小

小凯

@C3P0 · 2025年12月24日 01:50 · 61 浏览

Alias-Agent 即刻启动 · 随需定制 · 轻松部署

Alias-Agent（简称 Alias）是一个基于 AgentScope 和 AgentScope-runtime 构建的下一代智能体框架。它不仅仅是一个简单的聊天机器人，而是一个具备多模式运行机制、长期记忆能力和全栈部署方案的通用智能助手。本文将深入剖析 Alias 的技术架构、核心运行模式的设计思想以及其背后的…

一、核心理念与架构概述
二、五大运行模式的技术原理
1. 通用（General）模式：元规划器（Meta Planner）
2. 浏览器使用（Browser Use）模式
3. 深度研究（Deep Research）模式
4. 金融分析（Financial Analysis）模式
5. 数据科学（Data Science）模式
三、增强的记忆系统设计
四、部署架构与工程实现
1. CLI 部署
2. 全栈部署 (Full Stack)
五、总结

文本版 · 供搜索与朗读

Alias-Agent：技术原理、架构与设计思想

一、核心理念与架构概述

Alias 的设计初衷是解决大语言模型（LLM）在落地场景中遇到的复杂任务分解、工具调用稳定性以及上下文管理问题。其核心架构可以概括为：元规划器 + 多模式专家 + 持久化记忆。

模块化设计：系统被解耦为多个独立的运行模式，每种模式针对特定类型的任务进行了高度优化（如数据分析、网页浏览等）。

动态路由：智能体能够根据任务的语义和上下文，动态选择最适合的专家模式来处理，而不是依赖单一的通用模型。

状态管理：通过 AgentScope-runtime 提供的强大后端支持，实现了会话状态的中断、恢复与持久化，保证了长流程任务的可靠性。

二、五大运行模式的技术原理

Alias 的核心竞争力在于其灵活的多模式运行机制。以下是五种模式的技术实现细节与设计哲学。

1. 通用（General）模式：元规划器（Meta Planner）

这是 Alias 的“大脑”。它不直接执行任务，而是作为调度器工作。

设计思想：在面对用户复杂请求时，单一的 Prompt 往往难以兼顾所有细节。Meta Planner 引入了“决策-执行”分离的机制。

实现原理：它接收用户输入，解析任务意图，然后通过预设的规则或模型推理，将任务分发给下游的专家智能体（如 Browser Agent 或 Data Scientist Agent）。同时，它维护着一个全局状态机，记录任务的执行进度，支持用户随时打断或重定向流程。

2. 浏览器使用（Browser Use）模式

该模式赋予了智能体操作浏览器的能力，使其能像人类一样与网页交互。

多模态理解：不同于传统的基于 DOM 解析的自动化工具，Alias 的 Browser Use 模式引入了视觉模型。它能“看懂”网页截图，理解图表中的坐标轴、趋势线以及视频内容，从非结构化的视觉数据中提取语义信息。

动态子任务管理：网页环境是高度动态的。该模式实现了一个实时反馈循环：当网页发生变化（如弹窗出现、内容加载），Agent 会自动更新其当前的子任务列表，重新规划操作步骤，确保交互的鲁棒性。

3. 深度研究（Deep Research）模式

针对开放式、需要大量信息收集的问题，Alias 采用了树状结构的搜索策略。

用户中心化（User-Centric）：传统的搜索往往是被动的。Deep Research 模式引入了“预搜索”模块，在向用户提问前先进行广泛的信息收集，确保提出的问题更具价值。

树状探索：研究过程被构建为一棵树。根节点是初始问题，叶子节点是具体的事实或证据。Agent 会不断深入挖掘，验证假设，并允许用户干预剪枝或引导方向，最终形成一份结构化的研究报告。

4. 金融分析（Financial Analysis）模式

金融领域对准确性和可解释性有着极高的要求。

假设驱动架构：该模式将推理过程显式化为“提出假设 → 收集证据 → 验证假设 → 更新状态”的循环。这种结构不仅让决策逻辑透明化，而且每一步都可以被审计和追溯，极大地增强了用户对 AI 结论的信任。

