OpenAgent：完全开源的企业级智能体应用框架

原创 已于 2025-10-10 20:33:59 修改 · 1.5k 阅读 · 20 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#开源

于 2025-10-10 18:13:08 首次发布
部署运行你感兴趣的模型镜像

在大模型技术落地的浪潮中，企业开发者面临着一个核心困境：是选择功能强大但商业受限的开发引擎，如Dify/n8n等，还是选择简单易用但无法私有部署的SaaS服务，如coze？今天介绍的OpenAgent提供了一个全新的选择——一个完全开源的企业级智能体应用框架:

  • 集成智能问答、智能问数、知识库、工作流编排和智能体编排的大模型一站式平台。
  • 采用Vue.js + FastAPI + PostgreSQL+Langchain/LangGraph等主流技术栈。
  • 专为企业级应用设计，代码完全开源，支持私有化部署，可灵活扩展及二次开发。
  • 内置完善用户认证和权限管理(RBAC)，用户数据隔离，确保数据安全。

🚀 不仅仅是引擎，更是完整产品

OpenAgent本身就是一个完整的全栈应用，而非单纯的开发引擎或工具包。

企业开发者无需从零开始耗费数月搭建基础架构，OpenAgent 的前后端代码完全开放，无任何绑定或锁定的插件依赖，企业可基于自身需求进行任意程度的定制化开发与扩展，真正实现技术栈的自主可控。通过简单的部署，您即可获得一个功能完备、开箱即用的企业级AI应用，大幅降低研发成本与上线周期。

🏗️ 技术架构

后端技术栈

  • Web框架: FastAPI + SQLAlchemy + Alembic
  • 数据库: PostgreSQL 16+ (开源关系型数据库)
  • 向量数据库: PostgreSQL + pgvector 扩展 (开源向量数据库)
  • 智能体编排: LangGraph 状态图 + 条件路由
  • 工具调用: Langchain Function Calling
  • 数据库MCP: postgresql MCP (Model Context Protocol)
  • 倒排索引检索：Postgresql BM25
  • 对话记忆: ConversationBufferMemory
  • 文档处理: PyPDF2 + python-docx + markdown
  • 数据分析: Pandas + NumPy

前端技术栈

  • 框架: Vue 3 + TypeScript + Vite
  • UI组件: Element Plus (开源UI库)
  • HTTP客户端: Axios
  • 工作流编辑器: 可视化编辑器
  • 工作流引擎: 基于DAG的流程执行引擎
  • 图形渲染: Canvas API + SVG
  • 拖拽交互: Vue Draggable
  • 节点连接: 自定义连线算法

✨ 核心能力

🤖 智能问答

  • 多模型支持：支持兼容OpenAI协议的所有大模型，包括DeepSeek、智谱AI、豆包等国内主流AI服务商
  • 三种对话模式：
    • 自由对话：直接与AI模型交互
    • RAG对话：基于知识库的检索增强生成
    • 智能体对话：智能体自动规划协作处理复杂任务
  • 多轮对话：支持连续对话，上下文理解和记忆
  • 对话历史：完整的会话记录和管理

🌟 技术特色

基于LangGraph的智能体对话系统

  • 自主规划能力：智能体能够根据任务需求自主调用工具并规划执行流程
  • 动态工具调用：根据上下文自动选择最合适的工具并执行
  • 多步任务分解：复杂任务自动拆解为多个子任务并顺序执行
  • 自动纠错能力：在执行过程中自动检测并修复错误，通过重试机制或替代方案确保任务顺利完成
  • 思维链可视化：完整展示智能体的思考过程和决策路径，让每一步推理和工具调用都对用户清晰可见，提升决策透明度

示例场景：
当用户询问"推荐长沙和北京哪个适宜旅游"时：

  1. 智能体首先调用搜索工具查找相关信息
  2. 未找到合适结果时，自动规划调用天气查询工具
  3. 智能拆分为两次执行：先查询长沙天气，再查询北京天气
  4. 根据气温数据判断北京更适宜旅游
  5. 自动调用搜索工具查找北京景点信息
  6. 最终整合所有信息生成总结推荐

