AWorld 智能体编排平台
把领域知识转化为可构建、评估并持续改进的多智能体工作流。
工作流为部分作业声明了权限，容器发布还区分拉取请求与推送；README 也允许人在演化过程中提供反馈。但没有证据表明代理工具遵循最小权限、执行外部操作前逐项确认，或提供统一的副作用预览。README 仅简要说明通过 .env 配置模型和 API，测试显示会把会话、提示和回答持久化及重放，但未交代数据发送目的地、保留周期、脱敏、访问控制或密钥轮换。依赖安装基本未固定版本，GitHub Actions 使用版本标签而非提交摘要；未见漏洞扫描或依赖更新策略。自主生成代码和媒体、后台子代理及 CI 发布均会产生外部影响，却未展示恢复或回滚机制。项目、技能、论文和作者归属较丰富，因此来源署名较好，但发布者身份和正式责任链仍不明确。
README 对编排器、开发者、评估器和演化循环的描述彼此协调，测试也具体覆盖代理刷新、时间注入、会话去重、旧历史恢复和一次性重放，足以支持普通静态一致性评价。扣分在于所给证据只覆盖少量组件和成功/边界路径，未展示整体错误传播。安装依赖外部模型、API、Conda、pip、浏览器或媒体服务，而可用性、兼容版本和降级策略不明确；空回答等情况被静默忽略，但没有面向用户的失败消息、诊断代码或恢复指导。
材料明确面向开发者、研究人员和领域专家，并给出应用构建、深度搜索、视频生成、评估及多类基准场景，因此受众与场景非常充分。它支持全局配置、工作目录 .env、Python 3.11、CLI、本地会话恢复和多种子代理，具备较好的环境适配基础。扣分在于能力宣传非常宽泛，缺少支持与不支持任务、平台、模型、工具及资源上限的清单；也没有展示触发规则、歧义处理、工具选择约束或防止代理误调用的机制。
README 有清楚的安装、配置、自动化、演化、基准、进阶功能和贡献结构，并链接到配方、配置和专题文档；命名在 AWorld、AWorld-CLI、Aworld 和 AWorld Agent 之间存在大小写及产品边界不完全稳定的问题。安装步骤可操作，但缺少系统前置条件、锁定版本、常见故障和卸载说明。示例丰富且测试提供额外用法证据，但所给材料没有真正的 FAQ。限制主要以背景问题形式出现，缺少操作性已知限制。MIT 许可证正文完整，获满分。虽出现 v2.0、日期和镜像标签规则，但没有发行策略或变更日志。贡献邀请和 Inclusion AI 署名存在，然而未给出维护者、支持渠道、响应承诺或安全报告责任人。
配方、CLI 流程、代码示例、会话恢复和具体输出类型表明产物可用于后续开发、研究与媒体制作；多代理编排、评估循环、CAST 和后台并行相对单一模型调用具有合理增量价值。扣分在于可用性及增量收益主要由演示和声明支持，未在所给文件中展示产物验收格式、质量门槛的一般实现或实际运行结果。成本方面仅声称典型工作负载快 3 倍，并未给出测量方法，也未说明模型/API、视频生成、存储、并发和人工复核成本，无法形成充分的成本收益判断。
许多能力与基准声明附有仓库内配方、示例、论文、模型或排行榜指向，测试对会话和提示处理提供了代码级可追踪证据，工作流也印证文档和镜像构建路径，因此追踪性和跨文件佐证达到普通水平。扣分在于当前材料没有包含链接目标内容，不能独立核对排行榜、论文或“3 倍”“battle-tested”“近乎无限上下文”等说法；部分营销性推论把基准成绩直接解释为整个框架的证明，没有清楚区分观察事实、实验条件和推断。
- 代理可自主生成或修改代码、调用搜索及媒体工具并启动后台子代理；在真实项目中使用前，应增加逐项授权、作用域限制、预算上限和外部副作用预览。
- 会话测试表明用户输入和助手输出会被写入本地记录并在模型提示中重放；不要在确认存储位置、权限、保留和删除策略前输入敏感信息。
- 安装及 CI 依赖大多未以不可变摘要或完整锁文件固定；部署前应生成依赖清单、执行漏洞扫描并固定可信版本。
- 基准、速度和上下文能力声明未能仅凭所给文件独立验证，应视为待核实的项目声明，而非本次静态审查确认的结果。
- 未展示撤销生成改动、取消外部操作或恢复会话副作用的统一机制；建议在版本控制、隔离工作区和可恢复备份中运行。
这个 Agent 能做什么，适合哪些场景？
AWorld 是一个可自行部署的智能体框架与命令行平台，核心产品界面是 `aworld-cli`。AWorld Agent 负责理解目标、制定计划，并将工作分派给 Developer、Evaluator、Video Diffusion、Audio Generator 和 Image Generator 等专用子智能体。Developer 可借助 CAST（Code Abstract Syntax Tree）理解代码结构并进行修改，Evaluator 则依据技能或人工反馈检查结果，形成“构建—评估—演进”循环。平台展示的输出包括应用代码、深度搜索结果、图片、语音和视频，并提供可复用的 Skills 与配方。其运行边界是用户自己的 Python 3.11 环境和工作目录；模型与 API 参数需要通过配置流程或 `.env` 提供。它适合希望把编码、评测和多模态生成组织成可控工作流的开发者与研究者，但采用前应核实所选模型服务、具体环境变量和各生成后端的成本与可用性。
