原理完全指南)
人工智能大模型AI 應用AI AgentRAG后端前端【免費下載鏈接】AgentChatAgentChat 是一個基于 LLM 的智能體交流平臺內置默認 Agent 并支持用戶自定義 Agent。通過多輪對話和任務協(xié)作Agent 可以理解并協(xié)助完成復雜任務。項目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術實現(xiàn)高效的知識檢索與工具調用使用 FastAPI 構建高性能后端服務。項目地址https://gitcode.com/gh_mirrors/age/AgentChat點擊查看免費下載AgentChat 是一個基于 LLM 的智能體交流平臺其多智能體架構內置了 ReAct、Plan-Execute、CodeAct、Text2SQL、MCP、Skill 等 8 類 Agent通過推理-行動循環(huán)與規(guī)劃-執(zhí)行兩種核心范式配合工具調用、知識檢索與沙箱執(zhí)行讓 AI 能夠自主完成復雜任務。本文用通俗語言拆解這 8 類 Agent 的實現(xiàn)原理與適用場景幫助新手快速理解多智能體系統(tǒng)的運作機制。如上圖所示AgentChat 采用分層架構最上層是應用交互層中間是智能體編排層ReAct 推理與行動、規(guī)劃與執(zhí)行、HITL 人機協(xié)同底層則是能力模型層、知識記憶層和數(shù)據(jù)基礎設施。所有 Agent 都運行在智能體編排層這一核心位置。一、8類Agent總覽一張表看懂分工AgentChat 的智能體代碼集中在 src/backend/agentchat/core/agents/ 目錄下每個 Agent 對應一個獨立模塊官方參考文檔見 docs/reference/core.md。Agent核心范式一句話原理典型場景ReactAgentReAct 循環(huán)思考→選工具→看結果→再思考循環(huán)直到出答案通用對話、實時工具調用GeneralAgentReAct 中間件把工具/MCP/Skill/知識庫統(tǒng)一組裝成一個智能體用戶自建 Agent 的默認引擎PlanExecuteAgent規(guī)劃-執(zhí)行先讓 LLM 生成完整 JSON 計劃再逐步執(zhí)行多步驟復雜任務CodeActAgent代碼即行動讓模型直接寫 Python 代碼丟進沙箱執(zhí)行數(shù)據(jù)分析、計算類任務MCPAgent協(xié)議接入把 MCP 服務作為子 Agent動態(tài)加載外部工具調用高德、搜索等外部服務SkillAgent文檔驅動以 SKILL.md 為技能手冊按需讀取參考文件固定工作流寫報告、審代碼StructuredResponseAgent結構化輸出強制模型輸出符合 Pydantic 定義的 JSON計劃生成等需要機器可讀結果的環(huán)節(jié)Text2SQLAgent生成-執(zhí)行-自糾自然語言→SQL→執(zhí)行報錯就帶著錯誤信息重試數(shù)據(jù)庫自然語言查詢用戶在智能體頁面看到的每一個 Agent 卡片背后都由上表中的引擎驅動。二、ReAct Agent最經典的思考-行動循環(huán)ReActReasoning Acting是當前最主流的智能體范式react_agent.py 基于 LangGraph 實現(xiàn)核心是兩張狀態(tài)圖節(jié)點call_tool_node推理節(jié)點把用戶消息和可用工具一起交給模型模型要么發(fā)起tool_calls要調哪個工具、傳什么參數(shù)要么直接給出最終回答execute_tool_node執(zhí)行節(jié)點真正調用工具把結果作為ToolMessage塞回上下文再跳回推理節(jié)點。條件邊_should_continue負責判斷循環(huán)是否繼續(xù)只要模型還在發(fā)起工具調用就繼續(xù)轉圈一旦模型不再調用工具流程走向END。這個設計有兩個新手友好的細節(jié)全程流式事件每次選工具/執(zhí)行工具都會通過stream_writer發(fā)出 START/END/ERROR 事件前端因此能實時展示正在調用插件工具 xxx的過程兜底容錯工具執(zhí)行失敗時錯誤信息會作為ToolMessage回傳給模型讓它有機會換一條路。會話界面底部的工具過程提示正是 ReAct 循環(huán)中這些流式事件驅動的。