Cooragent: создание многоинтеллектуального инструмента для совместной работы над задачами в одном предложении

Общее введение

Cooragent - это фреймворк для совместной работы агентов ИИ с открытым исходным кодом, разработанный LeapLab при Университете Цинхуа и размещенный на GitHub. Он позволяет пользователям создавать интеллектуальных агентов ИИ с описанием в одно предложение и поддерживает совместную работу нескольких агентов над сложными задачами. Фреймворк работает в двух режимах: Agent Factory автоматически генерирует агентов на заказ, а Agent Рабочий процесс Cooragent глубоко совместим с инструментальной цепочкой Langchain и поддерживает MCP протокол для обеспечения эффективного взаимодействия между агентами. Разработчики могут быстро создавать, редактировать и управлять агентами с помощью инструментов CLI или API.

Список функций

• Режим фабрики агентов Система автоматически анализирует требования и генерирует индивидуальный агент искусственного интеллекта без необходимости сложного проектирования Prompt.
• Режим рабочего процесса агента : Поддерживает совместную работу нескольких агентов, автоматически разбивая задачи, распределяя роли и выполняя сложные цели.
• Глубокая совместимость с Langchain : Поддержка Prompt, Chain, Memory, Document Loaders и других компонентов Langchain для упрощения разработки.
• Поддержка протокола MCP : Стандартизированный обмен информацией между агентами, поддержка нескольких раундов взаимодействия и эффективное управление контекстом.
• Инструменты CLI : Предоставляет интерфейс командной строки для быстрого создания, редактирования, удаления и перечисления агентов.
• Поддержка API Автоматизация создания агентов, отправки заданий и мониторинга состояния с помощью API.
• Вызов инструмента : Расширенные возможности агента с поддержкой веб-краулеров, выполнения кода, манипулирования файлами и т. д.
• совместное использование сообществ : Пользователи могут публиковать агентов в сообществе для использования или оптимизации другими разработчиками.
• наблюдаемость : Предоставление журналов состояния работы и производительности агента для удобства мониторинга и отладки.
• локальное развертывание : Поддерживает локальную работу для защиты конфиденциальности данных.

Использование помощи

Процесс установки

Cooragent поддерживает окружения Python 3.12+ и предлагает установку как conda, так и venv. Вот шаги:

Установка с помощью conda

1. склад клонов
   Выполните следующую команду в терминале, чтобы загрузить код Cooragent:

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

2. Создание виртуальной среды
   Создайте и активируйте среду Python 3.12:

   conda create -n cooragent python=3.12
   conda activate cooragent
   

3. Установка зависимостей
   Установите зависимости проекта:

   pip install -e .
   

4. Дополнительно: установка инструментов браузера
   Для таких функций, как веб-ползунки, установите Playwright:

   playwright install
   

5. Настройка переменных среды
   Скопируйте файл конфигурации примера и отредактируйте его:

   cp .env.example .env
   

   Откройте в текстовом редакторе .env файла, заполните ключ API (например, OpenAI или другой модели). Чтобы включить протокол MCP, установите MCP_AGENT=True. Если вам нужно включить инструменты браузера, установите USE_BROWSER=True.

6. Проверка установки
   Запустите инструмент CLI, чтобы проверить, успешно ли прошла установка:

   python cli.py
   

Установка с помощью venv

1. склад клонов
   Выполняется так же, как и conda:

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

2. Создание виртуальной среды
   С помощью инструмента uv установите Python 3.12 и создайте виртуальную среду:

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

3. Установка зависимостей
   Зависимости синхронизации:

   uv sync
   

4. Дополнительно: установка инструментов браузера
   Выполняется так же, как и conda:

   playwright install
   

5. Настройка переменных среды
   То же, что и conda, скопируйте и отредактируйте .env Документация.
6. Текущие проекты
   Запустите инструмент CLI с помощью uv:

   uv run cli.py
   

Примечания по установке Windows

Пользователям Windows необходимо установить дополнительные зависимости, подробности см. в официальной документации. Поддержка платформы Windows. Убедитесь, что переменные окружения правильно настроены и все зависимости установлены.

Использование

Cooragent предоставляет режимы Agent Factory и Agent Workflow, сочетая инструменты CLI и API для простой и эффективной работы.

Режим фабрики агентов

Этот шаблон быстро генерирует агента ИИ с описанием в одно предложение. Например, создайте агента для анализа акций:

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.'

