wehub/hkuds--autoagent

Fork 0

Files

T

wehub-resource-sync 5ec8acf6e7 docs: make Chinese README the default

2026-07-13 10:15:12 +00:00

19 KiB

Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

AutoAgent：全自动化 & 零代码
LLM Agent 框架

欢迎使用 AutoAgent！AutoAgent 是一个全自动化（Fully-Automated）且高度自演进（Self-Developing）的框架，让用户仅凭自然语言即可创建并部署 LLM Agent。

✨ AutoAgent 核心特性

💬 自然语言驱动的 Agent 构建
纯粹通过自然对话即可自动构建并编排协作式 Agent 系统，无需手动编码或技术配置。
🚀 零代码框架（Zero-Code Framework）
让任何人——无论是否具备编程经验——都能仅凭自然语言创建并定制自己的 Agent、工具与工作流，从而普及 AI 开发。
⚡ 自管理工作流生成
根据高层任务描述动态创建、优化并适配 Agent 工作流，即使用户无法完整说明实现细节也能胜任。
🔧 智能资源编排
通过迭代式自我改进实现可控的代码生成，用于创建工具、Agent 与工作流，同时支持单 Agent 创建与多 Agent 工作流生成。
🎯 自对弈 Agent 定制（Self-Play Agent Customization）
通过迭代式自我改进实现可控的代码生成，用于创建工具、Agent 与工作流，同时支持单 Agent 创建与多 Agent 工作流生成。

🚀 解锁 LLM Agent 的未来。立即体验 🔥AutoAgent🔥！

AutoAgent 快速概览。

🔥 动态

[2025, Feb 17]: 🎉🎉我们已更新并发布 AutoAgent v0.2.0（前身为 MetaChain）。详细变更包括：1) 修复不同 LLM 提供商相关 issue 中的 bug；2) 根据 issue 在容器环境中添加 AutoAgent 自动安装；3) 为 CLI 模式添加更多易用命令；4) 将项目重命名为 AutoAgent，以便更好理解。
[2025, Feb 10]: 🎉🎉我们发布了 MetaChain!，包含框架、评测代码与 CLI 模式！更多细节请查看我们的论文。

🔍 如何使用 AutoAgent

1. `user mode`（深度研究 Agent）

AutoAgent 在起始页的用户模式中提供一套开箱即用的多 Agent 系统。该系统作为全面的 AI 研究助手，适用于信息检索、复杂分析任务以及综合报告生成。

🚀 高性能：使用 Claude 3.5 即可达到 Deep Research 的水平，而非 OpenAI 的 o3 模型。
🔄 模型灵活性：兼容任意 LLM（包括 Deepseek-R1、Grok、Gemini 等）
💰 高性价比：作为 Deep Research 每月 $200 订阅的开源替代方案
🎯 用户友好：易于部署的 CLI 界面，交互顺畅
📁 文件支持：支持文件上传，增强数据交互

🎥 Deep Research（即 User Mode）

2. `agent editor`（无工作流的 Agent 创建）

AutoAgent 最鲜明的特性是其自然语言定制能力。与其他 Agent 框架不同，AutoAgent 让你仅凭自然语言即可创建工具、Agent 与工作流。只需选择 agent editor 或 workflow editor 模式，即可通过对话开启 Agent 构建之旅。

你可以如下方图示使用 agent editor。

输入你想创建的 Agent 类型。

自动化 Agent 画像分析。

输出 Agent 画像。

创建所需工具。

输入你希望用 Agent 完成的任务。（可选）

创建所需 Agent 并进入下一步。

3. `workflow editor`（通过工作流创建 Agent）

你也可以使用 workflow editor 模式，通过自然语言描述来创建 Agent 工作流，如下图所示。（提示：该模式暂不支持工具创建。）

输入你想要创建的工作流类型。

自动化工作流画像分析。

输出工作流画像。

输入你想通过该工作流完成的任务。（可选）

创建所需的工作流并进入下一步。

⚡ 快速开始

安装

AutoAgent 安装

git clone https://github.com/HKUDS/AutoAgent.git
cd AutoAgent
pip install -e .