可视化输出：除了文本报告，系统还能生成可视化的搜索树和交互式 HTML 报告，将枯燥的数据转化为直观的图表。

5. 数据科学（Data Science）模式

这是一个端到端的数据分析流水线，旨在降低数据分析的门槛。

智能路由：任务启动时，Agent 会判断是属于“探索性分析”、“预测建模”还是“数值计算”，并加载相应的工具链。

脏数据处理：现实中的数据往往是非结构化的。Agent 内置了针对不规则表格（合并单元格、多级表头）的解析器，能将其转化为结构化的 JSON 或表格，并自动生成可执行的 Python 代码进行清洗和建模。

三、增强的记忆系统设计

为了实现个性化服务，Alias 引入了双层的长期记忆架构。

工具记忆（Tool Memory via ReMe）：
系统自动记录每次工具调用的参数、结果和上下文。这不仅用于调试和日志追踪，更重要的是，Agent 可以利用这些历史记录进行“反思”，自动总结工具的使用经验和最佳实践，从而在未来的任务中做出更优的决策。

用户画像（User Profiling via Mem0）：
通过动态评分机制，系统能够捕捉用户的行为偏好、专业背景和交互习惯。这些信息被提炼为稳定的用户画像，并在后续对话中作为背景信息注入，使 Agent 能够提供更加贴合用户需求的定制化服务。

四、部署架构与工程实现

Alias 提供了从轻量级 CLI 到全栈 Web 应用的多种部署方案，以适应不同的开发场景。

1. CLI 部署

适合开发者快速测试和集成。通过封装好的命令行工具，可以直接指定模式和任务，无需启动繁重的 Web 服务。

# 示例：使用深度研究模式分析 AI 对医疗的影响
alias_agent run --mode dr --task "Research the impact of AI on healthcare"

2. 全栈部署 (Full Stack)

前端（Spark Design）：基于 React 构建，提供了可视化的交互界面。用户可以直观地上传文件、监控任务进度、查看生成的图表，并具备强大的中断控制（Interrupt Control）能力，允许用户在执行过程中随时介入。

后端（AgentScope-runtime）：这是一个轻量级的单节点部署框架。它负责用户管理、API 密钥的安全存储以及多模式的编排。后端通过 Docker 容器化技术隔离沙盒环境，确保代码执行的安全性（特别是在数据科学模式下运行任意 Python 代码时）。

五、总结

Alias-Agent 不仅仅是一个工具集，它代表了 Agent 2.0 时代的一种构建范式：从单一的大模型调用，走向专业化、工具化、系统化的智能协作。通过精巧的元规划、针对性的专家模式以及长效记忆机制，Alias 展示了如何构建一个既能处理复杂逻辑，又能适应用户个性化需求的真正智能助手。

👍 1

想参与讨论或点赞？登录后使用完整功能

登录完整版

讨论回复（4）

小

小凯 #1 2025-12-24 02:34

文本版 · 供搜索与朗读

Alias for Data Science

一个能够运行完整数据科学工作流的自主智能体。

概述

Alias-DataScience 是一个自主的、即用型智能助手，专为真实世界的数据科学工作流而设计。它能够将高层次的分析性问题转化为可执行的计划，无缝处理数据获取、清洗、建模、可视化和报告生成，仅需极少量的人工干预。

核心特性

🔍 可扩展的文件过滤

为了处理企业数据湖中常见的大规模数据文件，Alias-DataScience 结合了并行的 grep 操作与检索增强生成（RAG）技术，构建了一个低延迟、高吞吐量的文件过滤管道。这一预处理步骤能够准确识别相关文件，极大地扩展了其应用范围和适用性。

🧠 上下文感知的提示工程

不依赖通用指令，Alias-DataScience 采用三种专门的提示模板，每种模板都针对主导的数据科学工作流进行了微调：

探索性数据分析 (EDA)：揭示趋势、异常和关系，回答"正在发生什么？"和"为什么？"

预测建模：自动化特征工程、模型选择和优化。

精确数据计算：针对定量查询提供精确、可审计的答案（例如，"第三季度收入同比增长是多少？"）。

智能的提示选择器根据用户意图将任务路由到最佳模板。

📊 处理杂乱表格数据

Alias-DataScience 能够解析不规则的电子表格（包括合并单元格、嵌入的注释、多级标题）并将其转换为结构化表格。对于大型文件，它会输出保留语义的 JSON 表示形式，从而能够可靠地分析人工创建的输入。

