AgentMesh - 开源的多智能体 (Multi-Agent) 协作框架

翜驀發表於 2025-5-2 00:18:00

AgentMesh -- 开源的多智能体 (Multi-Agent) 协作框架

<blockquote>
AgentMesh 是一个开源的多智能体 (Multi-Agent) 平台，核心目标是解决多个智能体之间的通信和协同问题，真正实现 "1+1>2" 的效果。能够帮助用户快速创造自己的多智能体团队，或是让已有的多个单一智能体获得协同能力，最终解决更为复杂的任务。
</blockquote>

Github地址： https://github.com/MinimalFuture/AgentMesh
Demo：Demo视频
<h1 id="背景">背景</h1>
<h2 id="单一智能体架构的瓶颈">单一智能体架构的瓶颈</h2>
在介绍多智能体系统之前，首先需要论证的一个问题是，我们是否真的需要多个智能体？目前单智能体技术已经比较成熟，在各个AI平台都可以快速搭建出用于不同场景的Agent，一般来说这些Agent以大模型和提示词为基础，能够检索来自于知识库或数据库中的私有数据，并且能通过工具访问外部服务。
但是随着任务的复杂度提升，单智能体架构也会面临瓶颈：
<ol>
<li>上下文限制： 复杂任务下，多轮的思考和执行可能带来超长的上下文，超出模型的上下文限制</li>
<li>注意力机制： 将不同场景下的角色定义和规则都写到一个智能体的系统提示词中，会降低指令遵循效果，同样的，给一个智能体配置大量的工具也会导致工具决策的准确性下降</li>
<li>模型能力：不同模型擅长处理不同类型的任务，单个智能体难以实现模型动态的切换</li>
<li>异构Agent：某些场景下处理特定任务的智能体天然就运行在不同的平台（例如你在salesforce运行了一个Agent可以访问你的CRM系统，而在OpenAI搭建了一个Agent并维护你的企业知识库）</li>
<li>可扩展性：在单一智能体中，任务增加新的需求场景会导致已有的智能体设计越来越臃肿，并且变更后需要回归其他场景是否收到影响；而多智能体架构下只需增加新的智能体成员来负责这一需求。</li>
</ol>
<h2 id="多智能体架构演进">多智能体架构演进</h2>
所以在面对复杂任务的场景下，单智能体到多智能体的演进其实是符合现实世界规律的，是一种经典的分而治之的思路。例如在现实工作中，一个团队中会有不同的岗位，每个成员有不同的技能，负责不同的子任务；在软件工程领域的SOLID原则中，这符合"单一职责原则"，复杂的模块应该进行拆分；在微服务架构下，服务拆分后整个系统的可维护性、可扩展性都会得到提升，避免单点故障。
综上，理想的多智能体架构应该支持对每个智能体的模型、提示词、知识、工具进行独立的配置，每个智能体有自己的记忆，也有整个团队的上下文记忆。复杂任务进入后，智能体之间会通过通信和协作处理各自的子任务，单个智能体内部则支持多轮思考和调用工具，最终整个智能体团队将整合并交付完整的输出结果。另外，这些智能体可能分布在不同平台，使用不同的技术栈开发，运行在不同的服务器上。
最后说说与工作流 (Workflow)的差异，工作流更多是对各种原子能力的固定编排，优势是执行链路更为准确，缺点是每次新增需求都需要进行配置工作，适合更为明确的任务，例如定时获取指定接口的数据整理后推送，而多智能体则更适合更为发散、创造性的场景，泛化能力更强。
<h2 id="agentmesh的目标">AgentMesh的目标</h2>
目前已有的多智能体开源项目大多关注框架层，例如 <code>MetaGPT</code>、<code>Swarm</code>、<code>CamelAI</code>、<code>AgentVerse</code> 等，对于新场景的实现需要通过代码开发来完成，主要用于开发者将多智能体能力集成到已有的系统中，有一定使用门槛。
AgentMesh最终想实现的是一个完整的多智能体平台，不仅可以为开发者提供代码开发框架，还可以让用户通过零代码配置的方式快速自定义自己的智能体团队，通过图形界面进行交互、管理和追踪，并且能够接入到各个常用软件中真正实现多智能体的具象化。AgentMesh可以运行在本地，最大化利用个人计算机的浏览器、文件系统、代码解释器等工具资源；也可以运行在云端，使用虚拟化的设备资源和第三方工具服务。另外AgentMesh还会解决异构Agent的协同问题，让运行在不同平台的Agent能够相互协作，共同解决问题。
<h1 id="整体架构">整体架构</h1>
<h2 id="架构设计">架构设计</h2>
根据上文中的多智能体平台想解决的问题和应用场景，AgentMesh的理想架构如下：
<img alt="agentmesh-architecture" loading="lazy" src="https://i-blog.csdnimg.cn/img_convert/1845b36e0a9cdf11a1fe4b64bb6bfc54.jpeg" class="lazyload">
基于分层架构实现，保证每一层都具备可扩展性：