Docker 安装

我们使用 Docker 将 Agent 交互环境容器化。因此请先安装 Docker。你无需手动拉取预构建镜像，因为我们已让 Auto-Deep-Research 根据你的机器架构自动拉取对应的预构建镜像。

API 密钥配置

创建环境变量文件，就像 .env.template 一样，并为你想要使用的 LLM 设置 API 密钥。并非每个 LLM API 密钥都必须填写，按需使用即可。

# Required Github Tokens of your own
GITHUB_AI_TOKEN=

# Optional API Keys
OPENAI_API_KEY=
DEEPSEEK_API_KEY=
ANTHROPIC_API_KEY=
GEMINI_API_KEY=
HUGGINGFACE_API_KEY=
GROQ_API_KEY=
XAI_API_KEY=

以 CLI 模式启动

[🚨 最新消息：] 我们已更新更易用的命令来启动 CLI 模式，并修复了 issues 中不同 LLM 提供商的相关 bug。你可以按照以下步骤，用更少的配置在不同 LLM 提供商下启动 CLI 模式。

命令选项：

你可以运行 auto main 来启动 AutoAgent 的完整功能，包括 user mode、agent editor 和 workflow editor。顺便一提，你也可以运行 auto deep-research 来启动更轻量的 user mode，类似于 Auto-Deep-Research 项目。该命令的部分配置如下所示。

--container_name：Docker 容器名称（默认：'deepresearch'）
--port：容器端口（默认：12346）
COMPLETION_MODEL：指定要使用的 LLM 模型，模型名称应遵循 Litellm 的命名规范。（默认：claude-3-5-sonnet-20241022）
DEBUG：启用调试模式以输出详细日志（默认：False）
API_BASE_URL：LLM 提供商的基础 URL（默认：None）
FN_CALL：启用 function calling（默认：None）。大多数情况下你可以忽略此选项，因为我们已根据模型名称设置了默认值。
git_clone：将 AutoAgent 仓库克隆到本地环境（仅支持 auto main 命令，默认：True）
test_pull_name：测试拉取的分支名称。（仅支持 auto main 命令，默认：'autoagent_mirror'）

关于 `git_clone` 和 `test_pull_name` 的更多说明]

在 agent editor 和 workflow editor 模式下，我们需要将 AutoAgent 仓库的镜像克隆到本地 Agent 交互环境，并让 AutoAgent 自动更新 AutoAgent 自身，例如创建新工具、Agent 和工作流。因此，如果你想使用 agent editor 和 workflow editor 模式，应将 git_clone 设为 True，并将 test_pull_name 设为 'autoagent_mirror' 或其他分支。

搭配不同 LLM 提供商使用 `auto main`

接下来我将演示如何通过 auto main 命令搭配不同 LLM 提供商使用 AutoAgent 的完整功能。如果你想使用 auto deep-research 命令，可参考 Auto-Deep-Research 项目了解更多详情。

Anthropic

在 .env 文件中设置 ANTHROPIC_API_KEY。

ANTHROPIC_API_KEY=your_anthropic_api_key

运行以下命令启动 Auto-Deep-Research。

auto main # default model is claude-3-5-sonnet-20241022

OpenAI

在 .env 文件中设置 OPENAI_API_KEY。

OPENAI_API_KEY=your_openai_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=gpt-4o auto main

Mistral

在 .env 文件中设置 MISTRAL_API_KEY。

MISTRAL_API_KEY=your_mistral_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=mistral/mistral-large-2407 auto main

Gemini - Google AI Studio

在 .env 文件中设置 GEMINI_API_KEY。

GEMINI_API_KEY=your_gemini_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=gemini/gemini-2.0-flash auto main

Huggingface

在 .env 文件中设置 HUGGINGFACE_API_KEY。

HUGGINGFACE_API_KEY=your_huggingface_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=huggingface/meta-llama/Llama-3.3-70B-Instruct auto main

Groq

在 .env 文件中设置 GROQ_API_KEY。

GROQ_API_KEY=your_groq_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=groq/deepseek-r1-distill-llama-70b auto main