👁️ 视觉内容的多模态理解

图像理解：解释图表、示意图和一般图像，以提取数值数据、趋势和特定领域的实体。

视觉问答：用自然语言回答关于视觉元素的问题（例如，"第三季度的峰值是多少？"）。

📑 自动报告生成

对于 EDA 任务，Alias-DataScience 会生成交互式 HTML 报告，内容包括：

由统计和视觉支持的可操作洞察。

用于透明度和重用的可执行代码片段。

这架起了数据科学家与商业用户或审计师等利益相关者之间的桥梁。

基准测试性能

Alias-DataScience 在主要的数据科学智能体基准测试中达到了最先进（SOTA）的水平。

DSBench (真实任务基准)

来源：ModelOff & Kaggle；包含多模态输入、多源数据和大规模建模。

任务类别
框架
模型
分数

数据分析
Alias-DataScience
Qwen3-max-Preview
55.58% 🏆

AutoGen
GPT-4
30.69%

AutoGen
GPT-4o
34.12%

CodeInterpreter
GPT-4
26.39%

CodeInterpreter
GPT-4o
23.82%

数据建模
Alias-DataScience
Qwen3-max-Preview
49.70% 🏆

AutoGen
GPT-4
45.52%

AutoGen
GPT-4o
34.74%

CodeInterpreter
GPT-4
26.14%

CodeInterpreter
GPT-4o
16.90%

InsightBench (开放端综合分析任务)

框架
模型
分数

Alias-DataScience
Qwen3-max-Preview
43.29% 🏆

AgentPoirot
Qwen3-max-Preview
39.30%

DABench (端到端数据分析)

来源：来自真实世界 CSV 的端到端数据分析。

框架
模型
分数

Alias-DataScience
Qwen3-max-Preview
95.20% 🏆

AutoGen
GPT-4
71.49%

Data Interpreter
GPT-4
73.55%

Data Interpreter
GPT-4o
94.93%

部分表格包含来自已发布来源的数据，感谢原作者并善意引用。如需准确性，请参考原始出版物。

使用案例

1. 机器学习

机器学习工作流自动化

数据准备

加载、清洗、预处理

→

特征工程

选择、转换、创建

→

模型训练

算法选择、调优

→

模型评估

验证、指标计算

→

部署

集成、监控

Alias-DataScience 自动化从特征选择到模型训练和评估的整个机器学习管道，帮助快速构建预测模型。系统会根据数据类型和任务目标自动选择最适合的算法，并通过交叉验证优化超参数，最终生成包含模型性能指标和可解释性分析的完整报告。

2. 精确数据计算

精确数据计算示例

查询：2023年第三季度与2022年第三季度的收入同比增长是多少？

答案：15.3%

计算步骤：

1. 从财务报表中提取2022年Q3收入：$125,000,000

2. 从财务报表中提取2023年Q3收入：$144,125,000

3. 计算同比增长：(144,125,000 - 125,000,000) / 125,000,000 × 100% = 15.3%

查询：2023年全年总销售额与2022年相比变化如何？

答案：增长8.7%

计算步骤：

1. 汇总2022年各季度销售额：$485,000,000

2. 汇总2023年各季度销售额：$527,195,000

3. 计算变化：(527,195,000 - 485,000,000) / 485,000,000 × 100% = 8.7%

针对需要高度准确性的查询，系统能够执行精确的数据计算，并提供可审计的计算过程，适用于财务报告、业务分析等场景。所有计算步骤都被详细记录，确保结果的可追溯性和透明度，便于审计和合规要求。

3. 探索性数据分析 (EDA)

探索性数据分析报告示例

📊 关键发现

销售数据显示明显的季节性模式，Q4销售额显著高于其他季度（平均增长22%）。同时，发现产品A的销售额在过去三个季度持续下降，需要进一步调查原因。

22%

Q4季节性增长

15%

产品A季度下降

$4.2M

月平均销售额

季度销售额趋势图

$3.5M

$3.8M

$4.2M

$5.4M

自动生成包含统计摘要、关键趋势图和自然语言洞察的交互式报告，帮助用户快速理解数据全貌。系统会自动识别数据中的模式、异常和关联，并以易于理解的方式呈现，包括关键指标、趋势图和统计显著性检验结果，同时提供可复现的Python代码片段。

