Agent Graph

一个基于上下文工程原则的多智能体系统,通过可视化方式快速构建、测试和部署复杂的多 Agent 应用。

Star 数
★ 239
最近更新
4 天前
License
Apache-2.0
主语言
Python

30 秒速览

运行形态
自托管服务网页应用开发框架
可在哪里用
通用 · 跨平台
费用
软件免费,模型调用费用自付
上手难度
中 · 需要几步配置
开始前需要
Docker 20.10+(含 Docker Compose)Python 3.11+uv(推荐)内存至少 4GB(推荐 8GB)存储空间至少 10GBShell / 命令行网络访问本地文件系统MCP Server
典型场景
需要将多个 Agent 编排为可预测多阶段流程(线性、并行、条件分支)的团队,使用可视化图编辑器而非写编排代码
不适合
  • 需要纯前端/SaaS 托管方案、不愿自建 Docker 与数据库服务的团队
  • 寻找轻量命令行工具、不想部署 MongoDB/MinIO 等多服务的开发者
  • 依赖 Windows 原生环境且无法使用 WSL2 的用户
维护状态
近 30 天有提交最近提交 2026-11-17

这个 Agent 能做什么,适合哪些场景?

Agent Graph(GitHub 仓库 keta1930/agent-graph)是一个自托管的多智能体系统,基于上下文工程(Context Engineering)原则构建,采用 Apache-2.0 许可证。它整合了子智能体(Sub-agent)、长期记忆、MCP 协议和基于 Agent 的工作流等能力。核心组件包括 Agent、Graph(工作流)、模型管理(支持 OpenAI 兼容的 LLM 和 VLM)、记忆、提示词中心和项目管理。系统提供前端拖拽式可视化图编辑器,支持线性、并行、条件和嵌套图类型,并支持子图嵌套、智能路由(Handoffs)和定时任务调度。部署采用 Docker Compose 启动 MongoDB 和 MinIO 等服务,后端为 FastAPI 应用,通过 uv 或 pip 运行,默认访问地址为 http://localhost:20050。

Agent Graph 让开发者通过可视化前端(工作区)创建和管理 Agent、设计工作流、配置模型和 API Key、管理 MCP 服务器连接、维护提示词模板和长期记忆。Agent 是具备理解目标、使用工具、迭代优化、维护上下文和长期记忆能力的 AI 实体,通过自主行动执行来解决开放性任务;Graph 将多个 Agent 编排为结构化工作流,通过节点和边定义执行流。系统通过 MCP 协议连接外部工具和数据源(数据库、API、文件系统、云服务等),并提供内置工具集(Agent Creator、Graph Designer、MCP Builder、Prompt Generator、Task Manager 等)。支持子图嵌套实现模块化层级工作流,Handoffs 允许节点动态选择下一执行节点,Task 功能支持 cron 表达式的定时或周期自动执行。部署后提供 Web 聊天界面、API 文档(/docs)和健康检查(/health)端点。

  1. 需要将多个 Agent 编排为可预测多阶段流程(线性、并行、条件分支)的团队,使用可视化图编辑器而非写编排代码
  2. 需要 Agent 跨会话记住用户偏好和知识库的产品团队,利用短期/长期记忆能力
  3. 已有 OpenAI 兼容 LLM API 的开发者,希望接入 MCP 服务器统一连接数据库、API 和文件系统等外部工具
  4. 需要定时或周期自动执行工作流的运维/数据场景,使用 Task 调度(cron 表达式、并发实例、执行历史)
  5. 需要团队协作管理 Agent 与提示词模板的组织,利用邀请码注册、角色权限(超级管理员/管理员/普通用户)和提示词中心
  6. 构建需要视觉理解能力的应用,通过 VLM 模型为 Agent 增加多模态支持

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • pip install -r requirements.txt
端口
20041 · 20043
环境变量
PUBLIC_API_BASE_URL
配置文件
.env.example .env docker/docker-compose.yml
运行环境
Python 3.11+
安装说明涉及
Windows · macOS · Linux · WSL · Docker

如何安装或部署这个 Agent?

系统要求:Linux、macOS 或 Windows(需 WSL2),Docker 20.10+,Python 3.11+,内存至少 4GB(推荐 8GB),存储至少 10GB。

  1. 克隆项目:
git clone https://github.com/keta1930/agent-graph.git
cd agent-graph
  1. 配置并启动 Docker 服务(MongoDB、MinIO 等):
cp .env.example .env
# 启动前填写所有空白凭证和密钥
python agent_graph/scripts/generate_jwt_secret.py
docker compose --env-file .env -f docker/docker-compose.yml up -d

默认服务地址:MongoDB Express(数据库管理)http://localhost:20041,MinIO 控制台(文件存储)http://localhost:20043。

  1. 部署后端(推荐使用 uv):
uv sync
uv run --env-file .env fastapi run

或使用 pip:

pip install -r requirements.txt
dotenv -f .env run -- fastapi run

后台运行:

nohup uv run --env-file .env fastapi run > app.log 2>&1 &

可选:修改前端代码时进入 frontend 目录执行 npm install 并 npm run dev(仓库已包含预构建前端文件)。

如何使用这个 Agent?

