Cooragent : construire un outil de collaboration multi-intelligence en une seule phrase

Introduction générale

Cooragent est un cadre de collaboration d'agents d'IA open source développé par LeapLab à l'université de Tsinghua et hébergé sur GitHub, qui permet aux utilisateurs de créer des agents d'IA intelligents avec une description d'une phrase et soutient plusieurs agents pour collaborer sur des tâches complexes. Le cadre propose deux modes : Agent Factory génère automatiquement des agents personnalisés, et Agent Flux de travail Cooragent est profondément compatible avec la chaîne d'outils Langchain, et supporte MCP afin d'assurer une communication efficace entre les agents. Les développeurs peuvent rapidement créer, modifier et gérer des agents à l'aide d'outils CLI ou d'API.

Cooragent:一句话构建多智能体任务协作工具

 

Liste des fonctions

  • Mode usine de l'agent Le système analyse automatiquement les besoins et génère un agent d'intelligence artificielle sur mesure, sans qu'il soit nécessaire de procéder à une conception complexe de Prompt.
  • Mode de travail de l'agent Le système de gestion de l'information est un outil de collaboration multi-agents qui permet de décomposer automatiquement les tâches, d'attribuer des rôles et d'atteindre des objectifs complexes.
  • Compatibilité approfondie avec Langchain Support pour le Prompt, Chain, Memory, Document Loaders et d'autres composants de Langchain pour simplifier le développement.
  • Prise en charge du protocole MCP Les services d'information et de communication sont les suivants : échange normalisé d'informations entre agents, prise en charge de plusieurs cycles d'interaction et gestion efficace du contexte.
  • Outils CLI Proxies : Fournit une interface de ligne de commande pour créer, éditer, supprimer et lister rapidement les proxies.
  • Support API Les API permettent d'automatiser la création d'agents, la soumission de tâches et le suivi de l'état de la situation.
  • Appel d'outil Les capacités de l'agent ont été étendues avec la prise en charge des robots d'indexation, de l'exécution de code, de la manipulation de fichiers, et bien d'autres choses encore.
  • partage de la communauté Les utilisateurs peuvent publier des agents dans la communauté afin que d'autres développeurs puissent les utiliser ou les optimiser.
  • observabilité Les agents peuvent également être utilisés pour la surveillance et le débogage, en fournissant un état de fonctionnement de l'agent et des journaux de performance.
  • déploiement local La protection de la vie privée : La protection de la vie privée est assurée par la prise en charge des opérations locales.

 

Utiliser l'aide

Processus d'installation

Cooragent supporte les environnements Python 3.12+, et propose des installations conda et venv. Voici les étapes à suivre :

Installation avec conda

  1. entrepôt de clones
    Exécutez la commande suivante dans le terminal pour télécharger le code Cooragent :

    git clone https://github.com/LeapLabTHU/cooragent.git
    cd cooragent
    
  2. Créer un environnement virtuel
    Créer et activer un environnement Python 3.12 :

    conda create -n cooragent python=3.12
    conda activate cooragent
    
  3. Installation des dépendances
    Installer les dépendances du projet :

    pip install -e .
    
  4. Facultatif : Installation des outils de navigation
    Pour des fonctionnalités telles que les robots d'indexation, installez Playwright :

    playwright install
    
  5. Configuration des variables d'environnement
    Copiez le fichier de configuration de l'exemple et modifiez-le :

    cp .env.example .env
    

    Ouvrir avec un éditeur de texte .env remplissez la clé API (par exemple OpenAI ou un autre modèle). Pour activer le protocole MCP, définissez MCP_AGENT=True. Si vous devez activer les outils du navigateur, définissez USE_BROWSER=True.

  6. Vérifier l'installation
    Exécutez l'outil CLI pour vérifier si l'installation a réussi :

    python cli.py
    

Installation avec venv

  1. entrepôt de clones
    De la même manière que pour conda, courir :

    git clone https://github.com/LeapLabTHU/cooragent.git
    cd cooragent
    
  2. Créer un environnement virtuel
    Utilisez l'outil uv pour installer Python 3.12 et créer un environnement virtuel :

    uv python install 3.12
    uv venv --python 3.12
    source .venv/bin/activate  # Windows: .venv\Scripts\activate
    
  3. Installation des dépendances
    Dépendances de synchronisation :

    uv sync
    
  4. Facultatif : Installation des outils de navigation
    De la même manière que pour conda, courir :

    playwright install
    
  5. Configuration des variables d'environnement
    Identique à conda, copier et éditer .env Documentation.
  6. Projets en cours
    Exécutez l'outil CLI avec uv :

    uv run cli.py
    

Notes sur l'installation sous Windows

Les utilisateurs de Windows doivent installer des dépendances supplémentaires, voir la documentation officielle pour plus de détails. Prise en charge de la plate-forme Windows. Assurez-vous que les variables d'environnement sont correctement configurées et que toutes les dépendances sont installées.

Utilisation

Cooragent propose les modes Agent Factory et Agent Workflow, combinant des outils CLI et des API pour un fonctionnement simple et efficace.

