Cooragent: creación de una herramienta de colaboración en tareas multiinteligencia en una frase

Introducción general

Cooragent es un marco de colaboración de agentes de IA de código abierto desarrollado por LeapLab en la Universidad de Tsinghua y alojado en GitHub, que permite a los usuarios crear agentes de IA inteligentes con una descripción de una sola frase y admite múltiples agentes para colaborar en tareas complejas. El marco ofrece dos modos: Agent Factory genera automáticamente agentes personalizados, y Agent Flujo de trabajo Cooragent es profundamente compatible con la cadena de herramientas Langchain, y admite MCP para garantizar una comunicación eficaz entre los agentes. Los desarrolladores pueden crear, editar y gestionar agentes rápidamente mediante herramientas CLI o API.

Lista de funciones

• Modo de fábrica de agentes El sistema analiza automáticamente los requisitos y genera un agente de IA personalizado sin necesidad de un complejo diseño de Prompt.
• Modo de flujo de trabajo del agente : Admite la colaboración multiagente, desglosando automáticamente las tareas, asignando funciones y completando objetivos complejos.
• Gran compatibilidad con Langchain : Soporte para Prompt, Chain, Memory, Document Loaders y otros componentes de Langchain para simplificar el desarrollo.
• Soporte de protocolo MCP Intercambio normalizado de información entre agentes, soporte para múltiples rondas de interacción y gestión eficaz del contexto.
• Herramientas CLI : Proporciona una interfaz de línea de comandos para crear, editar, eliminar y listar agentes rápidamente.
• Soporte API Automatice la creación de agentes, el envío de tareas y la supervisión del estado mediante API.
• Llamada a la herramienta Funciones de agente ampliadas con soporte para rastreadores web, ejecución de código, manipulación de archivos, etc.
• compartir en comunidad Los usuarios pueden publicar agentes en la comunidad para su uso u optimización por parte de otros desarrolladores.
• observabilidad Proporciona el estado de funcionamiento del agente y los registros de rendimiento para facilitar la supervisión y la depuración.
• despliegue local : Admite el funcionamiento local para proteger la privacidad de los datos.

Utilizar la ayuda

Proceso de instalación

Cooragent soporta entornos Python 3.12+, y ofrece instalaciones tanto conda como venv. Estos son los pasos:

Instalación con conda

1. almacén de clones
   Ejecute el siguiente comando en el terminal para descargar el código de Cooragent:

   git clone https://github.com/LeapLabTHU/cooragent.git
   cd cooragent
   

2. Creación de un entorno virtual
   Crear y activar un entorno Python 3.12:

   conda create -n cooragent python=3.12
   conda activate cooragent
   

3. Instalación de dependencias
   Instale las dependencias del proyecto:

   pip install -e .
   

4. Opcional: Instalación de herramientas de navegación
   Para funciones como los rastreadores web, instale Playwright:

   playwright install
   

5. Configuración de variables de entorno
   Copie el archivo de configuración de ejemplo y edítelo:

   cp .env.example .env
   

   Abrir con un editor de texto .env introduzca la clave API (por ejemplo, OpenAI u otro modelo). Para activar el protocolo MCP, configure MCP_AGENT=True. Si necesita activar las herramientas del navegador, configure USE_BROWSER=True.

6. Verificar la instalación
   Ejecute la herramienta CLI para comprobar si la instalación se ha realizado correctamente:

   python cli.py
   

Instalación con venv

1. almacén de clones
   De la misma forma que conda, ejecuta:

   git clone https://github.com/LeapLabTHU/cooragent.git
   cd cooragent
   

2. Creación de un entorno virtual
   Utiliza la herramienta uv para instalar Python 3.12 y crear un entorno virtual:

   uv python install 3.12
   uv venv --python 3.12
   source .venv/bin/activate  # Windows: .venv\Scripts\activate
   

3. Instalación de dependencias
   Dependencias de sincronización:

   uv sync
   

4. Opcional: Instalación de herramientas de navegación
   De la misma forma que conda, ejecuta:

   playwright install
   

5. Configuración de variables de entorno
   Igual que conda, copiar y editar .env Documentación.
6. Proyectos en curso
   Ejecute la herramienta CLI con uv:

   uv run cli.py
   

Notas de instalación en Windows

Los usuarios de Windows necesitan instalar dependencias adicionales, consulte la documentación oficial para más detalles. Compatibilidad con plataformas Windows. Asegúrese de que las variables de entorno están configuradas correctamente y de que todas las dependencias están instaladas.

Utilización

Cooragent proporciona los modos Agent Factory y Agent Workflow, combinando herramientas CLI y APIs para un funcionamiento sencillo y eficiente.

Modo de fábrica de agentes

Este patrón genera rápidamente un agente de IA con una descripción de una sola frase. Por ejemplo, crea un agente de análisis bursátil:

python cli.py run -t agent_factory -u test -m 'Create a stock analysis expert agent to analyze the Xiaomi stock trend, today is 22 April, 2025, look over the past month, analyze the big news about Xiaomi, then predict the stock price trend for the next trading day, and provide buy or sell recommendations.'

• procedimiento ::
  1. Ejecute el comando, especificando el tipo de tarea como agent_factory.
  2. parámetros -u Establezca el ID de usuario (por ejemplo test).-m Introduzca una descripción de la tarea.
  3. El sistema analiza los requisitos recordándolos y ampliándolos, seleccionando herramientas, optimizando automáticamente Prompt y generando agentes.
  4. El agente se ejecuta y emite resultados (por ejemplo, informes de análisis de existencias).
  5. pasable edit-agent -n <agent_name> -i Editar los agentes para optimizar su comportamiento.
• Funciones destacadas No es necesario un diseño complejo de Prompt, el sistema entiende automáticamente los requisitos y genera agentes eficaces.

