OpenAgent
将 Deep Research 式深度推理与可视化工作流整合为一站式平台，帮助团队快速构建垂直领域 AI 应用。
README/.env.example 提到需设置 JWT_SECRET_KEY、POSTGRES_PASSWORD 等密钥，且 SECURITY.md 记录了 Host Header 投毒与 SSRF 的负责任披露，说明作者关注出站请求安全；扣分点：代码样本中无最小权限、用户确认、数据流说明或敏感数据加密策略的具体实现证据，测试还显示 debug 模式下 allow_unsafe_werkzeug=True 绑定 0.0.0.0，属于放宽默认。
提供 pytest 与前端测试命令并附有真实单元测试文件（启动行为、依赖注入单例），自我一致性有基本支撑；扣分点：测试仅覆盖少量模块，无错误信息/失败提示相关证据，外部服务（Weaviate/Redis/Postgres/模型API）可用性仅由 docker compose 隐含保证。
README 明确面向构建垂直 AI 应用的团队，给出 Deep Research、工作流、RAG、OpenAPI 等多场景，环境要求（Docker 20.10+、8GB RAM、Python 3.11+）清晰；扣分点：能力边界（上下文长度、并发、数据上限）与 A2A/路由触发精度均无文件级说明。
README 结构完整（目录、架构图、安装、用法、测试、联系），安装步骤具体可执行，SECURITY.md 含版本支持矩阵与披露流程，MIT 许可证全文清晰，且披露了两位安全报告者；扣分点：无 CHANGELOG、无已知限制章节、无 FAQ，'Deep Research' 与 enable_deep_thinking 的命名映射仅一笔带过，v1.1.4 与 main 之外的维护承诺仅为 best effort。
描述了发布后经 POST /api/openapi/chat 以 REST/SSE 交付、带多轮会话标识，输出可用性有主张；扣分点：本样本无真实输出样例、无成本/耗时/Token 消耗数据，Deep Research 多步执行的边际价值相对 Dify 等平台仅有口头对比（'What if…one platform'）而无论证。
README 声称的测试命令与仓库内真实测试文件可互相印证（如 api/test/app/http/ 下的测试确实存在并测试所声明的模块），且区分了事实（已支持功能）与愿景性描述；扣分点：多数功能主张（A2A 路由、Deep Research 执行链）在样本文件中无对应实现可核查，赞助商与外部网站链接无法静态验证。
- 发布者身份未经企业注册表验证，供应链信任需自行评估。
- debug 模式测试显示 allow_unsafe_werkzeug=True 且绑定 0.0.0.0，生产环境务必关闭 FLASK_DEBUG 并置于 Nginx 后。
- 自定义 API 工具服务器 URL 曾出现 SSRF 漏洞，部署后应严格限制出站请求目标。
- 密钥管理仅依赖 .env 文件，缺少密钥轮换与加密存储说明。
- 无 CHANGELOG 与已知限制清单，升级前应自行 diff 版本差异。
这个 Agent 能做什么，适合哪些场景？
OpenAgent（GitHub 仓库 Haohao-end/openagent，MIT 许可）是一个全栈 AI 智能体平台，定位类似将 OpenAI Deep Research 与 Dify 融合到同一平台。后端由 Flask、SQLAlchemy、Celery 和 Flask-SocketIO 构成，前端使用 Vue 3、Vite、Pinia、Vue Flow 与 Arco Design，检索层支持 Weaviate 与 FAISS，基础设施通过 Docker Compose 与 Nginx 交付。它提供应用工作区、可视化工作流编辑、数据集与文档管理、应用发布以及基于 REST 与 SSE 的 OpenAPI 输出。模型层通过适配器接入 OpenAI、DeepSeek、Atlas Cloud、月之暗面、通义、文心、Ollama、智谱等多家提供商。深度思考模式（enable_deep_thinking）支持将复杂任务拆解为多步执行并协调已绑定能力。适合需要自托管、可编排、可发布为 API 的 AI 应用团队。
OpenAgent 提供：1) 首页助手，通过 A2A 将用户请求路由到已发布的公共智能体，或将自然语言需求转化为 AI 应用创建流程；2) 应用工作区，管理模型、提示词、能力绑定（插件、MCP、Skills、子 Agent、工作流、数据集）、草稿、发布、版本与提示词对比，左侧配置、右侧实时调试与执行链路检查；3) 可视化工作流编辑器，含 LLM、工具调用、数据集检索、代码执行、HTTP 请求、模板转换、文本处理、参数提取、if/else 等节点；4) 数据集管理，上传文档、查看分段、接入检索；5) 已发布应用通过 POST /api/openapi/chat 以 REST 或 SSE（含流式）对外交付，支持多轮会话标识。运行环境为 Docker Compose 启动的前端（3000 端口）、Flask API（5001 端口）和 Nginx 反向代理。