第一步：调用搜索引擎工具去查找哪个城市更适合旅游

第二步：搜索的内容没有找到合适的答案，意识到错了后，改变策划，重新调用天气工具，从天气的角度判断哪个城市更适合当下旅游 。

并且自动进行任务拆解，对北京、长沙分别调用一次天气工具，获取到两个城市的天气情况。

第三步：根据天气判断北京更适合旅游，再调用搜索引擎工具，搜索北京的特色景点。最后将工具调用结果与问题进行总结，完成本次对话过程。

📊 智能问数

智能问数是OpenAgent项目的核心功能模块，致力于解决企业数据查询与分析的核心痛点，让非技术人员也能通过自然语言与数据进行深度对话。

🌟 技术特色

双引擎智能问数系统

基于Excel的智能问数

  • 使用LangChain代码解释器插件，将Excel数据读取到Pandas DataFrame
  • 大模型将自然语言问题转换为Pandas语法并执行
  • 支持多表格文件联合查询和复杂数据分析
  • 展示完整的大模型思考工作流

基于数据库的智能问数

  • 实现PostgreSQL MCP（Model Context Protocol）接口
  • 大模型先提取表元数据，了解表结构和关系
  • 根据用户问题自动生成优化SQL查询语句
  • 支持多表关联查询和复杂数据检索
  • 展示完整的大模型思考工作流
# 基于Excel的智能问数处理流程示例
用户输入："按项目类型统计2025年的合同总额"

系统自动解析：
1. 语义理解：找到2025年的数据表格，确定合同额，以及项目类型所在的表格列
2. 查询生成：转换为Pandas查询语句
3. 执行优化：调用代码解析器执行python代码
4. 结果呈现：生成可视化图表以及对结果进行总结说明

基于Excel表格文件的智能问数

 # 基于数据库表的智能问数处理流程示例
用户输入："最近一次会话的用户的用户名"

系统自动解析：
1. 语义理解：根据问题找到相关的表：conversation，message，user三张表
2. 根据表元数据找到最终要用到的两张表：message,user两张表
3. 生成关联查询sql：关联message和user表的sql语句，获取最终的username
4. 执行优化：调用代postgresql mcp服务执行sql
5. 结果呈现：生成可视化表格以及对结果进行总结说明

📚 知识库管理

  • 文档处理：支持PDF、Word、Markdown、TXT等格式
  • 向量存储：基于PostgreSQL + pgvector的向量数据库
  • 智能检索：向量相似度搜索和BM25算法关键词检索
  • 文档管理：上传、删除、分类和标签管理
  • RAG集成：与对话系统无缝集成

🌟 技术特色

高级语义分割知识库处理

  • 智能段落分割：基于大模型的语义理解分割技术，而非传统的文本相似度判断
  • 精准切分识别：大模型直接识别最适合的切分位置并输出分割标记字符串
  • 高效处理流程：仅输出分割位置字符串，再由代码执行实际分割操作
  • 性能优化：避免了传统方法中大量的向量计算和相似度比较，提升处理速度
  • 质量保证：大模型的深层语义理解确保分割边界的准确性和合理性

双重召回检索机制

  • 多模态检索：结合向量相似度匹配与BM25关键词检索
  • 混合排序策略：采用加权融合算法，综合语义相关性和关键词匹配度进行结果排序
  • 召回增强：双重召回机制有效解决了单纯向量检索的"词汇不匹配"问题
  • 精准度提升：相比单一检索方式，显著提高相关文档的召回率和准确率

知识库文件管理

法律文件智能分割

🔧 工作流编排（待完成）

  • 可视化设计：拖拽式工作流设计器
  • 节点类型：支持AI对话、数据处理、条件判断等节点
  • 流程控制：条件分支、循环、并行执行

支持对大模型节点、条件分支、代码执行等几种类型节点的自由编排

🤖 智能体编排（Todo)