三、GeneralAgent把一切能力組裝成一個Agent如果說 ReactAgent 是發(fā)動機那么 general_agent.py 中的 GeneralAgent 就是整車——它是用戶自定義 Agent 的實際執(zhí)行引擎職責是把各種能力拼裝起來插件工具從數(shù)據(jù)庫按tool_ids加載用戶自定義的 OpenAPI 工具會自動適配成標準 ToolMCP 子 Agent每個綁定的 MCP 服務被封裝成一個工具由 MCPAgent 負責執(zhí)行Skill 子 Agent每個 Skill 也被包裝成工具由 SkillAgent 執(zhí)行知識庫綁定了知識庫后會自動多出一個檢索知識庫工具RAG 檢索智能工具搜索當工具數(shù)量超過閾值MAX_TOOLS_SIZE 10時會先只暴露一個search_available_tools搜索工具先搜出相關工具再激活避免大量工具描述撐爆上下文。它通過create_agent 中間件Middleware機制實現(xiàn)事件上報和工具名美化展示例如把mcp_filesystem展示成執(zhí)行MCP文件系統(tǒng)。四、Plan-Execute Agent先畫地圖再開車plan_execute_agent.py 實現(xiàn)了規(guī)劃-執(zhí)行范式分兩個階段階段一規(guī)劃。借助 StructuredResponseAgent 讓模型輸出一個結構化 JSON 計劃PlanToolFlow內容以 step_1、step_2 組織每一步聲明要調用的工具、參數(shù)來源和推理依據(jù)。規(guī)劃提示詞completion.py 中的PLAN_CALL_TOOL_PROMPT特別約定了三類情況串行調用工具 B 依賴工具 A 的輸出 → 分步執(zhí)行并行調用多個工具互不影響 → 放在同一個 step參數(shù)缺失主動調用call_user向用戶追問缺失參數(shù)。階段二執(zhí)行。按計劃逐步調用工具每步執(zhí)行結果累積進上下文供后續(xù)步驟引用。如果模型輸出的 JSON 格式壞了還會觸發(fā)一個JSON 自動修復流程把原 JSON 和報錯信息交給模型重新修復后再解析。適合查天氣→對比→給建議這種長鏈條任務簡單問題則直接輸出空計劃跳過工具調用。五、CodeAct Agent讓模型直接寫代碼codeact_agent.py 采用CodeActCode as Action思路與其讓模型一個一個調工具不如讓它直接寫 Python 代碼然后在Pyodide 沙箱WebAssembly 版 CPython中執(zhí)行。工作流程模型輸出要么是一段代碼塊要么是最終文字回答代碼被提取后注入沙箱可引用上一步定義的變量和所有工具函數(shù)執(zhí)行結果stdout / 報錯回傳給模型繼續(xù)迭代。代碼在瀏覽器端的沙箱里跑天然隔離了風險適合數(shù)據(jù)分析、批量計算等用代碼比用工具調用更高效的任務。六、MCP Agent把外部服務接入智能體MCPAgent 是 MCPModel Context Protocol協(xié)議的智能體封裝。它通過MCPManager動態(tài)連接 SSE / HTTP 類型的 MCP 服務拉取遠端工具列表后掛載到 ReAct 循環(huán)上。兩個值得新手注意的設計中間件注入用戶配置像高德地圖、郵箱這類需要鑒權的 MCP 服務會通過中間件在每次工具調用前自動把該用戶的個人配置如 API Key合并進參數(shù)用戶無感知終止協(xié)議MCP 子 Agent 使用專門的CALL_END_PROMPT要求它在完成任務后只輸出固定終止語防止子 Agent 搶戲替主 Agent 回答用戶。七、Skill Agent用一份文檔定義一種能力SkillAgent 的靈感來自技能文件夾每個 Skill 是一個目錄核心是SKILL.md技能說明文檔旁邊可附帶參考資料。它的工作方式很樸素但有效把SKILL.md內容作為系統(tǒng)提示詞告訴模型你現(xiàn)在的職責和標準作業(yè)流程只給模型兩個工具list_skill_files列出技能文件和get_file_content按需讀取文件模型在回答時缺什么資料就查什么文件實現(xiàn)漸進式加載避免一次性把所有資料塞進上下文。內置的研究報告、代碼審查、郵件寫作等 Skill見 src/backend/agentchat/config/skills/都是這種結構。八、StructuredResponse 與 Text2SQL兩個?？漆t(yī)生StructuredResponseAgentstructured_response_agent.py用 Pydantic 模型作為模具強制模型輸出合法的結構化 JSON。它本身就是 Plan-Execute 規(guī)劃階段的幕后功臣——計劃能不能穩(wěn)定生成靠的就是它。