Cooragent: Aufbau eines Multi-Intelligenz-Tools für die Zusammenarbeit in einem einzigen Satz

Allgemeine Einführung

Cooragent ist ein Open-Source-Framework für die Zusammenarbeit von KI-Agenten, das von LeapLab an der Tsinghua-Universität entwickelt und auf GitHub gehostet wird. Es ermöglicht Benutzern die Erstellung intelligenter KI-Agenten mit einer Ein-Satz-Beschreibung und unterstützt mehrere Agenten bei der Zusammenarbeit an komplexen Aufgaben. Das Framework bietet zwei Modi: Agent Factory generiert automatisch maßgeschneiderte Agenten, und Agent Arbeitsablauf Cooragent ist vollständig kompatibel mit der Langchain-Toolchain und unterstützt MCP Protokoll, um eine effiziente Kommunikation zwischen Agenten zu gewährleisten. Entwickler können Agenten über CLI-Tools oder APIs schnell erstellen, bearbeiten und verwalten.

Funktionsliste

• Agent Factory Mode Das System analysiert automatisch die Anforderungen und generiert einen maßgeschneiderten KI-Agenten, ohne dass ein komplexes Prompt-Design erforderlich ist.
• Agent-Workflow-Modus Unterstützung der Zusammenarbeit mehrerer Agenten, automatische Aufteilung von Aufgaben, Zuweisung von Rollen und Erreichen komplexer Ziele.
• Tiefe Kompatibilität mit Langchain Unterstützung für Langchain's Prompt, Chain, Memory, Document Loader und andere Komponenten zur Vereinfachung der Entwicklung.
• Unterstützung des MCP-Protokolls Standardisierter Informationsaustausch zwischen Agenten, Unterstützung für mehrere Interaktionsrunden und effizientes Kontextmanagement.
• CLI-Tools Bietet eine Befehlszeilenschnittstelle zum schnellen Erstellen, Bearbeiten, Löschen und Auflisten von Agenten.
• API-Unterstützung Automatisieren Sie die Erstellung von Agenten, die Übermittlung von Aufgaben und die Statusüberwachung über APIs.
• Werkzeug Aufruf Erweiterte Agentenfunktionen mit Unterstützung für Web-Crawler, Codeausführung, Dateimanipulation und mehr.
• gemeinschaftliche Nutzung Benutzer können Agenten zur Verwendung oder Optimierung durch andere Entwickler in der Community veröffentlichen.
• Beobachtbarkeit Bereitstellung von Agentenbetriebsstatus und Leistungsprotokollen zur einfachen Überwachung und Fehlersuche.
• lokaler Einsatz Unterstützt den lokalen Betrieb und schützt den Datenschutz.

Hilfe verwenden

Einbauverfahren

Cooragent unterstützt Python 3.12+ Umgebungen und bietet sowohl conda als auch venv Installationen an. Hier sind die Schritte:

Installation mit conda

1. Klon-Lager
   Führen Sie den folgenden Befehl im Terminal aus, um den Cooragent-Code herunterzuladen:

   git clone https://github.com/LeapLabTHU/cooragent.git
   cd cooragent
   

2. Erstellen einer virtuellen Umgebung
   Erstellen und aktivieren Sie eine Python 3.12-Umgebung:

   conda create -n cooragent python=3.12
   conda activate cooragent
   

3. Installation von Abhängigkeiten
   Installieren Sie die Projektabhängigkeiten:

   pip install -e .
   

4. Optional: Installation von Browser-Tools
   Für Funktionen wie Webcrawler installieren Sie Playwright:

   playwright install
   

5. Umgebungsvariablen konfigurieren
   Kopieren Sie die Beispielkonfigurationsdatei und bearbeiten Sie sie:

   cp .env.example .env
   

   Öffnen mit einem Texteditor .env Datei den API-Schlüssel ein (z. B. OpenAI oder ein anderes Modell). Um das MCP-Protokoll zu aktivieren, setzen Sie MCP_AGENT=True. Wenn Sie die Browser-Tools aktivieren müssen, setzen Sie USE_BROWSER=True.