  • 多智能体协作：不同专业领域的AI智能体协同工作
  • 角色定义：自定义智能体的专业能力和知识领域
  • 任务分配：智能分解复杂任务到合适的智能体
  • 结果整合：汇总多个智能体的输出生成最终答案

本地源码部署指南

环境要求

  • Python 3.10+
  • Node.js 18+
  • PostgreSQL 16+

1. 安装PostgreSQL和pgvector

方式一：Docker安装（推荐）

使用 Docker + Docker Compose 部署 PostgreSQL 16 + pgvector 插件。

1. 创建docker-compose.yml文件

内容如下：

version: '3.8'

services:
  db:
    image: pgvector/pgvector:pg16
    container_name: pgvector-db
    environment:
      POSTGRES_USER: myuser
      POSTGRES_PASSWORD: your_password
      POSTGRES_DB: mydb
    ports:
      - "5432:5432"
    volumes:
      - pgdata:/var/lib/postgresql/data
    restart: unless-stopped

volumes:
  pgdata:

说明：

  • 使用 pgvector/pgvector:pg16 镜像，内置 PostgreSQL 16 + pgvector 插件
  • 数据保存在 Docker 卷 pgdata 中，重启不会丢失
  • 监听宿主机端口 5432，可用本地工具如 pgAdmin, DBeaver, psql 连接
  • 默认数据库名称：mydb
  • 默认用户名：myuser
  • 默认密码：your_password

2. 启动服务

在 docker-compose.yml 所在目录下运行：

docker-compose up -d

查看容器状态：

docker ps

输出应包含一个名为 pgvector-db 的容器，状态为 Up。

3. 验证 pgvector 安装成功

进入 PostgreSQL 容器：

docker exec -it pgvector-db psql -U myuser -d mydb

启用 pgvector 插件：

CREATE EXTENSION IF NOT EXISTS vector;

插入并查询向量数据（示例，可以在客户端，如dbeaver等）**

-- 创建表，包含一个向量字段（维度为3）
CREATE TABLE items (
  id SERIAL PRIMARY KEY,
  embedding vector(3)
);

-- 插入向量数据
INSERT INTO items (embedding) VALUES
  ('[1,1,1]'),
  ('[2,2,2]'),
  ('[1,0,0]');

-- 查询与 [1,1,1] 最接近的向量（基于欧几里得距离）
SELECT id, embedding
FROM items
ORDER BY embedding <-> '[1,1,1]'
LIMIT 3;

-- 上述没报错且有结果返回，即安装成功

2. 后端部署

# 克隆项目
git clone https://github.com/lkpAgent/chat-agent.git
cd chat-agent/backend

#创建python虚拟环境，推荐使用conda创建虚拟环境
conda create -n chat-agent python=3.10
conda activate chat-agent

# 安装依赖
pip install -r requirements.txt

# 配置环境变量,windows下直接复制.env.example文件为.env  
cp .env.example .env

# 编辑.env文件，配置数据库连接和AI API密钥。相关配置信息见后面的配置说明

# 配置完数据库信息后，初始化数据库表及创建登录账号(用户名: test@example.com, 密码: 123456)
cd backend/tests
python init_db.py

# 启动后端服务，默认8000端口
python -m uvicorn chat_agent.main:app --reload --host 0.0.0.0 --port 8000
# 或者直接运行main.py
# cd backend/chat_agent
# python main.py

3. 前端部署

# 进入前端目录
cd ../frontend

# 安装依赖
npm install

# 配置环境变量
cp .env.example .env
# 编辑.env文件，配置后端API地址
VITE_API_BASE_URL = http://localhost:8000

# 启动前端服务，默认端口3000
npm run dev

启动成功后，访问http://localhost:3000，会进入到登录页面，默认账号密码为test@example.com/123456

登录页面

登录后首页

4. 访问应用

5. 后端配置说明

后端环境变量配置 (backend/.env)

