Nexent
用自然语言构建并部署可控的生产级 AI 智能体。
- Star 数
- ★ 6.1k
- 最近更新
- 1 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 52/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 高 · 需要较重的基础设施
- 开始前需要
- 典型场景
- 企业内部平台团队希望在私有 Docker 环境中，用自然语言快速创建带版本回滚能力的业务智能体。
- 不适合
- 只有一台普通笔记本、无法满足 8 GiB 内存与 40 GiB 磁盘的个人用户
- 不想维护 Docker/Kubernetes、数据库与存储配置的小团队
- 源码审查
- 52/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
Nexent 是一个零代码智能体平台，围绕 Harness Engineering 提供工具、技能、记忆和编排能力。用户以自然语言描述需求，平台旨在即时生成可执行智能体，并提供版本管理与历史回滚。其功能范围包括 A2A 智能体协作、两层持久记忆、渐进式技能加载、知识库检索、MCP 扩展及知识级引用溯源。它可部署在本地或私有基础设施中，支持 Docker 与 Kubernetes 两种交付方式，并以 deploy/env/.env 作为共享运行时配置。该仓库更适合需要自托管、多租户及权限控制的团队，而不是只寻找单一模型聊天界面的个人用户。
Nexent 接收自然语言形式的智能体需求，并生成可执行智能体。运行时可结合统一工具、Skill、两层记忆和编排；其中渐进式 Skill Disclosure 按需将 Skill 加载进上下文，知识库可导入 20 多种文档格式并进行智能检索、自动摘要和引用溯源。它支持 A2A Agent Collaboration 以组成分布式工作流，并可通过 MCP Tool Ecosystem 接入自定义或第三方 MCP 服务。部署时，根目录的 bash deploy.sh docker 转发至 deploy/docker/deploy.sh，bash deploy.sh k8s 使用 deploy/k8s/deploy.sh；两者读取 deploy/env/.env，Kubernetes 将显式配置渲染为 Helm ConfigMap 与 Secret 覆盖项。
- 企业内部平台团队希望在私有 Docker 环境中，用自然语言快速创建带版本回滚能力的业务智能体。
- 需要多个智能体协作完成分布式工作流的团队，可采用 A2A Agent Collaboration 组织智能体间协作。
- 有大量内部资料的运营或支持团队，可导入文档到个人级知识库，并要求回答提供来源引用。
- 需要按用户和用户—智能体维度保留上下文的产品团队，可使用其两层记忆机制。
- 需要角色权限、租户隔离和细粒度知识库访问控制的组织，可将其用于多租户智能体服务。
- 希望接入自建或第三方 MCP 服务的开发团队，可通过 MCP Tool Ecosystem 扩展智能体能力。
如何安装或部署这个 Agent？
Docker 部署：先满足 Docker 24+、Docker Compose v2+，且至少 4 核 CPU、8 GiB 内存和 40 GiB 磁盘；推荐为 8 核、16 GiB、100 GiB。执行：
git clone https://github.com/ModelEngine-Group/nexent.git
cd nexent
bash deploy.sh dockerKubernetes 部署：先满足 Kubernetes 1.24+、Helm 3+，且至少 4 核 CPU、16 GiB 内存和 100 GiB 磁盘。执行：
git clone https://github.com/ModelEngine-Group/nexent.git
cd nexent
bash deploy.sh k8s首次部署会使用现有 deploy/env/.env；若不存在，会依次复用 docker/.env 或 deploy/env/.env.example。所给资料未说明模型供应商凭据的具体字段、管理界面访问地址或首次登录方式。
如何使用这个 Agent？
执行 bash deploy.sh docker 或 bash deploy.sh k8s 后，交互式部署可选择组件、端口策略和镜像来源；可用 --defaults 跳过菜单，也可传入 --version、--components、--port-policy development|production 和 --image-source general|mainland|local-latest。基础设施组件 infrastructure 为必选项，application、data-process 与 supabase 默认选中但可以关闭。平台的产品使用方式是以自然语言描述所需智能体，再结合所需知识库、Skill、MCP 服务、记忆和协作能力进行配置；所给资料未提供创建第一个智能体的具体界面步骤或 API 调用示例。
这个 Agent 有哪些优点和局限？
- 以 Harness Engineering 统一工具、技能、记忆和编排，并提供约束、反馈循环与控制平面。
- 同时提供 Docker 与 Kubernetes 部署路径，共享 deploy/env/.env 配置模型，适合本地或私有基础设施。
- A2A 协作、渐进式 Skill 加载、两层记忆、MCP 扩展和带引用的知识检索覆盖了多智能体应用的关键组件。
- 具备多租户、RBAC、智能体版本管理和历史回滚，适合需要治理能力的组织部署。
- 最低资源要求较高：Docker 至少需要 4 核、8 GiB 内存和 40 GiB 磁盘；Kubernetes 至少需要 16 GiB 内存和 100 GiB 磁盘。
- Kubernetes 部署需要 Kubernetes 1.24+ 与 Helm 3+，并需选择持久化模式、存储类或本地路径等存储配置。
- 所给资料未说明模型供应商凭据字段、首个智能体的详细配置流程、管理入口或 API 示例，落地时需要额外验证。