• процедура ::
  1. Выполните команду, указав тип задачи как agent_factory.
  2. параметры -u Установите идентификатор пользователя (например. test).-m Введите описание задания.
  3. Система анализирует требования, запоминая и расширяя их, выбирая инструменты, автоматически оптимизируя Prompt и генерируя агентов.
  4. Агент запускается и выдает результаты (например, отчеты по анализу запасов).
  5. проходной edit-agent -n <agent_name> -i Редактируйте агентов, чтобы оптимизировать их поведение.
• Основные функции Нет необходимости в сложном проектировании Prompt, система автоматически понимает требования и генерирует эффективные агенты.

Режим рабочего процесса агента

Эта модель поддерживает совместную работу нескольких агентов и подходит для решения сложных задач. Например, планирование поездки в Юньнань на 1 мая 2025 года:

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.'

• процедура ::
  1. Выполните команду, указав тип задачи как agent_workflow.
  2. Введите описание задачи, в котором перечислены необходимые агенты.
  3. Системный планировщик анализирует задачу, разбивает ее на этапы и распределяет их между соответствующими агентами.
  4. Агенты взаимодействуют через протокол MCP для выполнения задач (например, составления отчетов о поездках).
  5. Выходные результаты (например, файл PDF).
• Основные функции : Planner автоматически оптимизирует распределение задач, а протокол MCP обеспечивает эффективную связь для поддержки сложных задач.

Использование инструментов CLI

Общие команды CLI включают:

• Создание прокси-сервера ::python cli.py create -n <agent_name>
• Редакционный агент ::python cli.py edit-agent -n <agent_name> -i
• Список агентов ::python cli.py list-agents -u <user-id> -m <regex>
• Удалить прокси ::python cli.py remove-agent -n <agent_name> -u <user-id>
• Просмотр статуса ::python cli.py status

Использование API

API поддерживает автоматизированное управление агентами. Например, отправка заданий:

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

• функциональность : Поддержка создания агентов, отправки заданий, получения результатов и мониторинга состояния.
• использовать : Интеграция в скрипты или приложения для создания пользовательских интерфейсов.

Использование протокола MCP

Протокол MCP поддерживает эффективное взаимодействие между агентами. Например, чтобы создать операционный агент 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)

• Включить MCP : в .env Настройка в файле MCP_AGENT=True.
• использовать : Поддержка мультиагентного сотрудничества и кросс-платформенного взаимодействия.

предостережение

• безопасный .env Файл настроен правильно, и ключ API действителен.
• Инструменты браузера по умолчанию отключены, и их необходимо настроить USE_BROWSER=True Включить.
• Пользователям Windows следует обратиться к Поддержка платформы Windows Установите дополнительные зависимости.
• Регулярно обновляйте код:git pull origin main.

сценарий применения

1. Автоматизация задач
   Cooragent автоматизирует повторяющиеся задачи. Например, сотрудники организации используют Agent Workflow для сбора данных о рынке, создания отчетов и экономии времени.
2. управление проектами
   Разработчики используют Agent Factory для создания агентов управления проектами, которые автоматически назначают задачи и отслеживают ход их выполнения, что делает их идеальными для совместной работы в команде.
3. анализ данных
   Исследователи используют Cooragent для анализа биржевых или новостных данных с целью составления прогнозов тенденций или отраслевых отчетов.
4. Образование и обучение
   Студенты создают агентов-помощников для организации материалов курса, ответов на вопросы и повышения эффективности.
5. Обработка документов
   Создавайте агенты Excel с помощью протокола MCP для автоматической обработки табличных данных в сценариях финансового анализа или анализа данных.

QA

1. Какие языковые модели поддерживает Cooragent?
   Поддерживает несколько языковых моделей (например, OpenAI, другие модели с открытым исходным кодом) в соответствии с совместимостью с Langchain, требуется настройка ключа API.
2. Как поделиться агентом?
   быть в движении python cli.py publish -n <agent_name>Опубликуйте агент в сообществе, чтобы им могли воспользоваться другие разработчики.
3. Что, если миссия провалится?
   зонд .env API-ключ файла и сетевое подключение, просмотрите журнал (logs/ каталог). Помощь можно получить, отправив проблему на GitHub.
4. Поддерживает ли он локальное развертывание?
   Да, Cooragent поддерживает локальное развертывание, защищает конфиденциальность данных и подходит для корпоративного использования.
5. Как внести свой код?
   консультация Руководство по внесению взносовисправления, улучшения документации или новые функции.