Text2SQLAgenttext2sql_agent.py實現(xiàn)自然語言查數(shù)據(jù)庫內置了一個自我修正循環(huán)自動讀取數(shù)據(jù)庫 Schema表結構注入提示詞讓模型生成 SQL并只允許 SELECT語句執(zhí)行防止誤操作執(zhí)行報錯時把錯誤信息連同原 SQL 回傳給模型修正最多重試 3 次查詢成功后再讓模型把結果翻譯成自然語言回答。九、多智能體如何協(xié)作Agent as ToolAgentChat 多智能體架構最巧妙的地方是Agent as Tool模式GeneralAgent 并不把所有 MCP 工具、Skill 工具平鋪到同一個上下文里而是把每個子能力封裝成一個子 Agent再把這個子 Agent 當作工具掛到主 Agent 上。好處很直觀上下文隔離MCP 子 Agent 和 Skill 子 Agent 各自有獨立的提示詞與消息歷史互不污染按需深入主 Agent 只看到高德地圖 MCP、研究報告 Skill這樣的入口決定需要時才下鉆調用統(tǒng)一事件流所有子 Agent 的執(zhí)行事件都通過流式通道上報用戶能看到完整的任務推進過程。在工作臺發(fā)起的復雜任務如深度調研就是由這套主 Agent 子 Agent 工具的編排體系在后臺協(xié)作完成的。十、新手選型指南該用哪種Agent你的需求推薦 Agent原因日常問答 少量工具ReactAgent / GeneralAgent循環(huán)輕量、響應快工具、MCP 服務很多GeneralAgent內置智能工具搜索省 Token多步驟長任務調研、規(guī)劃PlanExecuteAgent先規(guī)劃后執(zhí)行步驟可控數(shù)據(jù)計算、批量處理CodeActAgent代碼比多次工具調用更高效接入外部 API 服務MCPAgent標準協(xié)議動態(tài)加載工具固定工作流寫報告等SkillAgent文檔即流程穩(wěn)定可復用查數(shù)據(jù)庫Text2SQLAgent自動 Schema 感知 自糾錯總結AgentChat 的多智能體架構可以概括為一句話用 ReAct 循環(huán)解決怎么調工具用 Plan-Execute 解決先想后做用 Agent-as-Tool 解決誰來協(xié)調誰。8 類 Agent 各司其職共享同一套模型管理ModelManager、流式事件和 Token 統(tǒng)計回調既保證了擴展性也讓新手無需理解全部細節(jié)就能在界面上組合出符合自己場景的智能體。想深入代碼細節(jié)建議按這個順序閱讀react_agent.py → general_agent.py → plan_execute_agent.py再配合 docs/reference/core.md 的架構說明基本就能掌握整個多智能體體系。贊分享人工智能大模型AI 應用AI AgentRAG后端前端【免費下載鏈接】AgentChatAgentChat 是一個基于 LLM 的智能體交流平臺內置默認 Agent 并支持用戶自定義 Agent。通過多輪對話和任務協(xié)作Agent 可以理解并協(xié)助完成復雜任務。項目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術實現(xiàn)高效的知識檢索與工具調用使用 FastAPI 構建高性能后端服務。項目地址https://gitcode.com/gh_mirrors/age/AgentChat點擊查看免費下載相關推薦AutoGen AgentChat實戰(zhàn)指南快速構建多智能體對話系統(tǒng)AutoGen AgentChat實戰(zhàn)指南快速構建多智能體對話系統(tǒng) 還在為構建復雜的多智能體應用而頭疼AutoGen AgentChat框架為你提供了一套完人工智能AI AgentAgent 框架多智能體工具調用TradingAgents-CN多智能體系統(tǒng)架構與實現(xiàn)原理TradingAgents CN是一個基于多智能體LLM的中文金融交易框架通過先進的多智能體系統(tǒng)架構實現(xiàn)智能化的投資決策和風險管理。這個多智能體交易系統(tǒng)將市場人工智能大模型AI Agent多智能體金融科技后端前端Qwen-Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實戰(zhàn)Qwen Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實戰(zhàn) Qwen Age人工智能大模型AI AgentAgent 框架工具調用RAGAgent 評測MCP Clients創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 AgentChat多智能體架構詳解：ReAct、Plan-Execute、Text2SQL等8類Agent實現(xiàn)原理完全指南
