Fetch.ai 智能体示例库
用可运行的 Python 项目快速搭建自主智能体与多智能体系统。
CI 工作流采用只读 contents 权限，PR AI 审查仅增加 pull-requests 写权限且检出基础分支；SECURITY.md 禁止提交真实密钥，并要求使用 .env.example。计算器回归测试也覆盖了代码执行载荷。不过仓库包含支付、邮件、日历、浏览器自动化和 Web3 等高影响示例，所给材料没有逐例说明最小权限、数据去向或副作用边界。支付测试表明执行器的 human_input_mode 为 NEVER，并仅以注释声称支付协议负责审批，未提供审批实现证据。未见通用回滚或恢复机制。README 的 Fetch.ai 归属与 LICENSE 版权行提供有限来源信息，但出版者身份未获验证，且许可证陈述相互冲突，因此扣分。
CI 会检查变更 Python 文件、仓库结构并运行示例测试；所给支付测试覆盖解析、空消息、超时错误和适配器构造，计算器测试覆盖危险输入及明确错误消息，因此故障反馈有较好局部证据。扣分在于这些证据只覆盖庞大示例集合中的少数项目，依赖未展示锁定、哈希、兼容矩阵或可用性降级方案，而且 README 的“每个文件夹均可运行”“production-ready”等整体断言未被材料充分支持。README 与 LICENSE 的许可证冲突也削弱自洽性。
README 明确区分初学者、构建者、黑客松参与者和贡献者，并按场景、技术栈与难度组织大量示例，受众与场景说明充分。Python 3.10+、虚拟环境、Docker、Compose、环境变量和多家模型/框架提供一定环境适配。扣分在于能力边界、各集成适用条件和非适用场景说明有限；自主代理何时触发支付、浏览器、邮件等动作及其精确约束没有仓库级规范。
README 的索引、目录树、分类、快速开始、Docker、贡献流程、资源和 FAQ 构成清晰的信息架构，示例导航很强。安装说明足以启动一个示例，但没有证据证明所有示例安装方式一致。目录命名存在大小写、空格和风格混用，如 Rag-agent、Crewai-agents、Claude Agent SDK，降低命名稳定性。已知限制主要散落在先决条件和第三方条款提示中。最严重问题是 README、徽章和结构说明反复声明 Apache 2.0，而 LICENSE 正文及给定元数据为 MIT，故 license 记 0。仅展示社区 CHANGELOG，没有仓库级发布版本或完整变更路径；维护者渠道和责任主体也不够具体。
大量按用途分类的起步项目、结构化测试示例、Docker 路径和贡献模板可显著降低构建不同代理原型的起步成本，因而边际价值很高，输出可用性也有较强文档证据。扣分在于“80+”“production-ready”“两分钟运行”和“每个文件夹自包含可运行”等效益声明没有在所给材料中逐项证明；多数示例依赖付费或外部 API，而成本、速率限制、维护负担和高影响操作的收益权衡仅被简略提及。
README 将许多能力映射到具体目录，CI 和两组测试为部分安全、错误处理和架构声明提供可追踪证据。扣分在于材料仅深入展示两个示例，无法交叉佐证整个 80+ 集合；测试说明和代码可相互支持局部结论，但没有独立来源。宣传性表述与已展示事实未被清楚分离，尤其“production-ready”、统一可运行性和许可证声明存在未解决冲突。
- README 多处声明 Apache 2.0，但 LICENSE 正文和给定许可证元数据为 MIT；在使用、再分发或商业部署前必须由维护者澄清。
- 不要把“production-ready”或“每个文件夹均可运行”视为已验证结论；本评估未执行代码，且提供的详细测试仅覆盖少数示例。
- 支付执行器测试显示 human_input_mode 为 NEVER；在确认支付协议中存在可验证的人类批准、金额限制和拒绝路径之前，不应连接真实资金。
- 邮件、日历、浏览器、支付及 Web3 示例可能产生外部副作用；部署前应逐例审查权限、数据传输、凭据范围、日志内容和恢复方案。
- 依赖锁定、完整供应链检查和第三方 API 成本控制证据不足，应在生产使用前补充。
这个 Agent 能做什么，适合哪些场景？
这是一个包含 80 多个独立 Python 项目的智能体示例集合，而不是单一智能体产品。每个示例通常拥有自己的 README、依赖清单和环境变量模板，并围绕 uAgents 实现消息通信、发现或支付等能力。仓库覆盖 ASI:One、Agentverse、MCP、A2A、LangChain、CrewAI、Gemini、Claude、OpenAI、RAG、浏览器自动化和支付集成。具体输出因项目而异，包括结构化漏洞报告、新闻卡片、PDF 摘要、行程路线图、PDF 与 Excel 文件以及交互式卡片。示例可在本地 Python 环境运行，也可通过仓库级 Dockerfile、Docker Compose 或部分项目提供的 Agentverse、Render 和 ASI Cloud 路径部署。它适合寻找参考实现或原型起点的开发者，但采用前必须单独评估所选示例的密钥、第三方服务、成熟度与测试情况。