# 数据库配置
# ========================================
DATABASE_URL=postgresql://your_username:your_password@your_host:your_port/your_db
# 示例：
# DATABASE_URL=postgresql://myuser:mypassword@127.0.0.1:5432/mydb

# ========================================
# 向量数据库配置
# ========================================
VECTOR_DB_TYPE=pgvector
PGVECTOR_HOST=your_host
PGVECTOR_PORT=your_port
PGVECTOR_DATABASE=mydb
PGVECTOR_USER=myuser
PGVECTOR_PASSWORD=your_password
 
# 大模型配置 (支持OpenAI协议的第三方服务) 只需要配置一种chat大模型以及embedding大模型
# ========================================
# chat大模型配置
# ========================================
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
LLM_PROVIDER=doubao

# Embedding模型配置
# ========================================
# 可选择的提供商: openai, deepseek, doubao, zhipu, moonshot
EMBEDDING_PROVIDER=zhipu

# OpenAI配置
OPENAI_API_KEY=your-openai-api-key
OPENAI_MODEL=gpt-4
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_EMBEDDING_MODEL=text-embedding-ada-002


# 智谱AI配置
ZHIPU_API_KEY=your-zhipu-api-key
ZHIPU_MODEL=glm-4
ZHIPU_EMBEDDING_MODEL=embedding-3
ZHIPU_BASE_URL=https://open.bigmodel.cn/api/paas/v4

# DeepSeek配置
DEEPSEEK_API_KEY=your-deepseek-api-key
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DEEPSEEK_MODEL=deepseek-chat
DEEPSEEK_EMBEDDING_MODEL=deepseek-embedding

# 豆包配置
DOUBAO_API_KEY=your-doubao-api-key
DOUBAO_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
DOUBAO_MODEL=doubao-1-5-pro-32k-250115
DOUBAO_EMBEDDING_MODEL=doubao-embedding

# Moonshot配置
MOONSHOT_API_KEY=your-moonshot-api-key
MOONSHOT_BASE_URL=https://api.moonshot.cn/v1
MOONSHOT_MODEL=moonshot-v1-8k
MOONSHOT_EMBEDDING_MODEL=moonshot-embedding

# 工具API配置
## tavilySearch api
TAVILY_API_KEY=your-tavily-api-key
## 心知天气api
WEATHER_API_KEY=your_xinzhi_api_key

项目结构

chat-agent/
├── backend/                 # 后端代码
│   ├── chat_agent/         # 主应用包
│   │   ├── api/            # API路由
│   │   ├── core/           # 核心配置
│   │   ├── db/             # 数据库相关
│   │   ├── models/         # 数据库模型
│   │   ├── services/       # 业务逻辑
│   │   ├── utils/          # 工具函数
│   │   └── main.py         # 应用入口
│   ├── tests/              # 测试文件
│   └── requirements.txt    # Python依赖
├── frontend/               # 前端代码
│   ├── src/
│   │   ├── components/     # Vue组件
│   │   ├── views/          # 页面组件
│   │   │   ├── chat/       # 对话页面
│   │   │   ├── knowledge/  # 知识库页面
│   │   │   ├── workflow/   # 工作流页面
│   │   │   └── agent/      # 智能体页面
│   │   ├── stores/         # Pinia状态管理
│   │   ├── api/            # API调用
│   │   ├── types/          # TypeScript类型
│   │   └── router/         # 路由配置
│   └── package.json        # Node.js依赖
├── data/                   # 数据目录
│   ├── uploads/            # 上传文件
│   └── logs/               # 日志文件
└── docs/                   # 文档目录


