agentUniverse
用可配置的协作模式和领域知识构建多智能体应用。
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。
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。
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 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。