用户先选择一个自包含示例，安装其 requirements.txt，并依据 .env.example 配置 ASI:One、OpenAI、Anthropic、Google、Stripe 或其他供应商密钥。运行入口因示例而异；快速入门项目使用 python agents/alice/agent.py 启动智能体，也可从仓库根目录执行 ./setup.sh fetch-hackathon-quickstarter。不同项目通过 uAgents 处理智能体消息、发现与支付，并可调用 ASI:One、OpenAI Agents SDK、Anthropic SDK、Google Gemini、LangChain、CrewAI、AG2、Pydantic AI、LlamaIndex、MCP 服务或 A2A 协议。具体流程包括抓取并总结新闻、跟踪航班、分析代码安全问题、检索向量知识库、总结 PDF、执行浏览器任务、协调研究团队以及处理 Stripe、FET 或 Skyfire 支付。部署层面可使用仓库级 Dockerfile 通过 EXAMPLE 构建指定项目，也可使用 Docker Compose；部分示例另有自定义容器配置。
- 初次接触 Fetch.ai 的 Python 开发者，可从 fetch-hackathon-quickstarter 学习 orchestrator 与 worker 的协作模式。
- 黑客松团队需要在短时间内验证智能体创意时，可选择带依赖和环境模板的可运行项目作为起点。
- 平台工程师评估跨智能体通信时，可比较 A2A 独立智能体连接方式与 CrewAI、AG2、Google ADK 的进程内编排方式。
- 应用开发者需要接入外部能力时，可参考 MCP、Gmail、Calendar、GitHub、Stripe、Google Maps、Duffel 或浏览器自动化示例。
- 知识应用团队可以基于 Rag-agent、llama-index 或 pdf-summariser-example试验向量检索、知识问答和文档摘要。
- 贡献者希望发布新的社区智能体时，可按照 contributors/<your-agent-name>/ 结构和 AGENT_README_TEMPLATE 提交项目。
这个 Agent 有哪些优点和局限？
- 覆盖 80 多个自包含项目，既有入门模板，也有 A2A、MCP、RAG、支付和多智能体编排等进阶实现。
- 同时展示 ASI:One、OpenAI、Claude、Gemini、LangChain、CrewAI、AG2、Google ADK 和 Pydantic AI 等多种技术路径，便于比较和组合。
- 提供仓库级 setup.sh、Dockerfile 和 Docker Compose，可按示例进行本地或容器化启动。
- 示例面向具体任务并产生可检查的结果，如漏洞报告、新闻卡片、PDF 摘要、路线图、PDF 和 Excel 文件。
- 项目索引标注了技术栈和难度，可从初学者示例逐步过渡到复杂支付或多智能体项目。
- 它是异构示例集合，不是具有统一入口、配置、API 或稳定行为保证的单一产品；采用者需逐个审查和整合。
- 多数示例至少需要一个 API 密钥，部分还依赖 OpenAI、Anthropic、Google、Stripe、地图、新闻或其他供应商服务及其独立计费条款。
- 技术栈和难度跨度较大，部分高级示例同时依赖多个框架、支付系统或外部服务，部署与故障排查成本较高。
- “production-ready”的描述没有在所给材料中附带统一的性能、安全、可靠性或生产服务等级证据。
- 来源中的许可证信息互相冲突：仓库元数据写 MIT，而 README 徽章、结构、FAQ 和许可证章节均写 Apache 2.0，商业采用前必须核验实际 LICENSE 文件。
如何安装或部署这个 Agent？
前置条件为 Python 3.10+、pip 和 git。执行：
git clone https://github.com/fetchai/innovation-lab-examples.git
cd innovation-lab-examples
cd fetch-hackathon-quickstarter
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env随后编辑 .env，填入该示例要求的 API 密钥。也可在仓库根目录运行 ./setup.sh fetch-hackathon-quickstarter 完成示例设置。不同项目的依赖和密钥并不统一，必须检查目标目录中的 README 与 .env.example。
如何使用这个 Agent？
完成快速入门配置后，在 fetch-hackathon-quickstarter 目录运行：
python agents/alice/agent.py若希望使用容器，在仓库根目录运行：
docker build --build-arg EXAMPLE=fetch-hackathon-quickstarter -t fetch-example .
docker run --env-file fetch-hackathon-quickstarter/.env fetch-example或运行：
EXAMPLE=fetch-hackathon-quickstarter docker compose up切换到其他示例时，应将目录名和 EXAMPLE 值替换为目标项目，并按其 .env.example 补充相应凭据。
这个 Agent 与同类方案有什么区别？
仓库明确展示两类多智能体模式：A2A 通过共享协议连接独立智能体，代表项目为 a2a-uAgents-Integration；CrewAI、AG2 和 Google ADK 则在单一进程内编排智能体团队。它还提供 OpenAI、Claude、Gemini 与 ASI:One 的不同集成示例，但材料没有宣称这些实现具有完全相同的功能或可直接互换。