Swarms 多智能体编排框架

这个 Agent 能做什么，适合哪些场景？

Swarms 是一个可通过 pip、uv、Poetry 或源码安装的 Python 多智能体编排库。其核心 Agent 以 LLM、工具和记忆为基础，通过 Agent.run 执行任务；示例使用模型名、系统提示词和循环次数配置行为。库提供 SequentialWorkflow、ConcurrentWorkflow、GraphWorkflow、AgentRearrange、MixtureOfAgents、GroupChat、HierarchicalSwarm、HeavySwarm 与 SwarmRouter 等编排接口。GraphWorkflow 将 Agent 表示为 DAG 节点，按依赖顺序执行并让独立分支并行；SwarmRouter 则以统一入口选择工作流类型。运行结果由各工作流或 Agent 的 run 调用返回，AOP 示例还展示了将已注册 Agent 作为运行在指定端口上的服务。

开发者先创建 Agent，并设置 agent_name、system_prompt、model_name、max_loops 等参数；随后调用 agent.run(task) 处理文本任务。多个 Agent 可交给 SequentialWorkflow 串行传递输出，交给 ConcurrentWorkflow 同时处理同一任务，或作为 GraphWorkflow 的 Node 通过 Edge 声明依赖。AgentRearrange 使用如 researcher -> writer, editor 的 flow 字符串描述关系，MixtureOfAgents 并行运行专家 Agent 后由 aggregator_agent 汇总。设置 mcp_url 或 mcp_urls 后，Agent 可连接 MCP 服务器并自动获得其工具；AutoSwarmBuilder 可依据任务生成 Agent 与工作流配置，AOP 可通过 add_agent 注册 Agent 后以 run 启动服务。

1. 需要将研究、写作、审校依次衔接的内容团队，可用 SequentialWorkflow 让前一位 Agent 的输出成为下一位的输入。
2. 需要同时完成市场、财务和风险分析的分析团队，可用 ConcurrentWorkflow 并行运行多个专长不同的 Agent。
3. 需要处理扇出、汇合或钻石形依赖的软件项目，可用 GraphWorkflow 将 Agent 和依赖关系建模为 DAG。
4. 需要在多种协作策略之间切换的 Python 应用，可通过 SwarmRouter 以同一接口选择 SequentialWorkflow、ConcurrentWorkflow 或 MixtureOfAgents。
5. 需要让 Agent 调用外部工具或数据服务的开发者，可为 Agent 配置 MCP 服务器 URL。
6. 需要将研究和分析 Agent 注册为网络服务的团队，可参考 AOP 的 server_name、port、add_agent 与 run 流程。

这个 Agent 有哪些优点和局限？

如何安装或部署这个 Agent？

安装：

uv pip install swarms

也可使用：

pip3 install -U swarms
poetry add swarms

源码安装：

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

README 列出的环境变量包括 OPENAI_API_KEY、ANTHROPIC_API_KEY、GROQ_API_KEY 和 WORKSPACE_DIR。

如何使用这个 Agent？

最小调用：

from swarms import Agent

agent = Agent(

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

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

若要串行协作，创建多个 Agent 后传入 SequentialWorkflow(agents=[...])，再调用 workflow.run(task)。使用 MCP 时，在 Agent 中设置 mcp_url="https://mcp.deepwiki.com/mcp" 或 mcp_urls。

这个 Agent 与同类方案有什么区别？

常见问题