Mode usine de l'agent

Ce modèle génère rapidement un agent d'intelligence artificielle avec une description d'une phrase. Par exemple, créez un agent d'analyse boursière :

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.'
  • procédure : :
    1. Exécutez la commande en spécifiant le type de tâche comme suit agent_factory.
    2. paramètres -u Définir l'identifiant de l'utilisateur (par exemple test).-m Saisissez une description de la tâche.
    3. Le système analyse les besoins en les mémorisant et en les étendant, en sélectionnant les outils, en optimisant automatiquement Prompt et en générant des agents.
    4. L'agent s'exécute et produit des résultats (par exemple, des rapports d'analyse des stocks).
    5. passable edit-agent -n <agent_name> -i Modifier les agents pour optimiser leur comportement.
  • Fonctions vedettes Pas besoin d'une conception complexe de Prompt, le système comprend automatiquement les exigences et génère des agents efficaces.

Mode de travail de l'agent

Ce modèle prend en charge la collaboration multi-agents et convient aux tâches complexes. Par exemple, la planification d'un voyage au Yunnan le 1er mai 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.'
  • procédure : :
    1. Exécutez la commande en spécifiant le type de tâche comme suit agent_workflow.
    2. Saisissez une description de la tâche qui énumère les agents requis.
    3. Le planificateur de système analyse la tâche, décompose les étapes et les attribue aux agents appropriés.
    4. Les agents collaborent par le biais du protocole MCP pour accomplir des tâches (par exemple, générer des rapports de voyage).
    5. Résultats de sortie (par exemple, fichier PDF).
  • Fonctions vedettes Le planificateur optimise automatiquement la répartition des tâches et le protocole MCP assure une communication efficace pour prendre en charge des tâches complexes.

Utilisation de l'outil CLI

Les commandes CLI les plus courantes sont les suivantes

  • Création d'un proxy : :python cli.py create -n <agent_name>
  • Agent éditorial : :python cli.py edit-agent -n <agent_name> -i
  • Liste des agents : :python cli.py list-agents -u <user-id> -m <regex>
  • Supprimer le proxy : :python cli.py remove-agent -n <agent_name> -u <user-id>
  • Voir le statut : :python cli.py status

Utilisation de l'API

L'API prend en charge la gestion automatisée des agents. Par exemple, la soumission de tâches :

import requests
url = "http://localhost:8000/task"
payload = {"task": "Analyze stock trend", "user_id": "test"}
response = requests.post(url, json=payload)
print(response.json())
  • Fonctionnalité Les services d'assistance à la création d'agents, à la soumission de tâches, à l'acquisition de résultats et à la surveillance de l'état de la situation.
  • utiliser Les interfaces : Intégrer dans des scripts ou des applications pour créer des interfaces personnalisées.

Utilisation du protocole MCP

Le protocole MCP permet une communication efficace entre les agents. Par exemple, pour créer un agent d'exploitation 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)
  • Activer le MCP : en .env Paramètre dans le fichier MCP_AGENT=True.
  • utiliser Les résultats de l'évaluation de l'efficacité des systèmes d'information et de communication sont présentés dans le rapport de la Commission européenne.

mise en garde

  • sécurisé .env Le fichier est configuré correctement et la clé API est valide.
  • Les outils de navigation sont désactivés par défaut et doivent être paramétrés. USE_BROWSER=True Autoriser.
  • Les utilisateurs de Windows doivent se référer à Prise en charge de la plate-forme Windows Installer les dépendances supplémentaires.
  • Mettre régulièrement le code à jour :git pull origin main.

 

scénario d'application

  1. Automatisation des tâches
    Cooragent automatise les tâches répétitives. Par exemple, les employés d'une organisation utilisent l'Agent Workflow pour collecter des données de marché, générer des rapports et gagner du temps.
  2. gestion de projet
    Les développeurs utilisent Agent Factory pour créer des agents de gestion de projet qui attribuent automatiquement les tâches et suivent les progrès, ce qui en fait un outil idéal pour la collaboration au sein d'une équipe.
  3. l'analyse des données
    Les chercheurs utilisent Cooragent pour analyser des données boursières ou d'actualité afin de générer des prévisions de tendances ou des rapports sectoriels.
  4. Éducation et apprentissage
    Les étudiants créent des agents d'aide à l'apprentissage pour organiser les supports de cours, répondre aux questions et améliorer l'efficacité.
  5. Traitement des documents
    Créer des agents Excel utilisant le protocole MCP pour traiter automatiquement des données tabulaires dans le cadre de scénarios d'analyse financière ou de données.

 

QA

  1. Quels sont les modèles linguistiques pris en charge par Cooragent ?
    Prise en charge de plusieurs modèles linguistiques (par exemple, OpenAI, autres modèles open source) en fonction de la compatibilité Langchain, configuration de la clé API requise.
  2. Comment partager un agent ?
    être en mouvement python cli.py publish -n <agent_name>L'agent est ensuite publié dans la communauté pour que d'autres développeurs puissent l'utiliser.
  3. Que se passe-t-il si la mission échoue ?
    sonde .env et la connexion réseau, consulter les journaux (logs/ ). Vous pouvez obtenir de l'aide en soumettant un problème sur GitHub.
  4. Prend-il en charge le déploiement local ?
    Oui, Cooragent permet un déploiement local, protège la confidentialité des données et convient à une utilisation en entreprise.
  5. Comment contribuer au code ?
    consultation Lignes directrices relatives aux contributionsLes utilisateurs ont la possibilité d'apporter des corrections, d'améliorer la documentation ou de créer de nouvelles fonctionnalités.
© déclaration de droits d'auteur
AiPPT

Articles connexes

Pas de commentaires

Vous devez être connecté pour participer aux commentaires !
S'inscrire maintenant
aucun
Pas de commentaires...