人工智能大模型AI 應用AI AgentRAG后端前端【免費下載鏈接】AgentChatAgentChat 是一個基于 LLM 的智能體交流平臺內置默認 Agent 并支持用戶自定義 Agent。通過多輪對話和任務協(xié)作Agent 可以理解并協(xié)助完成復雜任務。項目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術實現(xiàn)高效的知識檢索與工具調用使用 FastAPI 構建高性能后端服務。項目地址https://gitcode.com/gh_mirrors/age/AgentChat點擊查看免費下載AgentChat 是一個基于 LLM 的智能體交流平臺其多智能體架構內置了 ReAct、Plan-Execute、CodeAct、Text2SQL、MCP、Skill 等 8 類 Agent通過推理-行動循環(huán)與規(guī)劃-執(zhí)行兩種核心范式配合工具調用、知識檢索與沙箱執(zhí)行讓 AI 能夠自主完成復雜任務。本文用通俗語言拆解這 8 類 Agent 的實現(xiàn)原理與適用場景幫助新手快速理解多智能體系統(tǒng)的運作機制。如上圖所示AgentChat 采用分層架構最上層是應用交互層中間是智能體編排層ReAct 推理與行動、規(guī)劃與執(zhí)行、HITL 人機協(xié)同底層則是能力模型層、知識記憶層和數(shù)據(jù)基礎設施。所有 Agent 都運行在智能體編排層這一核心位置。一、8類Agent總覽一張表看懂分工AgentChat 的智能體代碼集中在 src/backend/agentchat/core/agents/ 目錄下每個 Agent 對應一個獨立模塊官方參考文檔見 docs/reference/core.md。Agent核心范式一句話原理典型場景ReactAgentReAct 循環(huán)思考→選工具→看結果→再思考循環(huán)直到出答案通用對話、實時工具調用GeneralAgentReAct 中間件把工具/MCP/Skill/知識庫統(tǒng)一組裝成一個智能體用戶自建 Agent 的默認引擎PlanExecuteAgent規(guī)劃-執(zhí)行先讓 LLM 生成完整 JSON 計劃再逐步執(zhí)行多步驟復雜任務CodeActAgent代碼即行動讓模型直接寫 Python 代碼丟進沙箱執(zhí)行數(shù)據(jù)分析、計算類任務MCPAgent協(xié)議接入把 MCP 服務作為子 Agent動態(tài)加載外部工具調用高德、搜索等外部服務SkillAgent文檔驅動以 SKILL.md 為技能手冊按需讀取參考文件固定工作流寫報告、審代碼StructuredResponseAgent結構化輸出強制模型輸出符合 Pydantic 定義的 JSON計劃生成等需要機器可讀結果的環(huán)節(jié)Text2SQLAgent生成-執(zhí)行-自糾自然語言→SQL→執(zhí)行報錯就帶著錯誤信息重試數(shù)據(jù)庫自然語言查詢用戶在智能體頁面看到的每一個 Agent 卡片背后都由上表中的引擎驅動。二、ReAct Agent最經典的思考-行動循環(huán)ReActReasoning Acting是當前最主流的智能體范式react_agent.py 基于 LangGraph 實現(xiàn)核心是兩張狀態(tài)圖節(jié)點call_tool_node推理節(jié)點把用戶消息和可用工具一起交給模型模型要么發(fā)起tool_calls要調哪個工具、傳什么參數(shù)要么直接給出最終回答execute_tool_node執(zhí)行節(jié)點真正調用工具把結果作為ToolMessage塞回上下文再跳回推理節(jié)點。條件邊_should_continue負責判斷循環(huán)是否繼續(xù)只要模型還在發(fā)起工具調用就繼續(xù)轉圈一旦模型不再調用工具流程走向END。這個設計有兩個新手友好的細節(jié)全程流式事件每次選工具/執(zhí)行工具都會通過stream_writer發(fā)出 START/END/ERROR 事件前端因此能實時展示正在調用插件工具 xxx的過程兜底容錯工具執(zhí)行失敗時錯誤信息會作為ToolMessage回傳給模型讓它有機會換一條路。會話界面底部的工具過程提示正是 ReAct 循環(huán)中這些流式事件驅動的。