  1. 打开 PUBLIC_API_BASE_URL 配置的地址(默认 http://localhost:20050),使用 .env 中配置的用户名密码登录管理员账户,或使用邀请码注册新用户。
  1. 在工作区(Workspace)中创建和配置 Agent:设置系统提示词、工具和模型参数;在模型管理中配置 LLM/VLM 模型的 API Key。
  1. 在工作流管理中使用可视化拖拽编辑器设计 Graph,编排线性、并行、条件或嵌套流程;可将整个 Graph 作为子图节点复用,或配置 Handoffs 让节点动态选择下一执行节点。
  1. 在 MCP 管理中添加 MCP 服务器连接外部工具和数据源;在提示词中心管理可复用的 Prompt 模板;在记忆管理中查看 Agent 的长期记忆和知识库。
  1. 在聊天页面与 Agent 对话,或将工作流配置为定时任务(cron 表达式)自动执行。

其他端点:API 文档 http://localhost:20050/docs,健康检查 http://localhost:20050/health。详细安装文档见 docs/first-steps/install.md,官方文档见 https://keta1930.github.io/agent-graph/。

这个 Agent 有哪些优点和局限?

优点
  • 可视化拖拽式图编辑器支持线性、并行、条件、嵌套等多种图类型,所见即所得地编排多 Agent 工作流,无需手写编排代码
  • 原生集成 MCP 协议,外部工具和数据源一次连接即可到处使用,并配套 Agent Creator、Graph Designer、MCP Builder 等内置系统工具
  • 内置短期与长期记忆体系,支持跨会话的用户偏好和知识库存储,配合提示词中心实现模板的集中管理与跨项目引用
  • 子图嵌套与 Handoffs 智能路由支持模块化、层级化工作流,Task 调度支持 cron 表达式和并发实例
局限
  • 部署门槛较高:需要 Docker Compose 启动 MongoDB、MinIO 等多个服务,并自行配置 .env 中的凭证、JWT 密钥等,Windows 用户必须使用 WSL2
  • 文档未声明对各 LLM 提供商的适配范围,仅说明支持 OpenAI 兼容的 LLM/VLM 模型,需自行确认自有模型的兼容性并承担 API 调用费用
  • 部分规划中的能力尚未落地:团队资源共享和 Agent Skills 显示为即将推出,外部 Agent API 和用户分析仍处于探索规划阶段
  • 前后端分离的自托管架构意味着使用者需自行承担运维、升级和安全(凭证、邀请码、角色权限)管理成本

这个 Agent 与同类方案有什么区别?

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
Agent Graph 当前 53 · 缺口较多 自托管服务免费 + 模型费 ★ 239 4 天前 Python —
PowerContext 82 · 表现良好 命令行工具免费 ★ 1.8k 1 天前 Python Codex · Claude Code
Memoh 50 · 缺口较多 — ★ 2.8k 2 天前 Go Codex · Claude Code
Puppyone 上下文驱动器 47 · 缺口较多 自托管服务免费版 + 付费版 ★ 1.3k 5 个月前 TypeScript ChatGPT · Claude Code

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
53/ 100 五分制 2.7 / 5
信任安全 11/29
可靠稳定 8/14
适用触发 9/18
规范维护 12/18
有效结果 9/13
证据核验 4/8
查看各维度的扣分理由
信任安全11 / 29 · 1.9/5

证据显示:有 JWT 密钥生成脚本、.env 必填项要求、生产安全清单(防火墙/HTTPS/唯一凭据),敏感凭据处理有基本指引(2)。但扣分明显:Agent 可通过 MCP 连接数据库/API/文件系统、创建文件、定时执行 Graph,未见工具级权限控制或执行前用户确认机制(least_privilege=1、user_confirmation=0、external_effects=1);数据流向(数据存到 MongoDB/MinIO、发送给 LLM 供应商)只有功能描述而无透明度说明(data_flow_transparency=1);依赖大量未锁版本(langchain、openai、aiohttp 等)且无审计/锁定文件(dependency_security=1);无回滚/备份方案(rollback=1)。作者署名、引用格式与 Apache-2.0 全文均在,归因尚可(2)。

可靠稳定8 / 14 · 2.9/5

文档内部一致性较好:README、AGENTS.md、install.md 的命令、端口、流程互相吻合(self_consistency=2);有 /health 端点、异常处理器返回统一 500、中英文故障排查表(failure_messages=2)。扣分:依赖可用性差——langchain、openai、aiohttp 等完全未固定版本,requirements.txt 与 pyproject 重复维护,存在漂移风险(dependency_availability=1)。

适用触发9 / 18 · 2.5/5

面向开发者/团队场景明确,部署环境(Linux/macOS/WSL2、Docker 版本、内存)写得很具体(audience_and_scenarios=2、environment_fit=2)。扣分:Agent 能力边界只以营销式描述出现('自主行动执行'),未说明失败、越权、成本上限等边界(capability_boundaries=1);Handoffs/Task 调度等触发条件的精度与误触发防护无证据(trigger_precision=1)。

