agentUniverse
用可配置的协作模式和领域知识构建多智能体应用。
- Star 数
- ★ 2.4k
- 最近更新
- 12 天前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 30/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 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
- 典型场景
- 金融研究团队需要把事件解读或行业分析拆解为规划、执行、表达和复核步骤时，可采用 PEER 协作模式。
- 不适合
- 希望开箱即用、无需编写配置文件的用户，需自行配置模型密钥与Agent配置
- 需要成熟生产部署方案（认证、资源规划、定价）的团队，文档未涉及
这个 Agent 能做什么，适合哪些场景？
agentUniverse 是一个基于大语言模型的 Python 多智能体框架，用于构建单智能体与多智能体应用。它提供 PEER（Plan、Execute、Express、Review）和 DOE（Data-fining、Opinion-inject、Express）协作模式组件，并支持自定义和编排新的协作模式。框架强调通过领域提示、知识构建与管理来注入专业领域经验，也覆盖工具、知识库、RAG、记忆、提示管理和性能评估等应用构建环节。模型可通过配置接入 Qwen、DeepSeek、OpenAI、Claude、Gemini、Llama 等列出的模型系列。项目还提供基于 magent-ui 的可视化智能体工作流平台，以及基于 OpenTelemetry 的可观测性能力。
开发者先执行 pip install agentUniverse 安装框架，再在智能体配置中选择 LLM；例如在 custom_key.toml 设置 DEEPSEEK_API_KEY，并将 llm_model 配置为 default_deepseek_llm。应用可把复杂任务分配给 PEER 中的 Plan、Execute、Express、Review 角色，或由 DOE 的 Data-fining、Opinion-inject、Express 角色协作处理数据密集型任务和专家意见。框架支持把工具、知识库、RAG、记忆和领域提示纳入智能体流程，并提供 MCP Server 的使用与发布路径。需要可视化编排时，可安装 magent-ui ruamel.yaml，运行示例中的 product_application.py 启动工作流平台。
- 金融研究团队需要把事件解读或行业分析拆解为规划、执行、表达和复核步骤时，可采用 PEER 协作模式。
- 需要生成财报类内容、同时处理数据和注入专家意见的业务团队，可采用 DOE 协作模式。
- 希望为法律咨询场景搭建示例智能体的开发者，可参考 Legal Advice Agent v2。
- 需要生成并执行 Python 代码的开发者，可参考 Python Code Generation and Execution Agent 示例。
- 需要通过多轮多智能体讨论形成结果的团队，可参考 Discussion Group 示例。
- 希望以画布方式搭建智能体工作流的开发者，可使用与 difizen 的 magent 共同开发的可视化平台。
如何安装或部署这个 Agent？
运行环境要求 Python 3.10+。安装框架：pip install agentUniverse。如需可视化工作流平台，额外安装：pip install magent-ui ruamel.yaml。使用 DeepSeek 时，在 custom_key.toml 中设置 DEEPSEEK_API_KEY。
如何使用这个 Agent？
先按“Run the first example”教程运行首个示例。构建应用可从 examples/sample_standard_app 的标准项目开始，并在智能体配置文件中设置模型；DeepSeek 示例使用 llm_model: default_deepseek_llm。启动可视化平台时，运行 examples/sample_apps/workflow_agent_app/bootstrap/platform/product_application.py。
这个 Agent 有哪些优点和局限？
- 内置 PEER 与 DOE 两种具名协作模式，分别面向复杂推理分析和数据密集、需要专家意见的任务。
- 模型配置覆盖多个供应商和模型系列，包括 OpenAI、Claude、DeepSeek、Qwen 与 Gemini。
- 支持领域提示、知识构建与管理，面向将领域 SOP 和专业知识注入智能体流程。
- 提供 OpenTelemetry 标准的智能体、LLM 与工具全生命周期观测能力。
- 既提供 Python 框架路径，也提供与 magent-ui 集成的可视化工作流平台。
- 首个示例的具体运行命令未在提供材料中列出，需依赖配套教程完成启动。
- 不同模型供应商需要各自的密钥与配置；README 仅明确展示了 DeepSeek 的
DEEPSEEK_API_KEY配置示例。 - 可视化平台需要额外安装
magent-ui和ruamel.yaml。 - README 所列协作模式目前明确开放的是 PEER 和 DOE，其他模式仅说明未来会继续增加。
- 提供材料未说明生产部署拓扑、资源需求、认证机制或模型调用成本。
这个 Agent 与同类方案有什么区别？
提供材料引用的 PEER 研究将其与 BabyAGI 对比：README 称 PEER 在七项评估维度的平均得分更高，并报告在 GPT-3.5 Turbo（16k）测试中准确率为 83%、在 GPT-4 测试中为 81%。该信息来自研究性评测，不能替代针对具体业务任务的选型验证。
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 |
|---|---|---|---|---|---|---|
| agentUniverse 当前 | 30 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 2.4k | 12 天前 | Python | OpenAI API · Claude API |
| Inkeep Agents | 45 · 缺口较多 | 网页应用免费版 + 付费版 | ★ 1.5k | 1 天前 | TypeScript | — |
| Microsoft Agent Framework | 49 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 15k | 今天 | Python | OpenAI API |
