Cooragent: criando uma ferramenta de colaboração de tarefas de inteligência múltipla em uma única frase

Introdução geral

O Cooragent é uma estrutura de colaboração de agentes de IA de código aberto desenvolvida pelo LeapLab da Universidade de Tsinghua e hospedada no GitHub, que permite aos usuários criar agentes de IA inteligentes com uma descrição de uma frase e oferece suporte a vários agentes para colaborar em tarefas complexas. A estrutura oferece dois modos: o Agent Factory gera automaticamente agentes personalizados e o Agent Fluxo de trabalho O Cooragent é profundamente compatível com a cadeia de ferramentas Langchain e oferece suporte a MCP para garantir uma comunicação eficiente entre os agentes. Os desenvolvedores podem criar, editar e gerenciar agentes rapidamente por meio de ferramentas CLI ou APIs.

Lista de funções

• Modo de fábrica do agente O sistema analisa automaticamente os requisitos e gera um agente de IA personalizado sem a necessidade de um projeto complexo do Prompt.
• Modo de fluxo de trabalho do agente Suporte à colaboração de vários agentes, dividindo automaticamente as tarefas, atribuindo funções e concluindo metas complexas.
• Compatibilidade profunda com Langchain Suporte para Prompt, Chain, Memory, Document Loaders da Langchain e outros componentes para simplificar o desenvolvimento.
• Suporte ao protocolo MCP Intercâmbio padronizado de informações entre agentes, suporte a várias rodadas de interação e gerenciamento eficiente de contexto.
• Ferramentas de CLI Interface de linha de comando: fornece uma interface de linha de comando para criar, editar, excluir e listar agentes rapidamente.
• Suporte à API Automatize a criação de agentes, o envio de tarefas e o monitoramento de status por meio de APIs.
• Chamada de ferramenta Recursos estendidos do agente com suporte para rastreadores da Web, execução de código, manipulação de arquivos e muito mais.
• compartilhamento comunitário Os usuários podem publicar agentes na comunidade para uso ou otimização por outros desenvolvedores.
• observabilidade Status de operação do agente e registros de desempenho para facilitar o monitoramento e a depuração.
• implantação local Suporte à operação local e proteção da privacidade dos dados.

Usando a Ajuda

Processo de instalação

O Cooragent é compatível com ambientes Python 3.12+ e oferece instalações conda e venv. Aqui estão as etapas:

Instalação com conda

1. armazém de clones
   Execute o seguinte comando no terminal para fazer download do código do Cooragent:

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

2. Criação de um ambiente virtual
   Crie e ative um ambiente Python 3.12:

   conda create -n cooragent python=3.12
   conda activate cooragent
   

3. Instalação de dependências
   Instale as dependências do projeto:

   pip install -e .
   

4. Opcional: Instalação de ferramentas do navegador
   Para obter recursos como rastreadores da Web, instale o Playwright:

   playwright install
   

5. Configuração de variáveis de ambiente
   Copie o arquivo de configuração de amostra e edite-o:

   cp .env.example .env
   

   Abrir com um editor de texto .env preencha a chave de API (por exemplo, OpenAI ou outro modelo). Para ativar o protocolo MCP, defina MCP_AGENT=True. Se você precisar ativar as ferramentas do navegador, defina USE_BROWSER=True.

6. Verificar a instalação
   Execute a ferramenta CLI para verificar se a instalação foi bem-sucedida:

   python cli.py
   

Instalando com o venv

1. armazém de clones
   Da mesma forma que o conda, execute:

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

2. Criação de um ambiente virtual
   Use a ferramenta uv para instalar o Python 3.12 e criar um ambiente virtual:

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

3. Instalação de dependências
   Dependências de sincronização:

   uv sync
   

4. Opcional: Instalação de ferramentas do navegador
   Da mesma forma que o conda, execute:

   playwright install
   

5. Configuração de variáveis de ambiente
   Igual ao conda, copiar e editar .env Documentação.
6. Projetos em andamento
   Execute a ferramenta CLI com uv:

   uv run cli.py
   

Notas de instalação do Windows

Os usuários do Windows precisam instalar dependências adicionais; consulte a documentação oficial para obter detalhes. Suporte à plataforma Windows. Verifique se as variáveis de ambiente estão configuradas corretamente e se todas as dependências estão instaladas.

Uso

O Cooragent oferece os modos Agent Factory e Agent Workflow, combinando ferramentas CLI e APIs para uma operação simples e eficiente.

Modo de fábrica do agente

Esse padrão gera rapidamente um agente de IA com uma descrição de uma frase. Por exemplo, crie um agente de análise de ações:

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.'