规范维护12 / 18 · 3.3/5

信息架构是本项目最强项:双语文档树、目录、MkDocs 严格构建 CI、安装文档详尽含验证表(information_architecture=3、install_notes=3);许可证为完整 Apache-2.0 全文且 pyproject 声明一致(license=3)。扣分:无 CHANGELOG,版本号 3.0.0 与 SECURITY.md 中 '>1.2.0 / <1.1.0' 的版本口径矛盾(versioning_changelog=1);已知限制几乎未写,roadmap 以'即将推出'替代(known_limitations=1);维护者仅个人,SECURITY.md 报告邮箱写着 [email protected] 但紧跟占位符 [email protected],职责与更新路径薄弱(maintenance_responsibility=1);命名与示例基本一致但未见 FAQ(naming_stability=2、examples_and_faq=2)。

有效结果9 / 13 · 3.5/5

预配置的欢迎对话、演示工作流、Creator Agent、故障排查表表明输出对新用户可用(output_usability=2);相对裸用 LLM API,可视化编排+记忆+MCP+任务调度构成实际差异化价值(marginal_value=2);但最低 4GB/10GB、MongoDB+MinIO+后端+前端的资源占用对单机用户偏重,自建部署成本不低(cost_benefit=2)。

证据核验4 / 8 · 2.5/5

README/AGENTS.md/install.md/quickstart 之间命令与端口可交叉印证(cross_source_corrorbation 基础成立,2);文档链接到具体子文档可追溯(claim_traceability=2)。扣分:'快速构建复杂多智能体应用''Context Engineering 最佳实践'等宣传语无任何基准或测试证据,事实与推断未分离(fact_inference_separation=1);本包内测试仅有 conftest,测试覆盖声明无法核实。

风险与缓解建议
  • 源码中未见:执行前用户确认开启或自行加上执行前确认;先在沙箱或测试环境跑通,确认行为后再接入真实数据。
  • Agent 经 MCP 可访问外部数据库、API 与文件系统并支持定时自动执行,包内未见工具级权限控制或执行前用户确认机制——部署后应严格限制 MCP 服务器范围与凭据权限。
  • SECURITY.md 的漏洞报告邮箱旁残留占位符 [email protected],且版本支持口径与 pyproject 的 3.0.0 矛盾,安全联络路径不可靠,请以仓库实际联系方式复核。
  • langchain、openai、aiohttp 等核心依赖未固定版本,requirements.txt 与 pyproject.toml 双轨维护,升级可能导致构建漂移,建议自行锁定并审计依赖。
  • 文档示例含弱默认凭据(strongpassword123、minioadmin123),务必按文档要求全部替换为唯一强凭据,并对 MongoDB Express、MinIO 控制台等管理界面做网络隔离。
  • 宣称的'Context Engineering 最佳实践'与'快速构建复杂应用'无基准或测试证据支撑;包内仅见测试夹具,测试覆盖与质量无法静态核实。
证据充分度:低 评估于 2026年11月21日 审查版本 4b2aab227e18
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/agent-graph.svg?lang=zh)](https://followagents.com/zh/agents/agent-graph)
<a href="https://followagents.com/zh/agents/agent-graph"><img src="https://followagents.com/badge/agent-graph.svg?lang=zh" alt="FARS 评测"></a>

常见问题

部署需要哪些服务和资源?
需要 Docker 20.10+ 与 Docker Compose 启动服务(含 MongoDB Express 和 MinIO),Python 3.11+,内存至少 4GB(推荐 8GB),存储至少 10GB;Windows 需通过 WSL2 运行。后端用 uv 或 pip 启动 FastAPI,默认端口 20050。
使用 Agent Graph 本身是否收费?
项目以 Apache-2.0 许可证开源,本身免费;但模型管理需要配置 OpenAI 兼容模型的 API Key,实际的 LLM/VLM 调用费用由使用者承担。
如何接入外部工具和数据源?
通过 MCP 协议集成:在工作区的 MCP 管理页面添加 MCP 服务器连接,即可接入数据库、API、文件系统、云服务等外部工具和数据源,一次连接处处可用。
支持定时自动执行工作流吗?
支持。Task(调度)功能可定时或周期性自动执行 Graph,支持 cron 表达式、并发实例和执行历史追踪。
支持团队协作吗?
支持。管理员可创建邀请码、管理团队成员并分配角色权限(超级管理员、管理员、普通用户);团队资源共享(在工作团队内共享 Agent、工作流和 Prompt)目前标注为即将推出。
Agent Graph 开源吗?
开源。源码在 GitHub(keta1930/agent-graph),许可证是 Apache-2.0。
Agent Graph 安全吗?
FollowAgents 的 FARS 评审(2026年11月21日)给 Agent Graph 的“信任与安全”打了 11/29 分。评审没有在源码和文档里找到这些安全措施:执行前用户确认。接入真实账号或数据前:开启或自行加上执行前确认;先在沙箱或测试环境跑通,确认行为后再接入真实数据。
Agent Graph 还在维护吗?
在维护。GitHub 上最近一次提交是 2026-11-17,在最近 30 天内。
Agent Graph 是谁开发的?
Agent Graph 由 GitHub 账号 keta1930 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念