🌟 与同类平台的差异化优势

对比Dify

  • 优势：OpenAgent提供完整的前后端应用，而Dify更偏向后端引擎
  • 场景：企业需要快速获得完整解决方案而非开发平台时

对比Coze

  • 优势：OpenAgent支持私有化部署和深度定制，Coze为闭源SaaS
  • 场景：对数据安全有严格要求的企业环境

对比n8n

  • 优势：OpenAgent专注于AI原生应用，n8n更侧重通用自动化
  • 场景：需要深度AI能力而非工作流自动化的场景

📄 许可证

本项目采用 MIT License 许可证，这意味着：

  • 可以自由使用、修改、分发
  • 可以用于商业目的
  • 只需保留原始许可证声明
  • 作者不承担任何责任

源码地址：

https://github.com/lkpAgent/OpenAgentgithub.com/lkpAgent/openAgent

您可能感兴趣的与本文相关的镜像

ComfyUI

ComfyUI

AI应用
ComfyUI

ComfyUI是一款易于上手的工作流设计工具，具有以下特点：基于工作流节点设计，可视化工作流搭建，快速切换工作流，对显存占用小，速度快，支持多种插件，如ADetailer、Controlnet和AnimateDIFF等

apeng2007
关注
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
丨汀、的博客
07-25 1万+
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
AI人工智能 Agent：制造业中智能体的应用
AI天才研究院
04-22 1176
智能体是具有自主性的系统,能够通过感知器获取环境信息,并根据这些信息做出决策和行动。感知器(Sensors): 用于获取环境数据效能器(Actuators): 用于对环境产生影响决策引擎: 根据感知数据做出决策知识库: 存储智能体的知识和经验提高生产效率: 通过自动化和优化生产流程,智能体显著提高了生产效率。例如,智能机器人可以24小时不间断工作,大大提高了产出。降低成本: 智能体可以优化资源利用,减少浪费,从而降低生产成本。预测性维护技术也大大减少了设备停机时间和维护成本。提升质量。
AI智能体全面爆发：字节Coze三件套正式开源，打造企业级Agent开发闭环
热门推荐
沉淀所学，分享所思，让热爱与成长同行。商务记录AI实战经验，助力开发者快速成长。 热爱AI，希望做出有影响力的技术成果。 技术点亮生活，分享连接价值与机会。 专注AI落地实战，陪你走好技术每一步。
07-28 3万+
字节跳动正式开源AI智能体开发平台「Coze」三件套，包括Coze Studio（零代码可视化开发）、Coze Loop（运维测试平台）和Eino（编排框架），采用Apache 2.0商业友好协议，支持免费商用和二次开发。该平台覆盖智能体全生命周期，降低开发门槛，已获13K GitHub星标。部署轻量，仅需2核CPU+4GB内存和Docker环境，推动AI智能体开发进入工程化落地阶段，标志着Agent开发迈向"前端化、产品化"新时代。
11 个顶级开源Agent框架：自主运行 AI 的未来（2025年更新）
kaka0722ww的博客
02-26 1942
ChatGPT、DALL-E 3 或 Midjourney 这样的工具使用基于提示的界面进行人工智能交互。这意味着你需要用自然语言编写一组指令（Promts），通常会跟随大量的快速重新提示尝试，以获得有意义的回应它很慢，违反直觉，考虑到 AI 模型的能力。由于 Neuralink(对， 感觉这个事是终极方案) 还需要一段时间，我们需要更好、更高效的方式与人工智能进行接口。
OpenAgents
whaosoft143ai的博客
10-25 846
在「界面」上，OpenAgents 提供线上的网页 demo (以及配套的开源代码)，非程序员背景的普通用户也可轻松与智能体进行交互，而之前的工作通常不提供或者以「控制台指令界面」(CLI) 形式提供交互，极大地提高了智能体的使用门槛。基于此，来自香港大学、XLang实验室、Sea AI实验室和Salesforce的研究者联合打造了一款用于真实世界生产力工具的开源智能体框架——OpenAgents，并开源了全栈代码（完整前后端，研究代码），以满足从研究者到开发者再到用户的所有人的需要。whaosoft ai
【大模型系列】openagent
m0_64710378的博客
01-13 2319