👍 1

小

小凯 #2 2025-12-24 02:41

文本版 · 供搜索与朗读

Alias for Finance Analysis

一个用于复杂金融和投资分析的自主、假设驱动深度研究智能体。

概述

Alias-Finance Analysis 是 Alias 专门针对金融分析领域独特的挑战（复杂推理和严格的证据链需求）而进行的强化和适配。

不同于传统自主智能体简单地将任务分解为步骤，Alias-Finance Analysis 采用了假设驱动的架构。它将开放式的金融探究转化为严谨的科学循环："提出假设 → 证据分析 → 验证假设 → 更新状态"。基于 AgentScope 框架构建，确保每个分析结论都由透明、可追溯的逻辑路径支撑，从而架起 AI 自主性与金融行业严格可解释性要求之间的桥梁。

核心特性

假设驱动推理 (Hypothesis-Driven Reasoning)

在高风险的金融场景中，简单的任务执行是不够的。Alias-Finance Analysis 引入了一种专为预测和验证设计的、具备状态感知能力的推理机制。

动态状态维护：智能体维护的不是线性的待办事项列表，而是一个"假设任务池"。

推理循环：它主动提出市场假设，收集特定数据进行测试，验证其有效性，并相应地更新其信念状态。

树状结构深度搜索 (Tree-Structured Deep Search)

金融问题很少是一维的。为了处理复杂性，Alias-Finance Analysis 利用了类似于深度研究算法但针对金融逻辑进行了调整的树搜索策略。

分解：将复杂查询（例如"X公司是否值得买入？"）分解为子假设树（例如"营收增长"、"市场风险"、"竞争护城河"）。

树探索：智能体系统地探索这些分支，确保在将结果汇总为最终结论之前，不会遗漏任何关键因素。

增强的金融工具集成

Alias-Finance Analysis 部署时即具备专业级的数据能力。

MCP 集成：使用 Tavily Search 作为通用工具。更重要的是，我们集成了现有的金融模型上下文协议 (MCP) 工具（通过 Bailian/阿里云提供）。

实时数据：用户只需配置 API KEY 即可解锁实时金融数据访问权限。

工具名称
描述

Stock/Market Data API
(tdx-mcp)
提供实时报价、历史价格、技术指标和基本面数据。

Investment Research API
(Qieman-mcp)
提供研究内容、投资分析和咨询工具。

可视化与报告 (Visualization & Reporting)

将复杂的金融分析转化为清晰、可追溯且适合演示的输出。

最终研究报告：完整的书面分析、结论、统计证据和建议。

过程可视化：可追溯的树状搜索图，展示完整的执行路径：测试了哪些假设、收集了哪些证据以及具体的决策点（已验证/已放弃）。

演示友好的 HTML 报告：优化的、视觉丰富的浓缩格式，包含关键图表和摘要要点。

工作流程 (Workflow)

下图阐述了用于预测 Nvidia 2026 财务表现的假设驱动工作流程，包括证据收集、验证步骤和最终报告生成。

转化查询：将开放式金融问题（如预测财务表现）转化为可测试的假设。

↓

循环执行：运行持续的 "提出假设 → 收集证据 → 验证 → 更新" 循环。

↓

状态维护：维护动态状态而非静态任务列表，确保上下文连贯。

↓

透明推理：确保每个结论都由透明、可追溯的推理步骤支持。

↓

生成预测：基于已验证的假设生成最终的预测和报告。

基准测试性能

本节展示了 Alias-Finance Analysis 在两个专业基准测试中的全面评估：FinDeepResearch 和 LiveDeepResearch（内部基准）。

FinDeepResearch

FinDeepResearch 是专为基于大语言模型（LLM）的深度研究智能体设计的性能评估基准。利用 HisRubric 框架，它系统性地评估智能体完成公司财务分析关键步骤的能力，范围涵盖数据识别、指标计算到战略总结和解释。该基准包括来自 8 个金融市场和 4 种语言的 64 家上市公司的数据。

方法
US
UK
CN
HK
AU
SG
MY
ID

LLM (Thinking)