OpenAI 兼容端点（例如 Grok）

在 .env 文件中设置 OPENAI_API_KEY。

OPENAI_API_KEY=your_api_key_for_openai_compatible_endpoints

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=openai/grok-2-latest API_BASE_URL=https://api.x.ai/v1 auto main

OpenRouter（例如 DeepSeek-R1）

我们暂时建议使用 OpenRouter 作为 DeepSeek-R1 的 LLM 提供商，因为 DeepSeek-R1 的官方 API 目前无法高效使用。

在 .env 文件中设置 OPENROUTER_API_KEY。

OPENROUTER_API_KEY=your_openrouter_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=openrouter/deepseek/deepseek-r1 auto main

DeepSeek

在 .env 文件中设置 DEEPSEEK_API_KEY。

DEEPSEEK_API_KEY=your_deepseek_api_key

运行以下命令启动 Auto-Deep-Research。

COMPLETION_MODEL=deepseek/deepseek-chat auto main

CLI 模式启动后，你将看到 AutoAgent 的启动页面：

AutoAgent 启动页面。

提示

你可以将浏览器 Cookie 导入浏览器环境，以便 Agent 更好地访问某些特定网站。更多详情，请参阅 cookies 文件夹。

为第三方工具平台添加你自己的 API 密钥

如果你想从第三方工具平台（例如 RapidAPI）创建工具，需要先在平台上订阅相关工具，然后通过运行 process_tool_docs.py 添加你自己的 API 密钥。

python process_tool_docs.py

更多功能即将推出！🚀 Web GUI 界面正在开发中。

☑️ 待办清单

AutoAgent 正在持续演进！以下是即将推出的内容：

📊 更多基准测试：将评估范围扩展到 SWE-bench、WebArena 等
🖥️ GUI Agent：支持具备 GUI 交互的 Computer-Use 智能体
🔧 工具平台：与 Composio 等更多平台集成
🏗️ 代码沙箱：支持 E2B 等更多环境
🎨 Web 界面：开发完善的 GUI，以提升用户体验

有想法或建议？欢迎提交 issue！敬请期待更多精彩更新！🚀

🔬 如何复现论文中的结果

GAIA Benchmark

对于 GAIA 基准测试，你可以运行以下命令进行推理。

cd path/to/AutoAgent && sh evaluation/gaia/scripts/run_infer.sh

进行评估时，你可以运行以下命令。

cd path/to/AutoAgent && python evaluation/gaia/get_score.py

Agentic-RAG

对于 Agentic-RAG 任务，你可以运行以下命令进行推理。

Step1. 前往此页面并下载。将其保存到你的数据路径。

Step2. 运行以下命令进行推理。

cd path/to/AutoAgent && sh evaluation/multihoprag/scripts/run_rag.sh

Step3. 结果将保存在 evaluation/multihoprag/result.json 中。

📖 文档

更详细的文档即将推出 🚀，我们将在 Documentation 页面持续更新。

🤝 加入社区

我们希望为 AutoAgent 建立一个社区，欢迎所有人加入我们。你可以通过以下方式加入我们的社区：

加入我们的 Slack 工作区 - 在这里我们讨论研究、架构和未来开发。
加入我们的 Discord 服务器 - 这是一个由社区运营的服务器，用于一般讨论、提问和反馈。
阅读或提交 Github Issues - 查看我们正在处理的 issue，或提出你自己的想法。

其他

🙏 致谢

罗马非一日建成。AutoAgent 站在巨人的肩膀上，我们对前人的杰出工作深表感激。我们的框架架构借鉴了 OpenAI Swarm,，而用户模式下的三智能体设计则受益于 Magentic-one's 的见解。我们还从 OpenHands 学习了文档结构，并从许多其他优秀项目中学习了智能体-环境交互设计等。我们对所有这些在塑造 AutoAgent 过程中发挥重要作用的开拓性工作致以诚挚的感谢与敬意。

🌟 引用

@misc{AutoAgent,
      title={{AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents}},
      author={Jiabin Tang, Tianyu Fan, Chao Huang},
      year={2025},
      eprint={202502.05957},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2502.05957},
}

19 KiB Raw Permalink Blame History Unescape Escape

AutoAgent：全自动化 & 零代码 LLM Agent 框架