三、GeneralAgent把一切能力組裝成一個Agent如果說 ReactAgent 是發(fā)動機那么 general_agent.py 中的 GeneralAgent 就是整車——它是用戶自定義 Agent 的實際執(zhí)行引擎職責是把各種能力拼裝起來插件工具從數(shù)據(jù)庫按tool_ids加載用戶自定義的 OpenAPI 工具會自動適配成標準 ToolMCP 子 Agent每個綁定的 MCP 服務被封裝成一個工具由 MCPAgent 負責執(zhí)行Skill 子 Agent每個 Skill 也被包裝成工具由 SkillAgent 執(zhí)行知識庫綁定了知識庫后會自動多出一個檢索知識庫工具RAG 檢索智能工具搜索當工具數(shù)量超過閾值MAX_TOOLS_SIZE 10時會先只暴露一個search_available_tools搜索工具先搜出相關工具再激活避免大量工具描述撐爆上下文。它通過create_agent 中間件Middleware機制實現(xiàn)事件上報和工具名美化展示例如把mcp_filesystem展示成執(zhí)行MCP文件系統(tǒng)。四、Plan-Execute Agent先畫地圖再開車plan_execute_agent.py 實現(xiàn)了規(guī)劃-執(zhí)行范式分兩個階段階段一規(guī)劃。借助 StructuredResponseAgent 讓模型輸出一個結構化 JSON 計劃PlanToolFlow內容以 step_1、step_2 組織每一步聲明要調用的工具、參數(shù)來源和推理依據(jù)。規(guī)劃提示詞completion.py 中的PLAN_CALL_TOOL_PROMPT特別約定了三類情況串行調用工具 B 依賴工具 A 的輸出 → 分步執(zhí)行并行調用多個工具互不影響 → 放在同一個 step參數(shù)缺失主動調用call_user向用戶追問缺失參數(shù)。階段二執(zhí)行。按計劃逐步調用工具每步執(zhí)行結果累積進上下文供后續(xù)步驟引用。如果模型輸出的 JSON 格式壞了還會觸發(fā)一個JSON 自動修復流程把原 JSON 和報錯信息交給模型重新修復后再解析。適合查天氣→對比→給建議這種長鏈條任務簡單問題則直接輸出空計劃跳過工具調用。五、CodeAct Agent讓模型直接寫代碼codeact_agent.py 采用CodeActCode as Action思路與其讓模型一個一個調工具不如讓它直接寫 Python 代碼然后在Pyodide 沙箱WebAssembly 版 CPython中執(zhí)行。工作流程模型輸出要么是一段代碼塊要么是最終文字回答代碼被提取后注入沙箱可引用上一步定義的變量和所有工具函數(shù)執(zhí)行結果stdout / 報錯回傳給模型繼續(xù)迭代。代碼在瀏覽器端的沙箱里跑天然隔離了風險適合數(shù)據(jù)分析、批量計算等用代碼比用工具調用更高效的任務。六、MCP Agent把外部服務接入智能體MCPAgent 是 MCPModel Context Protocol協(xié)議的智能體封裝。它通過MCPManager動態(tài)連接 SSE / HTTP 類型的 MCP 服務拉取遠端工具列表后掛載到 ReAct 循環(huán)上。兩個值得新手注意的設計中間件注入用戶配置像高德地圖、郵箱這類需要鑒權的 MCP 服務會通過中間件在每次工具調用前自動把該用戶的個人配置如 API Key合并進參數(shù)用戶無感知終止協(xié)議MCP 子 Agent 使用專門的CALL_END_PROMPT要求它在完成任務后只輸出固定終止語防止子 Agent 搶戲替主 Agent 回答用戶。七、Skill Agent用一份文檔定義一種能力SkillAgent 的靈感來自技能文件夾每個 Skill 是一個目錄核心是SKILL.md技能說明文檔旁邊可附帶參考資料。它的工作方式很樸素但有效把SKILL.md內容作為系統(tǒng)提示詞告訴模型你現(xiàn)在的職責和標準作業(yè)流程只給模型兩個工具list_skill_files列出技能文件和get_file_content按需讀取文件模型在回答時缺什么資料就查什么文件實現(xiàn)漸進式加載避免一次性把所有資料塞進上下文。內置的研究報告、代碼審查、郵件寫作等 Skill見 src/backend/agentchat/config/skills/都是這種結構。八、StructuredResponse 與 Text2SQL兩個?？漆t(yī)生StructuredResponseAgentstructured_response_agent.py用 Pydantic 模型作為模具強制模型輸出合法的結構化 JSON。它本身就是 Plan-Execute 規(guī)劃階段的幕后功臣——計劃能不能穩(wěn)定生成靠的就是它。