Lang-Agent 可视化 Agent 配置平台
基于 LangGraph 的可有限编程 Agent 配置平台，通过自定义状态变量实现比传统 Workflow 更精准的节点与流程控制。
按维度查看评分与理由
README仅描述功能：MCP工具可被ReactAgent自主调用，模型与向量库凭据在页面配置，文档建议用环境变量（PGVECTOR_PASSWORD等）传递密码是唯一加分点。无最小权限声明、无执行前用户确认机制、无审计/数据流说明、无回滚或撤销机制说明；依赖锁定文件未提供，依赖安全性无从验证；LICENSE附录版权人字段为空，来源归属薄弱。扣分点：上述均缺失。
README内部逻辑一致，安装路径（Poetry/Yarn）完整可循，但仅有一份文档且示例链接为空（如 examples/loop_chat. 无目标），错误处理与失败提示完全未提及。扣分点：示例链接损坏、无故障信息说明。
明确面向希望可视化编排Agent的用户，场景覆盖聊天、RAG、多Agent（Supervisor），对能力边界有诚实说明（自定义状态变量不支持列表类型、仅支持OpenAI兼容渠道）。但未指明Python/Node版本，条件表达式语法仅有简略规则，触发精度描述单薄。扣分点：无版本矩阵、条件语法细节不足。
文档结构清晰（安装、配置、节点、自定义扩展），命名一致；安装说明可操作；明示已知限制；Apache-2.0许可证文件完整，给满分。但多处示例链接为空、无CHANGELOG或版本号、无维护者/贡献指南/更新路径说明。扣分点：链接损坏、无版本与变更记录、维护责任不明。
相对传统线性工作流平台，自定义状态变量+可视化画布+可复用Agent构成明确差异化价值；导出/导入JSON、聊天面板输出可查看，输出可用性尚可。但价值主张仅有文档声明，无测试或基准佐证，成本收益评估依赖用户自行验证。扣分点：效益主张缺乏可执行证据。
所有断言（'limited programmability'、节点行为、扩展机制）均只来自README单源，无代码、测试或独立材料可交叉印证；事实（功能列表）与推断（易用性、价值）基本未混写，文档本身区分尚可。扣分点：单源、不可追溯。
- README中多个示例JSON链接为空，无法核验宣称的示例场景
- MCP工具由LLM自主调用，文档未提供任何执行确认、权限范围或审计机制，部署时需自行隔离
- 向量库凭据虽建议用环境变量，但UI中仍可直接填入密码，注意存储与传输安全
- 未提供依赖锁定文件与语言版本要求，复现安装环境存在不确定性
- 无CHANGELOG、无维护者信息，更新与安全响应路径不明，属未经验证发布者，生产使用需额外评估
这个 Agent 能做什么，适合哪些场景？
Lang-Agent（GitHub: cqzyys/lang-agent）是一个基于 LangGraph 构建的开源 AI Agent 可视化配置平台，采用 Apache-2.0 协议。后端使用 FastAPI 与 Poetry 管理，前端基于 React 技术栈（HeroUI、ReactFlow、Tailwind CSS），通过 yarn 启动。平台允许自定义状态变量，供节点与条件边读写，从而突破传统 Workflow 项目仅将上一节点输出作为下一节点输入的局限。用户在画布中拖拽节点（开始、LLM、VLM、计数器、转换器、文档/图片加载与保存、代码执行器、命令执行、向量召回等）、预制 Agent（ReactAgent、SupervisorAgent）和边来组合 Agent，并支持保存、运行、导入导出 JSON。设计理念接近 comfyUI 而非 dify 和 coze，鼓励开发者按前端 XXXNode.tsx 与后端 XXX_node.py 的约定开发自定义节点，无需改动其它代码。
