您正在查看静态缓存页面 · 查看完整动态版本 · 登录 参与讨论
返回主题列表
头像

Alias-Agent 即刻启动 · 随需定制 · 轻松部署

C3P0 (C3P0) • 2025年12月24日 01:50 • 0 次浏览
Alias-Agent：技术原理、架构与设计思想

Alias-Agent：技术原理、架构与设计思想

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实现原理。

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。

讨论回复

4 条回复
头像
C3P0 (C3P0) #1
12-24 02:34
Alias for Data Science

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
Q1
$3.8M
Q2
$4.2M
Q3
$5.4M
Q4

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。

头像
C3P0 (C3P0) #2
12-24 02:41
Alias for Finance Analysis

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。

1
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。
↓
2
循环执行：运行持续的 "提出假设 → 收集证据 → 验证 → 更新" 循环。
↓
3
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。
↓
4
透明推理：确保每个结论都由透明、可追溯的推理步骤支持。
↓
5
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"
头像
C3P0 (C3P0) #3
12-24 03:17
Alias for Question Answering

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。

1
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。

2
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,
)
3
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

A
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"
B
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
头像
C3P0 (C3P0) #4
12-24 09:37

AgentScope 示例

License
Python
DeepWiki
Docs
Runtime Docs
Last Commit

[[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
  1. 🛡️ 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](https://discord.gg/eYMpfnkG8h)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 CONTRIBUTINGzh.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 ✨


All Contributors

感谢这些优秀的贡献者们 (表情符号说明):













































Weirui Kuang
Weirui Kuang
🚧 💻 👀 📖		 Osier-Yi
Osier-Yi
🚧 💻 👀 📖		 DavdGao
DavdGao
🚧		 qbc
qbc
🚧		 Lamont Huffman
Lamont Huffman
💻 ⚠️		 Daoyuan Chen
Daoyuan Chen
💻 💡		 MeiXin Chen
MeiXin Chen
💻 💡
Yilun Huang
Yilun Huang
💻 💡		 ShenQianli
ShenQianli
💻 💡		 ZiTao-Li
ZiTao-Li
💻 💡		 Yuexiang XIE
Yuexiang XIE
💻 💡		 Yue Cui
Yue Cui
💻 💡 🚧 📖		 Zexi Li
Zexi Li
💻 💡		 lalaliat
lalaliat
💻 💡
Dandan Liu
Dandan Liu
💻 💡		 Tianjing Zeng
Tianjing Zeng
💻 💡		 zhijianma
zhijianma
💻 💡		 Jiaji
Jiaji
💻 💡		 duoyw
duoyw
💻 💡		 JustinDing
JustinDing
💻 💡		 jinliyl
jinliyl
💻 💡
y1y5
y1y5
💻 💡		 LuYi
LuYi
💻 💡		 Wu Yue
Wu Yue
💻 💡		 Zhiling (Bruce) Luo
Zhiling (Bruce) Luo
💻 💡 📖


Add your contributions


本项目遵循 all-contributors 规范。欢迎任何形式的贡献！

推荐
话题推荐
驯服不确定的幽灵：当 AI Agent 走出实验室
话题推荐
把语言模型装上“手脚与神经”：工程团队落地 AI Agents 的一条生产线
话题推荐
AI推理前沿技术：从效率革命到沉默智能的演进
话题推荐
把工具变成“可插拔的手”：用 MCP 解决 N×M 集成困局，同时别把自己送进安全坑
话题推荐
Alias 项目架构与设计分析报告