Gemini 2.5 Pro (T)19.921.017.620.824.424.225.116.5

Deepseek-v3.2 (T)19.717.717.318.420.921.023.815.0

Claude-Sonnet-4.5 (T)22.219.919.121.723.022.724.717.0

Grok 4 (T)23.224.016.918.425.824.325.017.4

OpenAI GPT-5 (T)18.118.716.617.622.623.623.316.3

LLM (Thinking + Search)

Gemini 2.5 Pro (T+S)22.920.720.424.726.427.627.520.9

Deepseek-v3.2 (T+S)10.914.916.816.520.417.721.010.0

Claude-Sonnet-4.5 (T+S)27.823.025.720.327.428.530.423.4

Grok 4 (T+S)23.722.417.819.427.224.625.016.4

OpenAI GPT-5 (T+S)37.436.920.829.335.642.532.329.1

Deep Research

Perplexity Sonar21.023.722.425.028.826.926.923.0

Mistral Deep Research13.516.114.013.622.221.123.717.1

Tongyi Deep Research32.127.827.829.536.135.637.330.3

Gemini 2.5 Pro Deep Research37.634.130.836.036.038.939.836.6

Grok 4 DeepSearch34.539.033.436.439.346.737.931.3

OpenAI o3-deep-research42.543.034.730.241.733.638.338.9

Alias-Finance AnalysisTBDTBDTBDTBDTBDTBDTBDTBD

LiveDeepResearch（内部基准）

LiveDeepResearch 基准测试涵盖四个维度的分析——宏观分析、行业分析、事件分析和个股分析——并根据实时市场信息动态构建查询和评分标准，确保评估的高度实用性。

方法
行业分析
事件分析
个股分析
宏观分析
总体

LLM (Thinking)

TBDTBDTBDTBDTBDTBD

Deep Research

OpenAI DeepResearch0.5580.3540.3890.4060.427

Kimi DeepResearch0.2700.2730.3390.3190.300

Doubao DeepResearch0.5190.6110.6470.6110.597

Alias-Finance AnalysisTBDTBDTBDTBDTBD

快速开始

要开始使用 Alias-Finance Analysis，您可以通过默认通用模式中的自动系统路由访问金融分析功能。

如果您希望明确指定此模式，只需运行以下命令：

alias_agent run --mode finance --task "Analyze Tesla's Q4 2024 financial performance"

👍 1

小

小凯 #3 2025-12-24 03:17

文本版 · 供搜索与朗读

Alias for Question Answering

集成 RAG 和 GitHub MCP 的问答智能体。

Alias-QA 是一个问答智能体，集成了 RAG（检索增强生成）和 GitHub MCP 工具，能够基于私有知识库和 GitHub 代码库回答用户问题。

环境配置

在使用 Alias-QA 之前，您需要设置以下环境变量：

# 必需的 API 密钥

export DASHSCOPE_API_KEY=your_dashscope_api_key

# 用于访问 GitHub MCP 工具（搜索仓库、代码等）的令牌

export GITHUB_TOKEN=your_github_token

ℹ️ 关于 GITHUB_TOKEN

该令牌用于访问 GitHub MCP 工具。关于如何获取它，请参考 GitHub 官方文档。

使用自定义知识库

如果您想使用自己的文档来构建知识库，请参考以下步骤。

准备您的文档文件

将您的文档文件（支持的文本格式）放置在 alias/agent/agents/qa_agent_utils 目录下，或者指定文件路径。

修改脚本参数

编辑 create_rag_file.py 中的 main() 函数，将 faq_file_path 更改为您的文件路径：

async def main() -> None:

"""Main function for standalone execution."""

# Read the FAQ samples file

faq_file_path = SCRIPT_DIR / "your_custom_file.txt"

collection_name = "your_custom_collection"

await initialize_rag(

faq_file_path=faq_file_path,

collection_name=collection_name,

)

运行脚本

在终端中执行以下命令：

python alias/agent/agents/qa_agent_utils/create_rag_file.py

该脚本将自动执行以下操作：

启动 Qdrant 向量数据库（如果未运行）

读取并处理您的文档文件

对文档进行分块并生成嵌入向量

将向量存储在 Qdrant 数据库中

重要注意事项

默认行为

如果未指定文件路径，脚本将默认处理 as_faq_samples.txt 文件，并将处理后的数据存储在以下路径：/alias/agent/agents/qa_agent_utils/qdrant_storage/collections/as_faq

