DevAll 多智能体编排平台
用可视化工作流配置、运行并监控多智能体任务，无需编写编排代码。
按维度查看评分与理由
证据显示：存在针对路径穿越漏洞的回归测试（tests/test_attachment_upload_filename.py），表明对文件上传安全有基本处理；README 提及 Docker 安全运行和 Git 模式，但未提供权限最小化或用户确认机制；数据流透明度有限，仅提及日志和回放模式；敏感数据处理方面，.env 文件用于 API 密钥，但未说明加密或保护措施；依赖安全方面，pyproject.toml 固定了部分版本，但未提供漏洞扫描或审计证据；外部影响方面，工作流可执行代码和发布内容，但未提供审批或限制机制；回滚机制未提及；来源归属方面，README 列出了贡献者，但发布者身份未验证。扣分原因：缺乏用户确认、回滚机制和明确的权限最小化设计。
证据显示：测试文件覆盖了内存模块和附件上传，表明有一定自洽性；依赖列表完整，但未提供锁定文件或版本范围验证；失败消息方面，测试中捕获 API 错误并返回空列表，但未提供面向用户的错误提示。扣分原因：依赖可用性未验证，失败消息不充分。
证据显示：README 描述了多种场景（数据可视化、3D 生成、深度研究等），并提供了工作流模板；能力边界未明确说明，但通过 YAML 配置可扩展；触发精度方面，工作流通过提示词触发，但未提供精确的触发条件；环境适配方面，支持多种操作系统和 Docker，但未提供详细的部署要求。扣分原因：能力边界和触发精度描述不足。
证据显示：README 提供了清晰的安装和运行指南，包括 Makefile 和 Docker；信息架构合理，有目录结构说明；命名稳定性方面，版本号存在但变更日志未提供；示例和 FAQ 部分有教程和案例；已知限制未明确列出；许可证为 Apache-2.0；维护责任方面，有贡献者列表但无明确维护政策。扣分原因：缺少变更日志和已知限制说明。
证据显示：输出可用性方面，提供了 Python SDK 和 Web 控制台，可获取结果；边际价值方面，提供了多种工作流模板，节省开发时间；成本效益方面，未提供性能或成本数据。扣分原因：成本效益缺乏数据支持。
证据显示：README 引用了论文和版本，但未提供具体实现细节；跨来源验证方面，有测试文件但未独立验证；事实与推断分离方面，README 中的声明未明确区分。扣分原因：声明缺乏可追溯性，测试未独立验证。
- 发布者身份未验证，需谨慎对待供应链风险。
- 依赖未锁定，存在版本漂移风险。
- 缺少用户确认和回滚机制，执行工作流可能产生不可逆影响。
- API 密钥通过 .env 管理，需确保环境安全。
这个 Agent 能做什么，适合哪些场景？
ChatDev 2.0（DevAll）是一个零代码多智能体编排平台，用于通过配置构建和执行工作流。后端由 FastAPI 的 `server/` 提供，`runtime/` 负责智能体抽象与工具执行，`workflow/` 处理协作逻辑，`entity/` 提供配置驱动的编排。Vue 3 前端提供工作流画布和 Launch 界面，可查看实时日志、中间产物并提供人工反馈。工作流以 `yaml_instance/` 中的 YAML 文件定义，也可通过 Python SDK 的 `runtime.sdk.run_workflow` 批量执行并取得最终节点消息。项目可本地启动或以 Docker Compose 部署，README 列出了数据可视化、3D 生成、游戏开发、深度研究和教学视频等工作流示例。
用户在 Web Console 的 Workflow 画布中配置节点参数和上下文流，或选择 yaml_instance/ 的 YAML 工作流后在 Launch 中上传附件、输入任务并执行。后端运行工作流，runtime/ 管理智能体抽象和工具执行，运行过程可显示实时日志和中间产物，并支持人工反馈。程序化调用可使用 from runtime.sdk import run_workflow，传入 yaml_file、task_prompt、可选 attachments 与 variables；返回结果的 final_message 可通过 text_content() 读取。make sync 会将 yaml_instance/ 中的工作流上传至数据库，make validate-yamls 检查全部 YAML 的语法和 schema 错误。开发者还可在 functions/ 添加自定义 Python 工具。
- 数据分析人员需要把大型房地产交易数据集生成 4–6 张 PNG 图表时，可运行数据可视化工作流并上传数据文件。
