AgentSquare

这个 Agent 能做什么，适合哪些场景？

AgentSquare 是论文《AgentSquare: Automatic LLM Agent Search in Modular Design Space》的官方实现，提供代码、提示词和结果。它将 Agent 设计组织为规划、推理、工具使用和记忆四类模块，并提供模块 I/O 接口说明。主搜索实验通过 search/agent_search.py 运行。仓库给出了 ALFWorld、WebShop、M3Tooleval 和 Sciworld 的任务运行入口，也说明可参考 workflow.py 接入封装后的自定义任务。运行边界是本地 Python 环境、命令行、任务数据或外部任务环境，以及 OpenAI API 凭据。

先设置 OPENAI_API_KEY，并在 Python 3.9.12 环境中安装 requirements.txt。搜索流程从 search 目录执行 python agent_search.py。ALFWorld 示例在 tasks/alfworld 中通过 sh run.sh，或运行 alfworld_run.py 并指定 --planning、--reasoning、--tooluse、--memory 和 --model 参数来组合模块并解决任务；其中需将 ALFWORLD_DATA 指向任务数据路径。其他任务分别提供 WebShop、M3Tooleval 和 Sciworld 的运行命令；Sciworld 示例使用 eval_main_sci.py、配置文件、基线结果目录和模型参数执行评测。

1. 研究 LLM Agent 模块化设计的研究人员，希望搜索规划、推理、工具使用与记忆模块的组合。
2. 拥有 ALFWorld 数据的开发者，需要用指定模块参数运行一个任务求解示例。
3. 已部署 WebShop 环境的评测人员，需要从 tasks/webshop 运行仓库提供的脚本。
4. 使用 AgentBoard 的 Sciworld 环境的研究人员，需要以给定配置和基线结果目录评测模型与模块组合。
5. 要把自有封装任务接入模块化工作流的开发者，可按 workflow.py 和 tasks/alfworld 的组织方式进行集成。

如何安装或部署这个 Agent？

设置凭据并创建运行环境：

export OPENAI_API_KEY=<YOUR KEY HERE>
git clone https://github.com/tsinghua-fib-lab/AgentSquare.git
conda create -n agentsquare python=3.9.12
conda activate agentsquare
cd AgentSquare
pip install -r requirements.txt

运行其他任务前，README 还要求：

cd tasks
pip install -r requirements.txt

如何使用这个 Agent？

执行主搜索实验：

cd search
python agent_search.py

运行 ALFWorld 示例前设置数据路径，然后执行：

export ALFWORLD_DATA=<Your path>/AgentSquare/tasks/alfworld
cd tasks/alfworld
sh run.sh

也可使用 README 给出的模块参数调用：

python3 alfworld_run.py --planning deps --reasoning cot --tooluse none --memory dilu --model gpt-3.5-turbo-0125

这个 Agent 有哪些优点和局限？

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。

FollowAgents 如何评估这个 Agent？

[![FARS 评测](https://followagents.com/badge/agentsquare.svg?lang=zh)](https://followagents.com/zh/agents/agentsquare)

<a href="https://followagents.com/zh/agents/agentsquare"><img src="https://followagents.com/badge/agentsquare.svg?lang=zh" alt="FARS 评测"></a>

常见问题