OpenAgents
一个面向真实场景的开源语言智能体平台，内置数据分析、插件调用与自主网页浏览三类智能体，可直接在线体验或本地部署。
- Star 数
- ★ 4.9k
- 最近更新
- 2 天前
- License
- Apache-2.0
- 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
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 数据分析师：上传或指定数据集，让 Data Agent 用 Python/SQL 自动完成清洗、处理并生成可视化图表。
- 不适合
- 只想在终端内使用的开发者
- 对 Docker 或源码部署无运维能力的用户
- 源码审查
- 52/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
OpenAgents（[COLM 2024]）是 XLANG NLP Lab 开源的日常场景语言智能体平台，配套论文发表于 arXiv:2310.10634。它实现了三个真实智能体：Data Agent（用 Python/SQL 与数据工具做分析）、Plugins Agent（集成 200+ 日常插件）和 Web Agent（通过 Chrome 扩展自主浏览网页）。平台采用 Flask 后端加 Next.js 前端的客户端-服务器架构，普通用户通过优化过响应速度与失败处理的聊天网页 UI 使用，开发者和研究者可在本地部署并扩展新智能体、新模型和新工具。代码按 backend / frontend / real_agents 三个自包含部分组织，real_agents 遵循“一个智能体一个文件夹”的设计并借助 adapters 共享流式解析、记忆与回调组件。官方在 chat.xlang.ai 提供免费在线演示，同时提供从源码和 Docker Compose 两种本地部署方式。项目基于 LangChain 等开源社区成果构建，以 Apache-2.0 许可证发布。
OpenAgents 运行三个真实智能体并通过聊天式 Web UI 暴露它们。Data Agent 接收用户的数据任务，编写并执行 Python/SQL 代码，完成数据搜索、获取、处理、修改与可视化。Plugins Agent 调用 200+ 第三方插件（如 Klarna Shopping、XWeather、Wolfram Alpha），支持多插件并发使用和基于模型选择的 Auto Plugin Selection。Web Agent 通过 WeBot Chrome 扩展操控浏览器，可自动完成 Google Maps 路线规划、发 Twitter 帖子、填写 Google 表单等操作。系统由 backend/（Flask 应用 app.py、RESTful API api/、代码执行队列 kernel_publisher.py、流式渲染 display_streaming.py、存储 memory.py）和 frontend/（Next.js 页面、React 组件、webot_extension.zip Chrome 扩展）组成，real_agents/ 下每个智能体独立成目录并通过 adapters/ 复用数据模型、记忆与回调。前端通过 RESTful API 调用后端，后端流式返回文本、图片、表格、JSON 等渲染结果。
- 数据分析师：上传或指定数据集，让 Data Agent 用 Python/SQL 自动完成清洗、处理并生成可视化图表。
- 普通用户：想规划行程时，让 Plugins Agent 同时调用 Klook、汇率转换和 WeatherViz 等多个插件完成组合任务。
- 日常用户：通过 Web Agent 自动在 Google Maps 上规划起点到终点的最佳路线。
- 社交用户：让 Web Agent 代为发布指定的 Twitter 内容或自动填写 Google 活动报名表单。
- 研究者：在本地部署平台，参照 real_agents/ 的“一个智能体一个文件夹”结构实现并评测自己的新语言智能体。
- 开发者：在 backend/api/language_model.py 中注册新 LLM（如 lemur-chat 模板），将自托管模型接入智能体。
如何安装或部署这个 Agent？
方式一：从源码部署。分别按照 backend/README.md 和 frontend/README.md 设置 Flask 后端与 Next.js 前端（含 WeBot Chrome 扩展）。
方式二：Docker Compose 部署（官方注明仍在开发中，更稳妥推荐源码部署）：
- 如需使用 Kaggle 数据集，修改 Dockerfile 中的凭据：
ENV KAGGLE_USER="" \
KAGGLE_KEY=""- 非本地运行时，修改 frontend/Dockerfile 中后端可达 IP：
ENV NEXT_PUBLIC_BACKEND_ENDPOINT http://x.x.x.x:8000- 在项目根目录构建并启动：
docker compose build
docker compose up -d- 在 docker-compose.yml 中配置 OPENAI_API_KEY；若使用 FastChat 等非官方 OpenAI 服务，还需修改 OPENAI_API_BASE。如需 GPU，先安装 Nvidia Container Toolkit 并取消 docker-compose.yml 第 56-62 行注释。
如何使用这个 Agent？
部署完成后打开前端聊天 Web UI，选择 Data、Plugins 或 Web 三个智能体之一开始对话：Data Agent 接受数据任务并执行 Python/SQL；Plugins Agent 可手动指定或自动选择插件；Web Agent 需安装 WeBot Chrome 扩展后用自然语言下达浏览指令。也可以直接使用官方免费在线演示 https://chat.xlang.ai。本地聊天历史以键名存储，2023/10/26 之前拉取过代码的话，更新后历史会丢失。遇到问题可加入 Discord 求助或在 GitHub 提 issue。
这个 Agent 有哪些优点和局限？
- 提供三个可实际使用的真实智能体（数据分析、插件调用、网页浏览），而非概念验证框架，并有免费在线演示可直接体验。