6. Überprüfen der Installation
   Führen Sie das CLI-Tool aus, um zu prüfen, ob die Installation erfolgreich war:

   python cli.py
   

Installieren mit venv

1. Klon-Lager
   Auf die gleiche Weise wie conda, run:

   git clone https://github.com/LeapLabTHU/cooragent.git
   cd cooragent
   

2. Erstellen einer virtuellen Umgebung
   Verwenden Sie das uv-Tool, um Python 3.12 zu installieren und eine virtuelle Umgebung zu erstellen:

   uv python install 3.12
   uv venv --python 3.12
   source .venv/bin/activate  # Windows: .venv\Scripts\activate
   

3. Installation von Abhängigkeiten
   Abhängigkeiten bei der Synchronisation:

   uv sync
   

4. Optional: Installation von Browser-Tools
   Auf die gleiche Weise wie conda, run:

   playwright install
   

5. Umgebungsvariablen konfigurieren
   Wie bei conda, kopieren und bearbeiten .env Dokumentation.
6. Laufende Projekte
   Führen Sie das CLI-Tool mit uv aus:

   uv run cli.py
   

Hinweise zur Windows-Installation

Windows-Benutzer müssen zusätzliche Abhängigkeiten installieren, siehe offizielle Dokumentation für Details Unterstützung der Windows-Plattform. Stellen Sie sicher, dass die Umgebungsvariablen richtig konfiguriert und alle Abhängigkeiten installiert sind.

Verwendung

Cooragent bietet die Modi Agent Factory und Agent Workflow und kombiniert CLI-Tools und APIs für einen einfachen und effizienten Betrieb.

Agent Factory Mode

Dieses Muster erzeugt schnell einen KI-Agenten mit einer Ein-Satz-Beschreibung. Erstellen Sie zum Beispiel einen Aktienanalyse-Agenten:

python cli.py run -t agent_factory -u test -m 'Create a stock analysis expert agent to analyze the Xiaomi stock trend, today is 22 April, 2025, look over the past month, analyze the big news about Xiaomi, then predict the stock price trend for the next trading day, and provide buy or sell recommendations.'

• Verfahren ::
  1. Führen Sie den Befehl aus und geben Sie den Aufgabentyp als agent_factory.
  2. Parameter -u Setzen Sie die Benutzer-ID (z.B. test).-m Geben Sie eine Beschreibung der Aufgabe ein.
  3. Das System analysiert die Anforderungen, indem es sie speichert und erweitert, Werkzeuge auswählt, Prompt automatisch optimiert und Agenten generiert.
  4. Der Agent läuft und gibt Ergebnisse aus (z. B. Berichte zur Bestandsanalyse).
  5. passabel edit-agent -n <agent_name> -i Bearbeiten Sie Agenten, um ihr Verhalten zu optimieren.
• Ausgewählte Funktionen Es ist kein komplexer Prompt-Entwurf erforderlich, das System versteht die Anforderungen automatisch und erzeugt effiziente Agenten.

Agent-Workflow-Modus

Dieses Modell unterstützt die Zusammenarbeit mehrerer Agenten und ist für komplexe Aufgaben geeignet. Zum Beispiel die Planung einer Reise nach Yunnan am 1. Mai 2025:

python cli.py run -t agent_workflow -u test -m 'Use the task planning agent, web crawler agent, code execution agent, browser operation agent, report writing agent, and file operation agent to plan a trip to Yunnan for the May Day holiday in 2025. First, run the web crawler agent to fetch information about Yunnan tourist attractions, use the browser operation agent to browse the attraction information and select the top 10 most worthwhile attractions. Then, plan a 5-day itinerary, use the report writing agent to generate a travel report, and finally use the file operation agent to save the report as a PDF file.'

• Verfahren ::
  1. Führen Sie den Befehl aus und geben Sie den Aufgabentyp als agent_workflow.
  2. Geben Sie eine Aufgabenbeschreibung ein, in der die erforderlichen Bearbeiter aufgeführt sind.
  3. System Planner analysiert die Aufgabe, zerlegt die Schritte und ordnet sie den entsprechenden Bearbeitern zu.
  4. Die Agenten arbeiten über das MCP-Protokoll zusammen, um Aufgaben zu erledigen (z. B. die Erstellung von Reiseberichten).
  5. Ausgabe der Ergebnisse (z. B. als PDF-Datei).
• Ausgewählte Funktionen Planner optimiert automatisch die Aufgabenzuweisung und das MCP-Protokoll gewährleistet eine effiziente Kommunikation zur Unterstützung komplexer Aufgaben.