Modo de flujo de trabajo del agente

Este modelo admite la colaboración entre varios agentes y es adecuado para tareas complejas. Por ejemplo, planificar un viaje a Yunnan el 1 de mayo de 2025:

python cli.py run -t agent_workflow -u test -m 'Use the task planning agent, web crawler agent, code execution agent, browser operation agent, report writing agent, and file operation agent to plan a trip to Yunnan for the May Day holiday in 2025. First, run the web crawler agent to fetch information about Yunnan tourist attractions, use the browser operation agent to browse the attraction information and select the top 10 most worthwhile attractions. Then, plan a 5-day itinerary, use the report writing agent to generate a travel report, and finally use the file operation agent to save the report as a PDF file.'

• procedimiento ::
  1. Ejecute el comando, especificando el tipo de tarea como agent_workflow.
  2. Introduzca una descripción de la tarea que enumere los agentes necesarios.
  3. System Planner analiza la tarea, desglosa los pasos y los asigna a los agentes adecuados.
  4. Los agentes colaboran a través del protocolo MCP para completar tareas (por ejemplo, generar informes de viaje).
  5. Resultados de salida (por ejemplo, archivo PDF).
• Funciones destacadas : Planner optimiza automáticamente la asignación de tareas y el protocolo MCP garantiza una comunicación eficaz para soportar tareas complejas.

Uso de la herramienta CLI

Los comandos CLI comunes incluyen:

• Creación de un proxy ::python cli.py create -n <agent_name>
• Agente editorial ::python cli.py edit-agent -n <agent_name> -i
• Lista de agentes ::python cli.py list-agents -u <user-id> -m <regex>
• Borrar Proxy ::python cli.py remove-agent -n <agent_name> -u <user-id>
• Ver estado ::python cli.py status

Uso de la API

La API permite la gestión automatizada de los agentes. Por ejemplo, el envío de tareas:

import requests
url = "http://localhost:8000/task"
payload = {"task": "Analyze stock trend", "user_id": "test"}
response = requests.post(url, json=payload)
print(response.json())

• funcionalidad Soporte para la creación de agentes, envío de tareas, obtención de resultados y seguimiento del estado.
• utilice Integración en scripts o aplicaciones para crear interfaces personalizadas.

Uso del protocolo MCP

El protocolo MCP permite una comunicación eficaz entre agentes. Por ejemplo, para crear un agente operativo Excel:

server_params = StdioServerParameters(
command="python",
args=[str(get_project_root()) + "/src/mcp/excel_mcp/server.py"]
)
async def excel_agent():
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await load_mcp_tools(session)
agent = create_react_agent(model, tools)
return agent
agent = asyncio.run(excel_agent())
agent_obj = Agent(user_id="share", 
agent_name="mcp_excel_agent", 
nick_name="mcp_excel_agent", 
description="The agent is good at manipulating excel files, which includes creating, reading, writing, and analyzing excel files", 
llm_type=LLMType.BASIC, 
selected_tools=[], 
prompt="")
MCPManager.register_agent("mcp_excel_agent", agent, agent_obj)

• Activar MCP : en .env Ajuste en el archivo MCP_AGENT=True.
• utilice : Soporte para la colaboración multiagente y la interacción multiplataforma.

advertencia

• seguro .env El archivo está configurado correctamente y la clave API es válida.
• Las herramientas del navegador están desactivadas por defecto y es necesario configurarlas USE_BROWSER=True Habilitar.
• Los usuarios de Windows deben consultar Compatibilidad con plataformas Windows Instalar dependencias adicionales.
• Actualice periódicamente el código:git pull origin main.

escenario de aplicación

1. Automatización de tareas
   Cooragent automatiza las tareas repetitivas. Por ejemplo, los empleados de una organización utilizan Agent Workflow para recopilar datos de mercado, generar informes y ahorrar tiempo.
2. gestión de proyectos
   Los desarrolladores utilizan Agent Factory para crear agentes de gestión de proyectos que asignan tareas automáticamente y realizan un seguimiento del progreso, lo que lo hace ideal para la colaboración en equipo.
3. análisis de datos
   Los investigadores utilizan Cooragent para analizar datos bursátiles o noticias con el fin de generar previsiones de tendencias o informes sectoriales.
4. Educación y aprendizaje
   Los estudiantes crean agentes asistentes de aprendizaje para organizar los materiales del curso, responder preguntas y mejorar la eficiencia.
5. Tratamiento de documentos
   Cree agentes Excel utilizando el protocolo MCP para procesar automáticamente datos tabulares para escenarios financieros o de análisis de datos.

CONTROL DE CALIDAD

1. ¿Qué modelos lingüísticos admite Cooragent?
   Admite varios modelos lingüísticos (por ejemplo, OpenAI, otros modelos de código abierto) según la compatibilidad con Langchain, se requiere la configuración de la clave API.
2. ¿Cómo comparto un agente?
   estar en movimiento python cli.py publish -n <agent_name>publica el agente en la comunidad para que otros desarrolladores puedan utilizarlo.
3. ¿Y si la misión fracasa?
   sonda .env y la conexión de red, consulte el registro (logs/ ). Puede obtener ayuda enviando una incidencia a GitHub.
4. ¿Admite la implantación local?
   Sí, Cooragent admite la implantación local, protege la privacidad de los datos y es adecuado para uso empresarial.
5. ¿Cómo puedo contribuir con código?
   consulta Directrices de contribucióncorrecciones, mejoras de la documentación o nuevas funciones.