- 全栈开源：Flask 后端、Next.js 前端、Chrome 扩展全部可自部署，代码结构（backend/frontend/real_agents）清晰且面向扩展设计。
- 可扩展性强：文档明确给出扩展新智能体、新 LLM（在 backend/api/language_model.py 注册即可）和新插件（需 ai-plugin.json 与 openapi.yaml）的具体步骤。
- Web UI 针对快速响应和常见失败做了优化，降低非专家用户的使用门槛。
- 需要自备 OPENAI_API_KEY（或 FastChat 等兼容服务），按用量付费，平台本身不附带免费模型。
- Docker 部署方式官方注明仍在开发中，可能功能异常且响应较慢，稳妥做法是从源码部署，部署成本中等。
- Auto Plugin Selection 需从 HuggingFace 下载权重文件，部分地区可能出现连接超时，需自行解决网络问题。
- Web Agent 依赖 Chrome 扩展，浏览器操作范围受 Chrome 生态限制；仓库未提供系统化评测结果以外的能力保证。
这个 Agent 与同类方案有什么区别？
README 明确提到项目基于 LangChain 构建 real_agents 部分，并感谢 ChatBot UI 和 Taxy.ai browser extension 作为界面原型来源；官方另推荐其自研的 Lemur（OpenLemur/Lemur）作为语言智能体基础模型，称其在 15 项智能体任务上匹敌 ChatGPT。
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 |
|---|---|---|---|---|---|---|
| OpenAgents 当前 | 52 · 缺口较多 | 网页应用免费 + 模型费 | ★ 4.9k | 2 天前 | Python | OpenAI API |
| Apache Texera | 46 · 缺口较多 | — | ★ 327 | 今天 | Scala | — |
| BambooAI 数据分析师 | 85 · 表现良好 | 网页应用免费 + 模型费 | ★ 828 | 1 天前 | Python | OpenAI API · Claude API |
| Lumen 数据探索框架 | 62 · 存在缺口 | 命令行工具 | ★ 323 | 3 天前 | Python | — |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
信任维度证据薄弱。README描述了代码执行内核（data agent 执行 Python/SQL）、浏览器控制（Web Agent 自动发推、填表）和 200+ 第三方插件调用，但没有文件展示权限最小化、用户确认流程、数据流向披露或敏感数据处理机制；Docker 部署甚至要求把 Kaggle 用户名/密钥和 OPENAI_API_KEY 明文写入 Dockerfile/docker-compose.yml，且无任何安全指引。扣分点：外部副作用（发布推文、提交表单）无确认或撤销机制，聊天历史迁移会丢失且仅以脚注提醒。给予 source_attribution 2 分：明确致谢 LangChain、ChatBot UI、Taxy.ai 等上游来源。
README 自述前后基本一致（三个 agent、代码结构与扩展教程对应），但依赖可用性存在已承认的弱点：Docker 版'仍在开发中，可能功能不正常'，HuggingFace 权重下载可能超时，在线 demo 曾因流量过高而不稳定。前端有 vitest 配置的迹象，但提供的文件中没有可见的失败消息或错误处理证据，仅称 UI'针对常见失败优化'，故各给 2 分。
受众与场景描述充分：普通用户（Web UI）、开发者与研究者（本地部署与扩展教程）都被覆盖，扩展新 agent/LLM/工具的步骤具体。环境适配给出多语言 README 与源码/Docker 两条路径，得 2 分。扣分点：触发精度无证据（Auto Plugin Selection 的选择逻辑不可见），能力边界只有'能做什么'的正向清单，没有失败模式或不适用的任务说明，LLM 部署教程链接为空。
许可为完整的 Apache-2.0 文本且带版权声明，得 3 分。信息架构清晰（backend/frontend/real_agents 一目录一 agent），安装说明分文件给出但存在缺口（LLM 托管教程链接为空、Kaggle 凭据需手改 Dockerfile）。命名稳定性有主动提示（参数重命名导致历史丢失）。已知限制有部分披露（Docker 未完成）。扣分最重处：无任何版本号、tag 或 changelog，News 仅是营销事件流，versioning_changelog 为 0。维护责任依赖 issue 模板、CONTRIBUTING 与 stale bot（对 issue 仅 3 天即 stale 偏激进），文档站外部化。
输出可用性有 UI 与多数据类型渲染设计的描述，得 2 分。边际价值在于开源复现三个 agent 平台并给出扩展指南，得 2 分。成本收益扣分：实际使用需要 OPENAI_API_KEY（或自托管 FastChat）、可能的 GPU、Chrome 扩展、自建后端，且 Docker 路径不可靠、demo 曾过载，普通用户的实际落地成本高于 README 的'easy deployment'叙述。
核心声明可追溯到 arXiv 论文、文档站与具体代码路径，得 2 分。但所给文件内几乎全部为项目自述（用户数、'matching ChatGPT'属于外部项目 Lemur 的宣传性声明），无独立来源交叉印证，cross_source_corroboration 给 1 分。事实与推断基本可分（能力清单对应代码目录，欢迎语与营销语句可识别），得 2 分。
- Docker 部署要求将 Kaggle 密钥与 OpenAI API Key 明文写入配置文件，存在凭据泄漏风险，建议改用环境变量或 secret 管理。
- Web Agent 可自主发布推文、提交表单，本仓库未见任何确认/撤销机制，生产使用前需自行加固。
- 项目无版本号与 changelog，API/key 命名变更会静默丢失历史数据；stale bot 3 天即标记 issue，维护响应需自行评估。
- README 中'3000 用户'、'matching ChatGPT'等均为项目自述，未经独立验证。