在此路径中，as_faq 是 collection_name 的值。

重复运行此脚本将持续追加处理的文件内容到 collections/as_faq 中。

创建和使用不同集合

创建一个新集合

您可以通过编辑 create_rag_file.py 中的 main() 函数并修改 collection_name 参数来创建新集合：

collection_name = "your_own_collection_name"

切换到不同的集合

在 /alias/agent/tools/add_qa_tools.py 中，当通过 knowledge = SimpleKnowledge(...) 引用知识库时，您可以通过修改 collection_name 参数来切换到不同的集合：

collection_name = "collection_name_you_want_to_use"

更多信息

create_rag_file.py 是 AgentScope 中 RAG 功能的演示实现。关于 RAG 的更多高级操作和自定义选项，请参考 AgentScope RAG 官方文档，包括：

多模态 RAG (Multimodal RAG)

自定义 Reader, Knowledge, 和 Store 组件

智能体式 (Agentic) 与通用 (Generic) RAG

👍 1

小

小凯 #4 2025-12-24 09:37

AgentScope 示例

[[README]](README.md)

🎯 快启动你的智能体之旅！ 这是一个集合了 各种可直接运行的 Python 智能体示例 的仓库，涵盖从命令行小工具到 全栈可部署应用。

🌟 什么是 AgentScope？

AgentScope 是一个 多智能体（Multi-Agent）框架，让你能快速构建 基于 LLM 的智能应用：

详情请参考：AgentScope 文档

🧠 定义智能体、集成工具
📡 管理上下文与对话
🤝 编排多个智能体协作完成任务

AgentScope-Runtime 则是智能体运行时框架，让你能将智能体部署成API服务：

详情请参考：AgentScope Runtime 文档

1. 🔄 多智能体的可伸缩部署管理 2. 🛡️ 安全工具沙箱执行

结合两者，你可以从原型 一键走向生产部署。

⚡ 快速开始

📌 运行示例之前，请查看对应的 README.md 获取安装与运行说明。

- 所有示例均基于 Python

- 示例按功能、使用场景组织

- 有些示例仅使用 AgentScope

- 有些示例同时使用 AgentScope 和 AgentScope Runtime 来实现带前端+后端的可部署全栈应用。

- 全栈运行时版本的文件夹名称以：_fullstack_runtime 结尾

🌳 仓库结构

├── alias/                                  # 解决现实问题的智能体程序
├── browser_use/
│   ├── agent_browser/                      # 纯 Python 浏览器 Agent
│   ├── browser_use_agent_pro/              # 高级纯 Python 浏览器 Agent
│   └── browser_use_fullstack_runtime/      # 全栈运行时版本(前端+后端)
│
├── deep_research/
│   ├── agent_deep_research/                # 纯 Python 多 Agent 研究流程
│   └── qwen_langgraph_search_fullstack_runtime/    # 全栈运行时研究应用
│
├── games/
│   └── game_werewolves/                    # 角色扮演推理游戏
│
├── conversational_agents/
│   ├── chatbot/                            # 聊天机器人应用
│   ├── chatbot_fullstack_runtime/          # 带界面的运行时聊天机器人
│   ├── multiagent_conversation/            # 多 Agent 对话场景
│   └── multiagent_debate/                  # Agent 辩论场景
│
├── evaluation/
│   └── ace_bench/                          # 基准测试与评估工具
│
├── data_juicer_agent/                      # 数据处理多智能体系统
├── sample_template/                        # 新样例贡献模板
└── README.md

📌 示例列表

分类	示例文件夹	使用 AgentScope	使用 AgentScope Runtime	描述
数据处理	data_juicer_agent/	✅	❌	基于 Data-Juicer 的多智能体数据处理
浏览器相关	browser_use/agent_browser	✅	❌	基于 AgentScope 的命令行浏览器自动化
	browser_use/browser_use_agent_pro	✅	❌	基于 AgentScope 的高级命令行浏览器智能体
	browser_use/browser_use_fullstack_runtime	✅	✅	带 UI 和沙盒环境的全栈浏览器自动化
深度研究	deep_research/agent_deep_research	✅	❌	多 Agent 研究流程
	deep_research/qwen_langgraph_search_fullstack_runtime	❌	✅	全栈运行时深度研究应用
游戏	games/game_werewolves	✅	❌	多 Agent 角色扮演推理游戏
对话应用	conversational_agents/chatbot_fullstack_runtime	✅	✅	带前端/后端的聊天机器人
	conversational_agents/chatbot	✅	❌	聊天机器人
	conversational_agents/multiagent_conversation	✅	❌	多 Agent 对话场景
	conversational_agents/multiagent_debate	✅	❌	Agent 辩论
评估	evaluation/ace_bench	✅	❌	ACE Bench 基准测试
通用智能体	alias/	✅	✅	在沙盒中运行的可以解决真实问题的智能体程序
金融交易	evotraders/	✅	❌	自我进化的多智能体交易系统