- 可选组件虽可缩减部署规模，但默认包含 application、data-process 和 supabase，组件取舍需要由部署方评估。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Nexent 当前 | 52 · 缺口较多 | 自托管服务免费 + 模型费 | ★ 6.1k | 1 天前 | Python | OpenAI API |
| Solace 智能体网格 | 35 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 4.9k | 2 天前 | Shell | — |
| npcpy 智能体开发框架 | 43 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 1.5k | 5 天前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| aiXplain SDK | 29 · 缺口较多 | 代码库 / SDK免费版 + 付费版 | ★ 59 | 1 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示部署脚本支持交互式确认（TUI）和默认值模式，但未明确要求用户确认外部操作；存在敏感信息（如注册表密码）的处理，但未详细说明存储和传输安全；依赖安全方面有安全检查（如路径遍历拒绝），但未提供依赖漏洞扫描；外部效果方面，部署脚本会拉取镜像、推送镜像，但未明确限制权限；回滚方面，有版本管理和历史回滚的声明，但未提供具体实现；来源归属方面，有版权声明和贡献指南，但发布者未验证。因此，各标准得分较低。
自洽性方面，README、部署脚本和测试文件之间的一致性较好，但存在一些不一致（如README提到Docker Compose，但测试中未体现）；依赖可用性方面，依赖了外部镜像和Hugging Face模型，但未提供镜像仓库的可用性保证；失败消息方面，测试脚本中有明确的错误消息，但未覆盖所有失败场景。
受众和场景方面，README明确了个人/小团队和企业场景，并提供了Docker和Kubernetes部署选项；能力边界方面，列出了核心功能，但未明确限制；触发精度方面，部署脚本支持多种参数和交互模式，但未明确触发条件；环境适配方面，支持多种架构和部署环境，但未提供详细的兼容性说明。
信息架构方面，README结构清晰，有目录和文档链接；安装说明方面，提供了详细的部署步骤和系统要求；命名稳定性方面，项目名称和版本命名一致；示例和FAQ方面，提供了文档链接，但未提供具体示例；已知限制方面，未明确列出；许可证方面，有MIT许可证；版本和变更日志方面，有版本声明，但未提供变更日志；维护责任方面，有贡献指南和安全政策，但未明确维护者。
输出可用性方面，部署脚本和测试脚本提供了清晰的输出和错误消息；边际价值方面，提供了零代码平台和多种功能，但未与其他平台比较；成本效益方面，提供了部署选项和资源要求，但未提供成本分析。
声明可追溯性方面，README中的功能声明未提供具体实现或测试证据；跨来源佐证方面，有测试脚本和文档，但未提供独立验证；事实与推断分离方面，README中的声明多为断言，未区分事实和推断。
- 发布者身份未验证，应谨慎对待。
- 部署脚本涉及敏感信息（如注册表密码），需确保安全传输和存储。
- 依赖外部镜像和模型，需确保供应链安全。
- 功能声明缺乏具体实现和测试证据，需进一步验证。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
Bug 修复 / Bug Fixes - 优化离线部署包的镜像导出，回滚按平台过滤的导出逻辑，旧版单平台镜像不再导致离线包构建中断。 / Improved image export for offline deployment packages by rolling back the platform-filtered export, so legacy single-platform images no longer abort the offline package build. - 优化自动化消息来源的迁移逻辑，仅按显式运行消息引用归类，不再扫描全部消息单元；历史会话的活跃时间保持为空并沿用会话创建时间兜底。 / Improved the automation message-source migration to classify only explicit run message references instead of scanning all message units, and left legacy activity timestamps empty so conversation creation time remains the fallback.在 GitHub 查看 ↗ -
发布说明摘录
Bug 修复 / Bug Fixes - 修复代理组内权限的历史数据问题：将旧表单遗留的 EDITABLE 值归一化为 EDIT，使非创建者、非管理员用户在界面上显示的编辑权限与实际行为一致。 / Fixed legacy agent in-group permissions by normalizing the EDITABLE value left by the previous deployment form to EDIT, so non-creator and non-admin users now actually get the edit access the UI already advertised. …在 GitHub 查看 ↗ -
发布说明摘录
Bug 修复 / Bug Fixes - 修复对话来源信息在长列表中卡顿的问题：来源元数据改为两行展示并由样式裁剪，悬停与详情按需加载，来源与图片分页统一为每页 20 条，前台刷新做了合并处理，引用在手动翻页后仍能正确定位。 / Fixed chat source metadata stalling on long lists: metadata now renders as two clipped rows, hover and details load lazily, sources and images paginate at 20 items per page, foreground refresh is coalesced, and citations still relocate correctly after manual paging. …在 GitHub 查看 ↗