip install -r requirements.txt ``` ##### 3. 配置环境 需配置 LLM 相关密钥(如 OpenAI API Key),创建 `.env` 文件: ```Plain OPENAI_API_KEY=your_api_key_here # 若使用本地模型,补充模型地址/端口等配置 ``` ##### 4. 运行示例 项目内置了多智能体协作的示例脚本(如 `examples/` 目录下),以基础任务协作为例: ```Python from agency import Agent, Agency # 定义智能体角色 planner_agent = Agent( name="Planner", role="任务规划师", instructions="拆分复杂任务为子任务,分配给对应执行者" ) executor_agent = Agent( name="Executor", role="任务执行者", instructions="执行规划师分配的子任务,返回执行结果" ) # 创建智能体协作平台 agency = Agency() agency.add_agents([planner_agent, executor_agent]) # 提交任务并运行 task = "完成一份AI Agent技术调研报告,包含核心架构、应用场景、行业案例" result = agency.run(task) print(result) ``` #### 三、核心模块说明 |模块/文件|功能说明| |---|---| |`agency/agent.py`|定义智能体的核心类(Agent),包含角色、指令、交互逻辑、LLM 调用接口| |`agency/agency.py`|智能体协作的核心调度器(Agency),管理智能体注册、任务分发、通信规则| |`examples/`|各类示例脚本(单智能体任务、多智能体协作、自定义角色等)| |`utils/`|工具函数(LLM 调用封装、日志、配置解析等)| #### 四、扩展与定制 1. **自定义智能体角色**:继承 `Agent` 类,重写 `act()` 方法实现自定义行为逻辑; 2. **接入本地模型**:修改 `llm/client.py` 中的模型调用接口,适配如 Llama、ChatGLM 等开源模型; 3. **添加工具调用**:扩展 `tools/` 目录,为智能体增加如文件读写、网络请求、代码执行等工具能力。 #### 五、注意事项 1. 项目依赖的 OpenAI API 需确保网络可访问,或替换为兼容 OpenAI 接口的本地代理(如 FastChat); 2. 多智能体协作的效率和效果依赖于提示词设计,需针对具体任务优化智能体的 `instructions`; 3. 项目仍在迭代中,部分功能(如智能体记忆、长对话管理)可能需自行扩展。 如果需要更具体的功能解析(如某段代码的逻辑、自定义智能体的实现步骤),可以补充说明,我会进一步拆解。