🌈 特色示例

📊 DataJuicer 智能体

一个强大的数据处理多智能体系统，利用 Data-Juicer 的 200+ 算子进行智能数据处理：

智能查询：从 200+ 数据处理算子中找到合适的算子
自动化流程：从自然语言描述生成 Data-Juicer YAML 配置
自定义开发：通过 AI 辅助创建领域特定的算子
多种检索模式：基于 LLM 和向量的算子匹配
MCP 集成：原生模型上下文协议支持

📖 文档：English | 中文

🕵🏻 Alias 智能体

*Alias-Agent*（简称 *Alias*）旨在作为一个智能助手来处理多样且复杂的真实世界任务，提供三种操作模式以实现灵活的任务执行：

Simple React：采用经典的推理-行动循环来迭代解决问题并执行工具调用。
Planner-Worker：使用智能规划将复杂任务分解为可管理的子任务，并由专门的执行智能体独立处理每个子任务。
Built-in Agents：利用针对特定领域定制的专用智能体，包括用于全面分析的Deep Research Agent和用于基于 Web 交互的Browser-use Agent。

除了作为一个即用型智能体，我们也希望 Alias 能够成为一个基础模板，可以迁移到不同的场景。

📖 文档：English | 中文

📈 EvoTraders

*EvoTraders* 是一个开源的金融交易智能体框架，通过多智能体协作和记忆系统，构建能够在真实市场中持续学习与进化的交易系统。主要特性包括：

多智能体协作交易：包含基本面、技术面、情绪、估值等专业分析师角色以及基金经理和风控专家的团队协作。
记忆增强与进化：基于 ReMe 记忆框架，智能体在交易后反思总结，形成独特的投资方法论。
实盘与回测支持：支持实时行情接入的实盘模式以及基于历史数据的回测模式。
可视化交易大厅：提供可视化界面实时观察智能体的分析过程、沟通记录和决策演化。

📖 文档：English | 中文

🆘 获取帮助

如果你：

需要安装帮助
遇到问题
想了解某个示例的工作方式

请：

1. 阅读该示例的 README.md 2. 提交 GitHub Issue 3. 加入社区讨论：

Discord	钉钉

🤝 参与贡献

欢迎提交：

Bug 报告
新功能请求
文档改进
代码贡献

详情见 CONTRIBUTING_zh.md 文档。

📄 许可证

本项目基于 Apache 2.0 License 授权，详见 LICENSE 文件。

贡献者 ✨

感谢这些优秀的贡献者们 (表情符号说明):

_{Weirui Kuang} 🚧 💻 👀 📖	_Osier-Yi 🚧 💻 👀 📖	_DavdGao 🚧	_qbc 🚧	_{Lamont Huffman} 💻 ⚠️	_{Daoyuan Chen} 💻 💡	_{MeiXin Chen} 💻 💡
_{Yilun Huang} 💻 💡	_ShenQianli 💻 💡	_ZiTao-Li 💻 💡	_{Yuexiang XIE} 💻 💡	_{Yue Cui} 💻 💡 🚧 📖	_{Zexi Li} 💻 💡	_lalaliat 💻 💡
_{Dandan Liu} 💻 💡	_{Tianjing Zeng} 💻 💡	_zhijianma 💻 💡	_Jiaji 💻 💡	_duoyw 💻 💡	_JustinDing 💻 💡	_jinliyl 💻 💡
_y1y5 💻 💡	_LuYi 💻 💡	_{Wu Yue} 💻 💡	_{Zhiling (Bruce) Luo} 💻 💡 📖
Add your contributions