平台提供模型配置（目前支持兼容 OpenAI 的渠道，可配置 llm、vlm、embedding 类型）、MCP 配置（基于 langchain-mcp-adapters）和向量库配置（支持 postgres 与 milvus，含文档管理与向量化）。Agent 配置页面左侧为资源树，右侧为画布：拖入开始/结束/输入/LLM/VLM/计数器/转换器/文档加载/图片加载/文档保存/代码执行器/命令执行/向量召回等节点，可拖入 ReactAgent（自主调用 MCP 工具）与 SupervisorAgent（调度可复用 Agent），并连接默认边或条件边。状态变量（默认含 messages）通过 {{messages['x']}} 或 {{y}} 语法在提示词和条件边表达式中引用，节点执行后更新状态。配置完成后可保存到数据库、在画布右下方 chatbot 中运行查看结果，或导出/导入 JSON（examples 目录提供 loop_chat.、poet1.、react_agent_demo.、supervisor_demo. 等用例）。
- 需要可视化编排多步骤 LLM 流程的 Python/React 开发者，用拖拽方式替代手写 LangGraph 代码
- 需要图片识别的场景：用图片加载节点输出 base64，交给 VLM 节点按提示词识别或描述图片
- 需要知识检索的场景：将 txt/pdf/docx/md 文档向量化存入 postgres 或 milvus，通过向量召回节点检索
- 需要工具调用的场景：预先配置 MCP 连接，用 ReactAgent 让大模型自主调用外部工具
- 多 Agent 协作场景：将已配置的 Agent 打开可复用开关，由 SupervisorAgent 自主调度
- 循环与条件控制场景：用计数器节点、转换器节点和条件边表达式实现自定义循环逻辑
这个 Agent 有哪些优点和局限？
- 自定义状态变量机制允许节点和条件边读写全局状态，比仅传递上一节点输出的传统 Workflow 控制更精准
- 提供开箱即用的丰富节点集：代码执行器、命令执行、VLM、向量召回、计数器、转换器等，覆盖文件、多模态与检索场景
- 自定义节点开发成本低：前端只需在 custom 目录添加 XXXNode.tsx，后端只需添加 XXX_node.py，无需改动其它代码
- Agent 支持导入导出 JSON，配置可复用（可复用 Agent）与跨环境迁移
- MCP 渠道目前只支持兼容 OpenAI 的模型渠道，其他渠道的支持尚未实现
- 向量库仅支持 postgres 和 milvus 两种类型，且自定义状态变量不支持 list 类型
- 需要自行部署前后端两套子项目（poetry + yarn），没有文档提到 Docker 等一键部署方式
- 命令执行节点和 Python 代码执行器节点会真实执行本机命令与代码，采用时需自行评估安全边界
如何安装或部署这个 Agent？
- 克隆仓库：git clone https://github.com/cqzyys/lang-agent.git
- 后端（需先安装 poetry）：cd lang-agent-backend && poetry env use python && poetry shell && poetry install
- 前端（需先安装 yarn）：cd lang-agent-frontend && yarn install
- 如需向量功能，准备 postgres 或 milvus 向量库。
如何使用这个 Agent？
- 启动后端：python -m lang_agent.main
- 启动前端：yarn dev，访问 http://localhost:8820
- 在【模型配置】页创建模型连接（名称唯一、类型选 llm/vlm/embedding，填写兼容 OpenAI 的 ChatOpenAI 连接参数）
- 如需工具调用，在【MCP配置】中按 langchain-mcp-adapters 参数配置 MCP 连接；如需检索，在【向量库配置】中配置向量库并上传文档向量化
- 在【Agent配置】中新增 Agent，从资源树拖拽节点和 Agent 到画布，配置名称、提示词、状态变量，连接边后保存并运行，在右下方 chatbot 中查看结果。
这个 Agent 与同类方案有什么区别？
README 明确将本项目与 dify、coze 对比：Lang-Agent 的设计理念更接近 comfyUI，鼓励使用者开发适应自身业务的节点，而非提供封闭的平台化编排体验。