Text2SQLAgenttext2sql_agent.py實現(xiàn)自然語言查數(shù)據(jù)庫內置了一個自我修正循環(huán)自動讀取數(shù)據(jù)庫 Schema表結構注入提示詞讓模型生成 SQL并只允許 SELECT語句執(zhí)行防止誤操作執(zhí)行報錯時把錯誤信息連同原 SQL 回傳給模型修正最多重試 3 次查詢成功后再讓模型把結果翻譯成自然語言回答。九、多智能體如何協(xié)作Agent as ToolAgentChat 多智能體架構最巧妙的地方是Agent as Tool模式GeneralAgent 并不把所有 MCP 工具、Skill 工具平鋪到同一個上下文里而是把每個子能力封裝成一個子 Agent再把這個子 Agent 當作工具掛到主 Agent 上。好處很直觀上下文隔離MCP 子 Agent 和 Skill 子 Agent 各自有獨立的提示詞與消息歷史互不污染按需深入主 Agent 只看到高德地圖 MCP、研究報告 Skill這樣的入口決定需要時才下鉆調用統(tǒng)一事件流所有子 Agent 的執(zhí)行事件都通過流式通道上報用戶能看到完整的任務推進過程。在工作臺發(fā)起的復雜任務如深度調研就是由這套主 Agent 子 Agent 工具的編排體系在后臺協(xié)作完成的。十、新手選型指南該用哪種Agent你的需求推薦 Agent原因日常問答 少量工具ReactAgent / GeneralAgent循環(huán)輕量、響應快工具、MCP 服務很多GeneralAgent內置智能工具搜索省 Token多步驟長任務調研、規(guī)劃PlanExecuteAgent先規(guī)劃后執(zhí)行步驟可控數(shù)據(jù)計算、批量處理CodeActAgent代碼比多次工具調用更高效接入外部 API 服務MCPAgent標準協(xié)議動態(tài)加載工具固定工作流寫報告等SkillAgent文檔即流程穩(wěn)定可復用查數(shù)據(jù)庫Text2SQLAgent自動 Schema 感知 自糾錯總結AgentChat 的多智能體架構可以概括為一句話用 ReAct 循環(huán)解決怎么調工具用 Plan-Execute 解決先想后做用 Agent-as-Tool 解決誰來協(xié)調誰。8 類 Agent 各司其職共享同一套模型管理ModelManager、流式事件和 Token 統(tǒng)計回調既保證了擴展性也讓新手無需理解全部細節(jié)就能在界面上組合出符合自己場景的智能體。想深入代碼細節(jié)建議按這個順序閱讀react_agent.py → general_agent.py → plan_execute_agent.py再配合 docs/reference/core.md 的架構說明基本就能掌握整個多智能體體系。贊分享人工智能大模型AI 應用AI AgentRAG后端前端【免費下載鏈接】AgentChatAgentChat 是一個基于 LLM 的智能體交流平臺內置默認 Agent 并支持用戶自定義 Agent。通過多輪對話和任務協(xié)作Agent 可以理解并協(xié)助完成復雜任務。項目集成 LangChain、Function Call、MCP 協(xié)議、RAG、Memory、HITL、Skill、Milvus 和 ElasticSearch 等技術實現(xiàn)高效的知識檢索與工具調用使用 FastAPI 構建高性能后端服務。項目地址https://gitcode.com/gh_mirrors/age/AgentChat點擊查看免費下載相關推薦AutoGen AgentChat實戰(zhàn)指南快速構建多智能體對話系統(tǒng)AutoGen AgentChat實戰(zhàn)指南快速構建多智能體對話系統(tǒng) 還在為構建復雜的多智能體應用而頭疼AutoGen AgentChat框架為你提供了一套完人工智能AI AgentAgent 框架多智能體工具調用TradingAgents-CN多智能體系統(tǒng)架構與實現(xiàn)原理TradingAgents CN是一個基于多智能體LLM的中文金融交易框架通過先進的多智能體系統(tǒng)架構實現(xiàn)智能化的投資決策和風險管理。這個多智能體交易系統(tǒng)將市場人工智能大模型AI Agent多智能體金融科技后端前端Qwen-Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實戰(zhàn)Qwen Agent 的 Agent 類完全指南從 Assistant 單智能體、GroupChat 多智能體到自定義 Agent 開發(fā)實戰(zhàn) Qwen Age人工智能大模型AI AgentAgent 框架工具調用RAGAgent 評測MCP Clients創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考