• procedimento ::
  1. Execute o comando, especificando o tipo de tarefa como agent_factory.
  2. parâmetros -u Defina o ID do usuário (por exemplo test).-m Digite uma descrição da tarefa.
  3. O sistema analisa os requisitos lembrando-os e ampliando-os, selecionando ferramentas, otimizando automaticamente o Prompt e gerando agentes.
  4. O agente é executado e produz resultados (por exemplo, relatórios de análise de estoque).
  5. aceitável edit-agent -n <agent_name> -i Editar agentes para otimizar o comportamento.
• Funções em destaque Não há necessidade de um projeto complexo do Prompt, pois o sistema entende automaticamente os requisitos e gera agentes eficientes.

Modo de fluxo de trabalho do agente

Esse modelo oferece suporte à colaboração de vários agentes e é adequado para tarefas complexas. Por exemplo, planejar uma viagem a Yunnan em 1º de maio de 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.'

• procedimento ::
  1. Execute o comando, especificando o tipo de tarefa como agent_workflow.
  2. Insira uma descrição da tarefa que liste os agentes necessários.
  3. O System Planner analisa a tarefa, divide as etapas e as atribui aos agentes apropriados.
  4. Os agentes colaboram por meio do protocolo MCP para concluir tarefas (por exemplo, gerar relatórios de viagem).
  5. Resultados de saída (por exemplo, arquivo PDF).
• Funções em destaque O Planner otimiza automaticamente a alocação de tarefas e o protocolo MCP garante uma comunicação eficiente para dar suporte a tarefas complexas.

Uso da ferramenta CLI

Os comandos comuns da CLI incluem:

• Criação de um proxy ::python cli.py create -n <agent_name>
• Agente editorial ::python cli.py edit-agent -n <agent_name> -i
• Lista de agentes ::python cli.py list-agents -u <user-id> -m <regex>
• Excluir proxy ::python cli.py remove-agent -n <agent_name> -u <user-id>
• Exibir status ::python cli.py status

Uso da API

A API oferece suporte ao gerenciamento automatizado de agentes. Por exemplo, o envio de tarefas:

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

• funcionalidade Suporte para criação de agentes, envio de tarefas, aquisição de resultados e monitoramento de status.
• uso Integração em scripts ou aplicativos para criar interfaces personalizadas.

Uso do protocolo MCP

O protocolo MCP oferece suporte à comunicação eficiente entre agentes. Por exemplo, para criar um agente operacional do Excel:

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)

• Ativar MCP : em .env Configuração no arquivo MCP_AGENT=True.
• uso Suporte para colaboração entre vários agentes e interação entre plataformas.

advertência

• seguro .env O arquivo está configurado corretamente e a chave da API é válida.
• As ferramentas do navegador são desativadas por padrão e precisam ser definidas USE_BROWSER=True Habilitar.
• Os usuários do Windows devem consultar Suporte à plataforma Windows Instalar dependências adicionais.
• Atualize o código regularmente:git pull origin main.

cenário do aplicativo

1. Automação de tarefas
   O Cooragent automatiza tarefas repetitivas. Por exemplo, os funcionários da organização usam o Agent Workflow para coletar dados de mercado, gerar relatórios e economizar tempo.
2. gerenciamento de projetos
   Os desenvolvedores usam o Agent Factory para criar agentes de gerenciamento de projetos que atribuem tarefas automaticamente e acompanham o progresso, tornando-o ideal para a colaboração em equipe.
3. análise de dados
   Os pesquisadores usam a Cooragent para analisar dados de ações ou notícias para gerar previsões de tendências ou relatórios do setor.
4. Educação e aprendizado
   Os alunos criam agentes assistentes de aprendizagem para organizar os materiais do curso, responder a perguntas e aumentar a eficiência.
5. Processamento de documentos
   Crie agentes do Excel usando o protocolo MCP para processar automaticamente dados tabulares para cenários financeiros ou de análise de dados.

QA

1. Quais modelos de linguagem são compatíveis com a Cooragent?
   Oferece suporte a vários modelos de idioma (por exemplo, OpenAI, outros modelos de código aberto), conforme determinado pela compatibilidade com Langchain; é necessária a configuração da chave de API.
2. Como faço para compartilhar um agente?
   estar em movimento python cli.py publish -n <agent_name>Em seguida, publique o agente na comunidade para que outros desenvolvedores o utilizem.
3. E se a missão falhar?
   sonda .env chave de API do arquivo e conexão de rede, visualize o registro (logs/ ). A ajuda está disponível enviando um problema no GitHub.
4. Ele oferece suporte à implementação local?
   Sim, a Cooragent oferece suporte à implantação local, protege a privacidade dos dados e é adequada para uso corporativo.
5. Como faço para contribuir com o código?
   consulta Diretrizes de contribuição, correções de commit, melhorias na documentação ou novos recursos.