| OpenAI Agents SDK | 64 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 31k | 1 天前 | Python | OpenAI API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：仓库未提供权限模型、用户确认机制、数据流透明性、敏感数据处理、依赖安全审计、外部影响控制、回滚机制或来源归属的说明。所有信任相关标准均未得到支持，因此评分为0。
证据显示：README和pyproject.toml中的描述一致，框架名称、版本和许可证信息一致，因此自洽性评分为2。依赖可用性：pyproject.toml列出了大量依赖，但未提供锁定文件或版本范围验证，因此评分为1。失败消息：未提供错误处理或失败消息的文档，因此评分为0。
证据显示：README明确了目标受众（开发者和企业）和典型场景（金融、法律等），因此受众和场景评分为2。能力边界：文档描述了PEER和DOE模式，但未明确限制或边界，因此评分为1。触发精度：未提供触发机制或精确条件，因此评分为0。环境适配：提供了Python版本和操作系统要求，但未提供完整的部署指南，因此评分为1。
证据显示：README提供了清晰的目录结构和文档链接，信息架构评分为2。安装说明：提供了pip安装命令，评分为2。命名稳定性：版本号在pyproject.toml中定义，但未提供命名约定文档，评分为1。示例和FAQ：提供了多个示例应用，但未提供FAQ，评分为2。已知限制：未提及任何已知限制，评分为0。许可证：提供了Apache-2.0许可证全文，评分为3。版本和变更日志：提供了版本号，但未提供变更日志，评分为1。维护责任：提供了维护者邮箱和Discord链接，评分为2。
证据显示：输出可用性：示例代码展示了如何获取输出，但未提供输出格式文档，评分为1。边际价值：框架提供了多代理协作模式，具有独特价值，评分为2。成本效益：未提供性能或成本分析，评分为1。
证据显示：声明可追溯性：README引用了PEER论文，但未提供其他声明的来源，评分为1。跨来源佐证：提供了论文链接和商业产品链接，但未提供独立验证，评分为1。事实与推断分离：文档中混合了事实和推断，未明确区分，评分为1。
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 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。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 未提供权限模型或用户确认机制，部署时需自行评估安全风险。
- 依赖列表未锁定版本，存在供应链风险，建议使用锁定文件。
- 未提供已知限制或故障排除指南，生产使用需谨慎。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
[0.0.19] - 2025-11-17 Added - Added AWS Bedrock model support - Added ollama embedding component support - Added jina rerank component support - Added vector database component support - Faiss vector database support - Qdrant vector database support - Added a batch of new Reader data loading components - Added Notion, GoogleDoc, Confluence cloud document loading components - Added file format support for epub, rar, sevenzip, zip, xlsx - Added text extraction components for images and PDF files based on PaddleOCR …在 GitHub 查看 ↗ -
发布说明摘录
[0.0.18] - 2025-07-10 Added - Added observability capabilities for agent applications based on the OTel protocol Established observation standards for aU agent applications based on OTel (OpenTelemetry) protocol. Comprehensive metrics and traces (including token consumption, latency, success rate, etc.) are collected across key components such as agents, LLMs, and tools. The implementation supports integration with mainstream observability frameworks including SigNoz, Jaeger, and Prometheus, enabling full lifecycle observability for agents. …在 GitHub 查看 ↗ -
发布说明摘录
[0.0.17] - 2025-05-22 Added - MCP Integration & Publishing Capabilities Enables rapid integration with MCPServer for agent, and allows publishing tools/toolkits from aU as MCPServer services - Toolkit Capabilities Supports categorized management of tools and configuration for agent - Knowledge Reader Components - Added Yuque document loading component - Added async_execute method to base tool class, enabling asynchronous tool invocation - Added custom plugin extensions for trace collection processing - Added configurations for the complete Qwen3 series model Changed …在 GitHub 查看 ↗
常见问题
需要使用某一家模型供应商吗？
使用 DeepSeek 需要什么凭据？
custom_key.toml 中设置 DEEPSEEK_API_KEY，并在智能体配置中将 llm_model 设为 default_deepseek_llm。