OpenAgents探索并解决了构建实用级代理应用程序的基本要求，奠定了一个强大的基础，允许社区通过集成其他组件(如工具)毫不费力地横向扩展(例如，从更多样化的API源集成，如PublicAPIs2)，扩展更多的基础模型，适应新的ui设计等。当前的语言代理框架旨在促进概念验证语言代理的构建，而忽略了非专家用户对代理的访问，并且很少关注应用级设计。的方法，用户的总体指令被分割成更易理解的子任务。满足用户日常任务的多方面要求，这些任务需要额外的插件，例如购物，搜索，新闻阅读，天气预报和网站创建。
探索未来：OpenAgents——日常生活中的智能伙伴
gitblog_00368的博客
11-12 350
在当今这个数字化时代，语言智能体正逐渐成为连接人类与技术的重要桥梁。【OpenAgents】横空出世，它不是一个普通的语言智能体项目，而是一个面向未来的开放平台，旨在打破技术壁垒，让每个人都能够轻松部署并享受到属于自己的语言智能服务。本文带你深入了解OpenAgents的奥秘，揭示其为何成为你不可或缺的技术伙伴。 ## **项目介绍** OpenAgents是一个颠覆性的开源项目，它设计的初衷
【亲测免费】 OpenAgents 项目使用教程
gitblog_00096的博客
10-10 904
OpenAgents 项目使用教程 1. 项目目录结构及介绍 openagents/ ├── docs/ │ ├── README.md │ └── ... ├── src/ │ ├── main.py │ ├── config.py │ └── ... ├── tests/ │ ├── test_main.py │ └── ... ├── requirements.t...
Qwen-Agent智能体框架：阿里又一开源王炸！附详细教程
hunteritself的博客
01-05 5175
Qwen-Agent智能体框架：阿里又一开源王炸！附详细教程
从零构建 AI Agent：LLM 大模型应用开发实践
AI天才研究院
12-03 1562
AI Agent（人工智能代理）是一个能够感知环境、做出决策并采取行动以实现特定目标的智能系统。它是人工智能研究和应用的核心概念之一，代表了我们在创造能够自主运作的智能实体方面的努力。感知器（Sensors）：用于感知环境状态的组件。执行器（Actuators）：用于在环境中执行动作的组件。决策单元（Decision-making unit）：根据感知到的信息做出决策的核心组件。数学上，我们可以将 AI Agent 表示为一个函数ffffP→AfP→A其中PPP。
2025年AI智能体开源技术栈全面解析：从基础框架到垂直应用
fudaihb的博客
09-01 1405
2025年开源AI智能体技术迎来爆发式发展，市场预计以44.8%年增速增长至471亿美元。主流框架形成技术分层，LangChain、CrewAI和AutoGen三大核心框架各具特色，分别擅长工作流构建、多智能体协作和对话系统。技术创新聚焦三大方向：工具扩展（计算机操控、语音集成、文档处理）、记忆管理（分层架构、向量检索）和评估监控（测试框架、行为追踪）。行业应用已覆盖金融、医疗、电商等领域，典型案例显示异常检测率提升40%、转化率提高22%。开源生态正推动AI智能体向更复杂、多模态的协作系统演进。
OpenAgent：项目的核心功能/场景
gitblog_00290的博客
04-03 879
OpenAgent：项目的核心功能/场景 OpenAgent 是一款快速启动功能型AI Agent的框架。 项目介绍 在现代科技发展的大潮中，人工智能Agent的应用日益广泛，它们在处理复杂、高强度的任务中扮演着越来越重要的角色。OpenAgent 框架正是为了满足这一需求而生，它致力于为AI Agent提供可验证的计算能力，确保Agent在执行如DeFAI（去中心化AI）和DeSci（去中心化科...
探索开源项目：os_QA - 一个基于深度学习的问答系统框架
gitblog_00075的博客
04-04 648
探索开源项目：os_QA - 一个基于深度学习的问答系统框架 项目简介 os_QA 是一个专为构建智能问答系统的开源框架，由开发者 Yongjian Chen 创建并维护。这个项目利用深度学习技术，旨在帮助开发者和研究人员快速搭建自己的问答系统，以实现自动化、智能化的信息检索。 技术分析 os_QA 的核心是基于Transformer架构的预训练模型，如BERT或ALBERT等，这些模型经过大量的...
Open-Agent-Studio：跨平台RPA自动化利器
gitblog_00732的博客
03-28 849