用户在工作目录启动 aworld-cli 后，AWorld Agent 解析目标、生成计划并选择专用子智能体。Developer 编写、调试和重构代码；CAST 将代码表示为抽象语法树结构，以支持分层导航、上下文压缩和依赖感知修改。Evaluator 使用诸如 aworld-skills/app_evaluator/SKILL.md 的技能检查产物，并把问题反馈给 Developer，循环执行直到达到用户给出的标准或收到人工反馈。深度搜索流程可调用 Agent Browser Skill；多媒体流程可组合 Video Diffusion、Audio Generator、Image Generator，以及字幕、音频插入或视频嵌入技能，生成视频、语音和图片。SpawnSubagentTool 支持通过 spawn_background 启动非阻塞任务，以 check_task 查询状态、以 wait_task 等待完成，并获取返回结果。仓库还包含 GAIA、IMO、OSWorld、VisualWebArena 和 xbench 示例，以及智能体训练、数据合成和强化学习相关材料。
- 产品开发者需要从一句需求生成小型 Web 应用，并让 Evaluator 按 UI 评分反复要求 Developer 修正，直到达到明确阈值。
- 研究人员需要搭建 GAIA、OSWorld、VisualWebArena 或 xbench 一类智能体基准实验，并参考仓库中的对应示例和编排方式。
- 工程团队面对大型代码库时，希望通过 CAST 获取代码层次结构、压缩相关上下文并执行依赖感知的局部修改。
- 内容团队希望从一个提示生成教学、企业培训、品牌营销、社交媒体或虚拟主播视频，并组合视频、图像、语音及后处理技能。
- 需要长时间研究任务的智能体开发者，可以用
SpawnSubagentTool在后台运行子智能体，同时让编排器继续处理其他工作。 - 领域专家希望把自己的质量标准编码成共享 Skill，用自动评分或自然语言人工反馈驱动后续演进循环。
这个 Agent 有哪些优点和局限？
- 把 Developer 与 Evaluator 放入明确的闭环，可依据客观评分或人工自然语言反馈反复改进产物，而不仅是一次性生成。
- CAST 提供代码分层导航、相关上下文压缩和依赖感知修改，针对大型代码库中的上下文窗口与盲目文本替换问题。
SpawnSubagentTool提供可检查、可等待、可取回结果的后台子智能体执行接口，使编排器工作可以与长任务重叠。- 同一编排框架覆盖代码、深度搜索、图片、语音和视频工作流，并通过共享 Skills 与配方复用领域知识。
- 仓库给出了 GAIA、IMO、OSWorld、VisualWebArena 和 xbench 的具体实验结果及相关示例入口，便于评估研究适配度。
- 安装过程需要克隆仓库、创建 Conda 环境并分别以 editable 模式安装根项目和
aworld-cli，不是单条稳定版包安装命令。 - 提供的材料未列出
.env的核心变量、支持的模型供应商或凭证格式，接入前仍需查阅额外配置文档。 - 视频、语音、图像和模型调用依赖外部模型或 API 配置；材料没有给出费用、速率限制、离线模式或数据处理边界。
- 自动演进的效果依赖明确的评测标准或高质量 Skill；主观任务仍需要人工反馈作为最终判断。
- 基准数字来自项目自身展示的特定日期与任务设置，不能直接证明所有自定义领域工作流都会获得同等表现。
如何安装或部署这个 Agent？
需要 Git、Conda、Python 3.11、pip 和可访问依赖源的网络环境。执行：
git clone https://github.com/inclusionAI/AWorld && cd AWorld
conda create -n aworld_env python=3.11 -y && conda activate aworld_envpip install -e . && cd aworld-cli && pip install -e .
仓库采用 MIT 许可证。来源没有提供其他安装方式，也没有列出经过验证的操作系统范围。
如何使用这个 Agent？
进入希望 AWorld 操作的工作目录，先运行：
aworld-cli --config完成模型和 API 设置后，运行：
aworld-cli也可以在工作目录创建 .env，填写模型与 API 设置。提供的材料没有列出核心环境变量名称或任何特定供应商的凭证格式，因此无法给出可验证的完整 .env 模板；首次运行前需准备所选模型或生成服务要求的 API 配置。编程方式执行后台任务时，实例化 SpawnSubagentTool(subagent_manager=your_manager, conf=config)，通过 ActionModel(action_name='spawn_background', params={...}) 提交任务，再使用 check_task、wait_task 和带 include_result: True 的 check_task 获取结果。
常见问题
必须使用某个特定模型供应商吗？
能否完全离线运行？
自动演进如何判断何时停止？
后台子智能体失败或超时时如何处理？
check_task 查看状态、用带 timeout 的 wait_task 等待，并在完成后读取结果；材料没有说明自动重试、持久化恢复或跨进程故障转移策略。