- 需要制作坦克大战或其他游戏原型的团队，可在 Launch 中执行
GameDev_v1.yaml或ChatDev_v1.yaml并提交需求。 - 研究人员需要整理 LLM-based agent RL 的近期进展时，可使用
deep_research_v1.yaml运行深度研究流程。 - 具备 Blender 和
blender-mcp的创作者需要生成圣诞树等 3D 内容时，可选择 3D 生成工作流。 - 希望用代码自动批量运行既有 YAML 工作流的开发者，可通过
run_workflow传递任务、附件和环境变量覆盖值。
这个 Agent 有哪些优点和局限？
- 通过 YAML、可视化画布和 Launch 界面覆盖工作流定义、执行、日志查看与人工反馈，而非只提供代码调用接口。
- 同时提供本地 Web Console、Docker Compose 和
runtime.sdk.run_workflow，适合交互式使用与批处理自动化。 - 内置的工作流集合覆盖数据可视化、3D 生成、游戏开发、深度研究和教学视频，并提供可执行的 YAML 配置。
make validate-yamls可检查所有工作流的 YAML 语法和 schema，make sync可将工作流同步到数据库。
- 启动开发环境需要 Python 3.12+、Node.js 18+、
uv，并且前后端需要分别安装依赖。 - 必须自行配置 LLM 提供方的
API_KEY与BASE_URL；README 未列出支持的具体模型、提供方或定价信息。 - 3D 工作流额外依赖 Blender 与
blender-mcp，教学视频工作流要求先执行uv add manim。 - 默认前端和后端端口分别为 5173 与 6400；端口被占用时需要同时修改后端端口和
VITE_API_BASE_URL。
如何安装或部署这个 Agent？
前置条件为 Python 3.12+、Node.js 18+ 和 uv。在项目根目录执行：
uv sync
cd frontend && npm install然后创建配置文件：
cp .env.example .env在 .env 中为所用 LLM 提供方设置 API_KEY 与 BASE_URL。可选地，安装 Docker 与 Docker Compose 后执行 docker compose up --build 启动整个应用。
如何使用这个 Agent？
完成 .env 配置后，在项目根目录执行 make dev，然后访问 http://localhost:5173。也可分别执行 uv run python server_main.py --port 6400 --reload，以及在 frontend/ 中执行 VITE_API_BASE_URL=http://localhost:6400 npm run dev。在 Launch 中选择工作流、按需上传文件并输入任务提示；需要同步或校验工作流时分别执行 make sync 和 make validate-yamls。Python 调用的最小形式是：result = run_workflow(yaml_file="yaml_instance/demo.yaml", task_prompt="Summarize the attached document in one sentence.", variables={"API_KEY": "sk-xxxx"})，再读取 result.final_message.text_content()。
这个 Agent 与同类方案有什么区别？
ChatDev 2.0（DevAll）定位为零代码多智能体编排平台；仓库中的 chatdev1.0 分支维护旧版 ChatDev 1.x。旧版被描述为由 CEO、CTO、Programmer 等角色通过专题研讨覆盖软件设计、编码、测试和文档的“虚拟软件公司”，而 2.0 的范围扩展为可配置的通用工作流。
常见问题
运行是否需要 LLM 凭证？
.env 中为所用提供方设置 API_KEY 和 BASE_URL，也可在 run_workflow 的 variables 中覆盖环境变量。是否只能通过网页使用？
runtime.sdk.run_workflow 在 Python 中执行 YAML 工作流并读取最终节点消息。能否离线部署？
工作流失败或前端连不上后端时怎么办？
VITE_API_BASE_URL 同步设为 http://localhost:6401。工具和权限如何隔离？
runtime/ 管理工具执行，并可在 functions/ 添加自定义 Python 工具，但未说明权限模型、沙箱或凭证隔离机制。