<ul>
<li>模型层： 支持主流商用模型的接入，同时支持通过ollama和vllm接入本地模型</li>
<li>框架层： 多智能体核心能力部分，包括Agent所需的工具、记忆、知识、模型，以及负责多Agent交互的Team模块。其中Tools模块将支持通过MCP协议接入MCP Servers，同时支持集成自定义开发的插件；Team模块将支持远程异构Agent的加入和写作。整个核心框架层可通过 <code>agentmesh-sdk</code> 对外提供。</li>
<li>应用层：多智能体团队将支持命令行运行、Web界面运行、通过SDK或API集成到自研应用中，以及提供常用通讯和办公软件的集成。</li>
</ul>
<h2 id="运行流程">运行流程</h2>
任务运行时的决策处理流程如下，第一层是多Agent的规划策略，第二层是Agent内部工具的ReACT多轮决策：
<img alt="agentmesh-run-flow" loading="lazy" src="https://i-blog.csdnimg.cn/img_convert/fab9a399263df82b808caaa7a1c62fc8.jpeg" class="lazyload">
<h2 id="已实现功能">已实现功能</h2>
<ul>
<li>基础的多Agent协同策略： 支持零代码的Agent定义、复杂任务拆解、多Agent间决策和Agent内多轮工具决策</li>
<li>多种模型选择： 支持 OpenAI、Claude、DeepSeek、Qwen 等主流大模型，可为不同agent设置不同模型</li>
<li>内置工具： 支持浏览器、搜索引擎、文件系统、终端等多种内置工具</li>
<li>多种运行方式： 支持命令行、Docker、SDK 等多种运行和集成方式</li>
</ul>
<h2 id="后续规划">后续规划</h2>
<ul>
<li>WebUI： 用户友好的多Agent管理和追踪界面</li>
<li>支持MCP协议： 获得无限扩展的工具能力</li>
<li>异构Agent通信： 支持打通不同Agent平台，与远程Agent共同协作</li>
<li>更多模型： 支持更多模型厂商及本地开源模型</li>
</ul>
<h1 id="快速开始">快速开始</h1>
项目提供三种使用方式快速构建并运行你的 Agent Team：
<h2 id="1-终端运行">1. 终端运行</h2>
在终端中命令行中快速运行多智能体团队:
1.1 安装
环境准备： 支持 Linux、MacOS、Windows 系统，需要安装 python。
<blockquote>
python 版本推荐使用 3.11+ (如需使用浏览器工具)，至少需要3.7以上 
以上。下载地址：python官网。
</blockquote>
下载项目源码并进入项目目录：
<pre><code class="language-bash">git clone https://github.com/MinimalFuture/AgentMesh
cd AgentMesh
</code></pre>
核心依赖安装：
<pre><code class="language-bash">pip install -r requirements.txt
</code></pre>
如需使用浏览器工具，还需要额外安装依赖 (可选，需要 python3.11+):
<pre><code class="language-bash">pip install browser-use
playwright install
</code></pre>
1.2 配置
配置文件为根目录下的 <code>config.yaml</code>，包含模型配置和Agent配置，可以从模板文件复制后修改：
<pre><code class="language-bash">cp config-template.yaml config.yaml
</code></pre>
填写需要用到的模型 <code>api_key</code>，支持 <code>openai</code>、<code>claude</code>、<code>deepseek</code>、<code>qwen</code> 等模型。
<blockquote>
配置模板中预置了两个示例：
<ul>
<li><code>general_team</code>：通用智能体，适用于搜索和研究任务。</li>
<li><code>software_team</code>：开发团队，包含产品、工程和测试三个角色，可通过协作开发web网站，交付完整的项目代码和文档</li>
</ul>
你可以基于配置模板修改或添加自己的自定义团队，为每个智能体设置不同的模型、工具、系统提示词。
</blockquote>
1.3 运行
你可以直接通过命令运行任务，通过 -t 参数指定配置文件中的团队，通过 -q 参数指定需要提出的问题：
<pre><code class="language-bash">python main.py -t general_team -q "帮我分析多智能体技术发展趋势"