- 团队需要将领域知识库（数据集 + 检索）接入对话应用并发布为企业内部工具时
- 开发者希望用可视化节点编排 LLM、代码执行、HTTP 调用与分支逻辑而不手写编排代码时
- 需要多步深度推理并产出脚本、文件等具体成果物的场景（启用 Deep Research 深度思考模式）
- 平台运营方想把已构建的 AI 应用以 OpenAPI（/api/openapi/chat，REST/SSE）形式提供给第三方调用时
- 需要接入国产模型（通义、文心、智谱、月之暗面）或本地模型（Ollama）的自托管部署场景
- 需要在统一工作区进行提示词版本对比、草稿管理和发布前调试的 AI 应用迭代团队
这个 Agent 有哪些优点和局限？
- 端到端覆盖构建、调试、发布与 API 交付，已发布应用可直接通过 POST /api/openapi/chat（REST/SSE）集成
- 深度思考模式支持复杂任务拆解与多步能力协调，并支持脚本执行、文件生成等具体产出物
- 多模型适配：OpenAI、DeepSeek、Atlas Cloud、通义、文心、智谱、月之暗面、Ollama 等可配置切换，避免单一供应商锁定
- Docker Compose 一键部署完整栈（Flask、Celery、Vue 3、Weaviate、PostgreSQL、Redis、Nginx），并附带前后端自动化测试（pytest 与 npm test:unit）
- 全栈运行资源要求较高：官方建议 8GB+ 内存，且需同时维护 PostgreSQL、Redis、Weaviate、Celery 等多个组件
- 必须提供至少一个模型提供商 API 密钥，运行成本直接取决于所选模型
- 安全历史：README 记录曾出现 Host Header 投毒与 SSRF 漏洞（均已由外部研究者负责任披露），采用前需评估自部署安全边界
- MIT 许可但缺乏成熟度证据（README 中无版本发布、路线图或生产规模案例），生产采用前需自行验证
如何安装或部署这个 Agent？
1) 克隆仓库：git clone https://github.com/Haohao-end/openagent.git && cd openagent
2) 创建环境文件：cp api/.env.example api/.env
3) 在 api/.env 中配置最小必填项：JWT_SECRET_KEY、POSTGRES_PASSWORD、REDIS_PASSWORD、WEAVIATE_API_KEY、VITE_API_PREFIX，以及至少一个模型密钥（如 OPENAI_API_KEY、ATLASCLOUD_API_KEY、DEEPSEEK_API_KEY 或 DASHSCOPE_API_KEY）
4) 启动 Docker 栈：cd docker && docker compose up -d --build
5) 访问服务：前端 http://localhost:3000，API http://localhost:5001，Nginx 反代 http://localhost
前置条件：Docker 20.10+、Docker Compose 2.x、建议 8GB+ 内存。
如何使用这个 Agent？
本地开发：后端 cd api && pip install -r requirements.txt && flask run --port 5001；前端 cd ui && npm install && npm run serve（Vite 默认 5173 端口，通过 VITE_API_PREFIX 解析 API 地址，本地通常将 /api 代理到 Flask）。使用流程：进入首页助手发起对话或描述需求创建应用 → 在应用工作区绑定模型、提示词与能力（插件/MCP/Skills/子 Agent/工作流/数据集），右侧调试并查看深度执行时间线 → 需要时在工作流编辑器中编排节点 → 上传文档建立数据集并接入检索 → 发布应用后通过 POST /api/openapi/chat（标准或流式）调用。
这个 Agent 与同类方案有什么区别？
README 自述定位为「OpenAI Deep Research 与 Dify 合一的平台」：与 Deep Research 相比，OpenAgent 增加可视化工作流、数据集管理和 OpenAPI 发布能力；与 Dify 类似，它同样提供应用编排与发布，但以 Flask + LangGraph 自托管栈和深度推理循环为核心卖点。