Verwendung von CLI-Tools

Zu den gängigen CLI-Befehlen gehören:

• Erstellen eines Proxys ::python cli.py create -n <agent_name>
• Redaktioneller Mitarbeiter ::python cli.py edit-agent -n <agent_name> -i
• Liste Agenten ::python cli.py list-agents -u <user-id> -m <regex>
• Proxy löschen ::python cli.py remove-agent -n <agent_name> -u <user-id>
• Status anzeigen ::python cli.py status

API-Verwendung

Die API unterstützt die automatische Verwaltung von Agenten. Zum Beispiel das Übermitteln von Aufgaben:

import requests
url = "http://localhost:8000/task"
payload = {"task": "Analyze stock trend", "user_id": "test"}
response = requests.post(url, json=payload)
print(response.json())

• Funktionalität Unterstützung bei der Erstellung von Agenten, der Übermittlung von Aufgaben, der Erfassung von Ergebnissen und der Statusüberwachung.
• verwenden. Integration in Skripte oder Anwendungen zur Erstellung benutzerdefinierter Schnittstellen.

Verwendung des MCP-Protokolls

Das MCP-Protokoll unterstützt eine effiziente Kommunikation zwischen Agenten. Zum Beispiel, um einen Excel-Agenten zu erstellen:

server_params = StdioServerParameters(
command="python",
args=[str(get_project_root()) + "/src/mcp/excel_mcp/server.py"]
)
async def excel_agent():
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await load_mcp_tools(session)
agent = create_react_agent(model, tools)
return agent
agent = asyncio.run(excel_agent())
agent_obj = Agent(user_id="share", 
agent_name="mcp_excel_agent", 
nick_name="mcp_excel_agent", 
description="The agent is good at manipulating excel files, which includes creating, reading, writing, and analyzing excel files", 
llm_type=LLMType.BASIC, 
selected_tools=[], 
prompt="")
MCPManager.register_agent("mcp_excel_agent", agent, agent_obj)

• MCP einschalten : in .env Einstellung in der Datei MCP_AGENT=True.
• verwenden. Unterstützung für die Zusammenarbeit mehrerer Agenten und plattformübergreifende Interaktion.

caveat

• sicher .env Die Datei ist korrekt konfiguriert und der API-Schlüssel ist gültig.
• Browser-Tools sind standardmäßig deaktiviert und müssen eingestellt werden USE_BROWSER=True Aktivieren.
• Windows-Benutzer sollten sich an Unterstützung der Windows-Plattform Installieren Sie zusätzliche Abhängigkeiten.
• Aktualisieren Sie den Code regelmäßig:git pull origin main.

Anwendungsszenario

1. Automatisierung von Aufgaben
   Cooragent automatisiert sich wiederholende Aufgaben. Zum Beispiel nutzen die Mitarbeiter eines Unternehmens den Agent Workflow, um Marktdaten zu sammeln, Berichte zu erstellen und Zeit zu sparen.
2. Projektleitung
   Entwickler verwenden Agent Factory, um Projektmanagement-Agenten zu erstellen, die automatisch Aufgaben zuweisen und den Fortschritt verfolgen, was sie ideal für die Zusammenarbeit im Team macht.
3. Datenanalyse
   Forscher nutzen Cooragent zur Analyse von Aktien- oder Nachrichtendaten, um Trendprognosen oder Branchenberichte zu erstellen.
4. Bildung und Lernen
   Die Studierenden erstellen Lernassistenten, die das Kursmaterial organisieren, Fragen beantworten und die Effizienz steigern.
5. Bearbeitung von Dokumenten
   Erstellen Sie Excel-Agenten unter Verwendung des MCP-Protokolls zur automatischen Verarbeitung von Tabellendaten für Finanz- oder Datenanalyseszenarien.

QA

1. Welche Sprachmodelle werden von Cooragent unterstützt?
   Unterstützt mehrere Sprachmodelle (z. B. OpenAI, andere Open-Source-Modelle) gemäß der Langchain-Kompatibilität, API-Schlüsselkonfiguration erforderlich.
2. Wie kann ich einen Agenten teilen?
   in Bewegung sein python cli.py publish -n <agent_name>veröffentlichen Sie den Agenten in der Community, damit andere Entwickler ihn nutzen können.
3. Was ist, wenn die Mission scheitert?
   Sonde .env Datei den API-Schlüssel und die Netzwerkverbindung, sehen Sie sich das Protokoll (logs/ Verzeichnis). Hilfe erhalten Sie, indem Sie ein Problem auf GitHub einreichen.
4. Unterstützt es die lokale Bereitstellung?
   Ja, Cooragent unterstützt die lokale Bereitstellung, schützt den Datenschutz und ist für den Einsatz in Unternehmen geeignet.
5. Wie kann ich Code beisteuern?
   Beratung Leitlinien für BeiträgeBehebungen, Verbesserungen der Dokumentation oder neue Funktionen.