Swarms 多智能体编排框架

这个 Agent 能做什么，适合哪些场景？

Swarms 是一个以 Python 库形式交付的多智能体编排框架，核心构件是由大语言模型、工具和记忆组成的 Agent。它提供 SequentialWorkflow、ConcurrentWorkflow、GraphWorkflow、AgentRearrange、MixtureOfAgents、GroupChat、HierarchicalSwarm 和 HeavySwarm 等预构建执行架构，并由 SwarmRouter 提供统一调用入口。任务可以按顺序传递、并行运行、沿有向无环图处理，或由主管智能体分派给专业工作智能体；最终产物取决于工作流，可以是单个综合结果或按智能体组织的多份输出。框架支持多个模型提供商，并通过环境变量配置 OpenAI、Anthropic 和 Groq 等服务的凭据。它还可以让智能体调用 MCP 服务器，或使用 MCPDeployer 将一个智能体、智能体群、工作流或函数发布为带认证的 MCP 工具。该项目更适合需要在代码中精确控制多智能体拓扑、模型和运行方式的 Python 团队，而不是寻求无需开发即可使用的托管成品应用的用户。

开发者先创建一个或多个 Agent，为其指定 model_name、系统提示词、工具、记忆和循环策略，再把这些智能体交给具体的编排组件。SequentialWorkflow 将前一个智能体的输出传给下一个智能体；ConcurrentWorkflow 并行运行多个智能体；GraphWorkflow 用 Node 和 Edge 建立 DAG，并在所有上游节点完成后执行下游节点；AgentRearrange 用类似 researcher -> writer, editor 的字符串描述动态路由。MixtureOfAgents 并行收集专家输出并交给聚合智能体综合，GroupChat 让智能体依据强制的 respond(score, message) 调用自行决定是否发言，HierarchicalSwarm 则由主管规划、分派并评估工作。AutoSwarmBuilder 可根据任务描述生成专业智能体及其工作流，SwarmRouter 则通过 swarm_type 在不同编排策略之间切换。启用 mcp_url 或 mcp_urls 后，智能体会从一个或多个 MCP 服务器发现并调用工具；反向使用 MCPDeployer 时，每个被部署目标会成为一个 MCP 工具，可通过静态 API 密钥、自定义认证函数或带作用域的 TokenVerifier 保护。

1. 需要把调研、撰写、审校和发布拆成明确依赖步骤的内容或软件团队，可用 SequentialWorkflow 或 GraphWorkflow 传递中间结果。
2. 需要让市场、财务和风险分析角色同时处理同一问题的分析团队，可用 ConcurrentWorkflow 并行获得按智能体区分的结果。
3. 需要汇集多个专家观点再形成统一答复的研究团队，可用 MixtureOfAgents 配置专家智能体和专门的聚合智能体。
4. 需要由一个主管规划复杂项目、向专业成员分派任务并进行反馈迭代的团队，可采用 HierarchicalSwarm。
5. 需要根据任务快速生成专业角色和编排结构的原型开发者，可使用 AutoSwarmBuilder 自动创建智能体配置。
6. 需要连接外部工具或向其他 MCP 主机开放现有智能体的集成团队，可分别使用 mcp_url 和 MCPDeployer。

如何安装或部署这个 Agent？

需要 Python 环境。项目没有注明最低 Python 版本，可选择 pip、uv 或 Poetry 安装。

使用 pip：

pip3 install -U swarms

使用推荐的 uv：

uv pip install swarms

使用 Poetry：

poetry add swarms

也可以从源码安装：

git clone https://github.com/kyegomez/swarms.git
cd swarms
pip install -r requirements.txt

按所用模型提供商设置凭据；无需使用的密钥可以不配置。README 展示的环境项如下：

OPENAI_API_KEY=""
WORKSPACE_DIR="agent_workspace"
ANTHROPIC_API_KEY=""
GROQ_API_KEY=""

如何使用这个 Agent？

下面的最小示例创建并运行一个智能体。将 OPENAI_API_KEY 配置为有效值后，所示 gpt-5.4 模型需要通过网络访问相应模型服务。

from swarms import Agent

agent = Agent(
    model_name="gpt-5.4",
    max_loops="auto",
    interactive=True,
    temperature=None,
)

agent.run("What are the key benefits of using a multi-agent system?")

若要建立两阶段流水线，可让研究员的输出直接进入写作者：

from swarms import Agent, SequentialWorkflow

researcher = Agent(
    agent_name="Researcher",
    system_prompt="Research the provided topic and provide a detailed summary.",
    model_name="gpt-5.4",
)
writer = Agent(
    agent_name="Writer",
    system_prompt="Turn the research summary into an engaging blog post.",
    model_name="gpt-5.4",
)

workflow = SequentialWorkflow(agents=[researcher, writer])
result = workflow.run("The history and future of artificial intelligence")
print(result)

max_loops="auto" 允许智能体自行判断何时结束，适合步骤数量未知的开放任务；对延迟或成本敏感、边界明确的流水线应改用固定循环次数。

这个 Agent 有哪些优点和局限？

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。

FollowAgents 如何评估这个 Agent？

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。

1. 6.8.1 2024-12-27
   发布说明摘录

   6.8.1

   在 GitHub 查看 ↗
2. 5.3.7 2024-07-15
   发布说明摘录

   - [GRAPH WORKFLOW]

   在 GitHub 查看 ↗
3. 2.5.0 2023-12-01
   发布说明摘录

   Swarms Version 2.5.0 Changelog Commits on Dec 1, 2023 Fix: execute_futures_dict Commit ID: 452bf7d Fix: execute_futures_dict Commit ID: 1c280b1 Cleanup Commit ID: 64ecedb AbstractLLM Commit ID: a0a0128 Update base_multimodal_model.py Commit ID: 061db36 Feature: Readme Commit ID: b726f04 Feature: Docs for AbstractLLM, Docs for BaseMultiModalModel Commit ID: a7a6d54 Feature: AutoScaler Prototype, Tests Commit ID: 3ae305e Feature: Agent prompt cleanup Commit ID: 84a8449 Commits on Nov 30, 2023 Cleanup Commit ID: 0555a2b AbstractLLM Commit ID: d8fb6f8 Update stable_diffusion.py …

   在 GitHub 查看 ↗

常见问题