python main.py -t software_team -q "帮我为AgentMesh项目开发一个预约体验的表单页面"
</code></pre>
同时也可以进入命令行交互模式，通过输入问题进行多轮对话：
<pre><code class="language-bash">python main.py -l # 查看可用agent team
python main.py -t general_team # 指定一个team后开始多轮对话
</code></pre>
<h2 id="2-docker运行">2. Docker运行</h2>
下载 docker compose 配置文件：
<pre><code class="language-bash">curl -O https://raw.githubusercontent.com/MinimalFuture/AgentMesh/main/docker-compose.yml
</code></pre>
下载配置模板，参考 1.2 中的配置说明，填写<code>config.yaml</code>配置文件中的模型API Key：
<pre><code class="language-bash">curl -o config.yaml https://raw.githubusercontent.com/MinimalFuture/AgentMesh/main/config-template.yaml
</code></pre>
运行docker容器：
<pre><code class="language-bash">docker-compose run --rm agentmesh bash
</code></pre>
容器启动后将进入命令行，与 1.3 中的使用方式相同，指定team后进入交互模式后即可开始对话：
<pre><code class="language-bash">python main.py -l # 查看可用agent team
python main.py -t general_team # 指定一个team后开始多轮对话
</code></pre>
<h2 id="3-sdk集成">3. SDK集成</h2>
<code>Agentmesh</code>的核心模块通过SDK对外提供，开发者可基于该SDK构建智能体及多智能体团队，适用于在已有应用中快速获得多智能体协作能力。
安装SDK依赖:
<pre><code class="language-bash">pip install agentmesh-sdk
</code></pre>
以下是一个简单的使用示例，使用前请替换 <code>YOUR_API_KEY</code> 为你的实际API密钥：
<pre><code class="language-python">from agentmesh import AgentTeam, Agent, LLMModel
from agentmesh.tools import *

# model
model = LLMModel(model="gpt-4.1", api_key="YOUR_API_KEY")

# team build and add agents
team = AgentTeam(name="software_team", description="A software development team", model=model)

team.add(Agent(name="PM", description="Responsible for product requirements and documentation",
 system_prompt="You are an experienced product manager who creates clear and comprehensive PRDs"))

team.add(Agent(name="Developer", description="Implements code based on PRDs", model=model,
 system_prompt="You are a proficient developer who writes clean, efficient, and maintainable code. Follow the PRD requirements precisely.",
 tools=))

# run user task
result = team.run(task="Write a Snake client game")
</code></pre>
项目地址： https://github.com/MinimalFuture/AgentMesh 
来源：https://www.cnblogs.com/zhayujie/p/18857116

頁: [1]

琼殿技术论坛's Archiver

AgentMesh -- 开源的多智能体 (Multi-Agent) 协作框架