Open-Agent-Studio：跨平台RPA自动化利器 Open-Agent-Studio 是一款革命性的跨平台桌面应用程序，旨在为用户提供一种开源的替代方案，以取代目前市场上的所有 RPA（Robotic Process Automation）工具，如 UIpath 等。这款工具不仅功能强大，而且完全开源，让用户能够更自由地构建和定制自动化流程。 项目介绍 Open-Agent-Studio...
5个顶级开源Agent框架，你必须知道！
python12345_的博客
06-27 6035
AI Agent可以定义为匹配各种任务的自主计算实体。与传统的基于提示的人工智能交互不同，自主Agent能更高效地处理任务，进而引领一个从半自主到全自主系统的转变周期。
SilkTest天龙八部系列6-用open agent进行测试
SilkTest中文站
09-01 1194
SilkTest支持两种测试模式，一种是用classic agent，另一种就是用我们今天要介绍的open agent. open agent可以提供和classic agent差不多的录制回放功能。它们主要的差别在于所支持的对象类型，了解这些差别对于需要手工编辑的test case很有用。 classic agent支持的应用类型包括： Windows Forms Java
Antigravity初体验
最新发布
数据小白的博客
11-20 990
在 AI 辅助编程的浪潮中，我们已经体验了的“副驾驶”体验——它在你输入代码时给出补全建议，或者在对话框里回答你的技术问题。在 Open Agent Manager 中，你可以指挥 Agent 跨越文件夹的边界，像处理单一代码库一样流畅地处理分布式系统。左侧导航栏 (Sidebar)：你可以轻松切换不同的 Workspaces（工作区），管理你的 Inbox（收件箱），或者启动新的对话。全局监控：看着 Agent 在你的项目中穿梭，打开文件，阅读代码，就像看着一个熟练的工程师在远程操作。
大模型智能体agent开源框架
01-08
### 大模型智能体Agent开源框架 #### PhidataRig【推荐】 PhidataRig 是一个专注于简化机器学习工作流的工具集，特别适合用于构建基于大模型的智能体应用。该框架提供了丰富的功能来处理数据准备、模型训练以及部署等环节[^1]。 ```python from phidata import WorkspaceConfig, DockerResource config = WorkspaceConfig( resources=[ DockerResource(name="my-agent", image="path/to/image"), ] ) if __name__ == "__main__": config.run() ``` 此框架的优势在于其高度集成化的特性，能够有效降低开发者的工作量并提高开发效率。对于希望快速搭建起具备复杂逻辑的大规模AI系统的团队来说是一个不错的选择。 #### LangChain LangChain 提供了一种新颖的方式来链接不同的自然语言处理组件和服务，形成更加灵活多变的应用程序结构。它支持多种主流的语言模型作为后端服务提供商，并允许通过简单的API调用来实现复杂的对话管理任务。 ```json { "chaining": [ {"service": "intent-recognition"}, {"service": "entity-extraction"}, {"service": "response-generation"} ], "model_backend": ["openai-gpt3", "huggingface-transformers"] } ``` 这种设计使得开发者可以轻松组合不同类型的NLP模块，从而创建出满足特定需求的定制化解决方案。特别是在面对需要频繁迭代优化的产品时表现出色。 #### Microsoft Autogen.ai Microsoft 的 Autogen.ai 平台旨在帮助企业级客户更高效地利用自动化技术解决实际业务挑战。平台内置了大量的预训练模型库，涵盖了图像识别、语音合成等多个领域；同时还提供了一系列高级特性和工具链帮助用户更好地管理和维护这些资源。 ```bash pip install autogen-ai autogen init my_project/ cd my_project && autogen train --data ./training_data.csv ``` 借助于强大的社区支持和技术文档体系，即使是初学者也能迅速上手操作，在短时间内完成高质量项目的交付。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值