Agentica 是一个轻量级、模块化的 AI Agent 框架，专注于构建智能、具备反思能力、可协作的多模态 AI Agent。它提供了丰富的工具集成、多模型支持和灵活的工作流编排能力，让开发者能够轻松构建复杂的 AI 应用。
无论是构建个人助手、知识管理系统、自动化工作流，还是多 Agent 协作系统，Agentica 都能提供强大而灵活的支持。通过简洁的 API 和丰富的示例，即使是 AI 开发新手也能快速上手，构建出功能强大的智能应用。
为什么选择 Agentica?
- 简单易用：简洁直观的 API 设计，降低学习门槛
- 功能全面：从单 Agent 到多 Agent 协作，从简单对话到复杂工作流，一站式解决
- 中文优化：为中文用户打造，文档和示例丰富
- 多模型支持：支持国内外多种大模型，灵活切换
- 开箱即用：丰富的内置工具和示例，快速实现各类应用场景
- [2025/05/19] v1.0.6 版本：新增了 MCP 的 StreamableHttp 支持，兼容 StreamableHttp/SSE/Stdio 三种 MCP Server，详见 Release-v1.0.6
- [2025/04/21] v1.0.0 版本：支持了 MCP 的工具调用，兼容 SSE/Stdio 的 MCP Server，详见 Release-v1.0.0
- [2024/12/29] v0.2.3 版本：支持了 ZhipuAI 的 api 调用，包括免费模型和工具使用，详见 Release-v0.2.3
- [2024/12/25] v0.2.0 版本：支持了多模态模型，输入可以是文本、图片、音频、视频，并升级 Assistant 为 Agent，Workflow 支持拆解并实现复杂任务，详见 Release-v0.2.0
- [2024/07/02] v0.1.0 版本：实现了基于 LLM 的 Assistant，可以快速用 function call 搭建大语言模型助手，详见 Release-v0.1.0
Agentica是一个用于构建Agent的工具，具有以下功能：
- Agent编排：通过简单代码快速编排Agent，支持 Reflection(反思)、Plan and Solve(计划并执行)、RAG 等功能
- 工具调用：支持自定义工具OpenAI的function call，支持MCP Server 的工具调用
- LLM 集成：支持OpenAI、Azure、Deepseek、Moonshot、Anthropic、ZhipuAI、Ollama、Together等多方大模型厂商的API
- 记忆功能：支持短期记忆和长期记忆功能
- Multi-Agent 协作：支持多Agent和任务委托(Team)的团队协作
- Workflow 工作流：拆解复杂任务为多个子工具任务，基于工作流自动化串行逐步完成任务
- 自我进化 Agent：具有反思和增强记忆能力的自我进化 Agent
- Web UI：兼容 ChatPilot，可以基于 Web 页面交互，支持主流的 open-webui、streamlit、gradio 等前端交互框架
Agentica 采用模块化设计，主要包括以下核心组件：
-
Agent Core：核心控制模块，负责 Agent 的创建和管理
agent.py：Agent 的核心实现agent_session.py：Agent 会话管理memory.py：记忆管理实现
-
Model Integration：模型接入层，支持多种 LLM 模型接口
- 支持 OpenAI、Azure、Moonshot、ZhipuAI 等多种模型
- 统一的模型调用接口，便于切换和比较
-
Tools System：工具调用系统，提供丰富的工具调用能力
- Web 搜索、OCR、图像生成、Shell 命令等内置工具
- 自定义工具支持，轻松扩展功能
-
Memory Management：记忆管理，实现短期和长期记忆功能
- 短期记忆：保存对话历史
- 长期记忆：持久化存储重要信息
-
Knowledge & RAG：知识库与检索增强生成
- 文档解析和向量化
- 混合检索策略
- 结果重排序
-
Multi-Agent Collaboration：多 Agent 协作，实现团队协作和任务委托
- Team 模式：多角色协作
- 任务委托：分配和监督子任务
-
Workflow Orchestration：工作流编排，支持复杂任务的拆解和执行
- 任务分解：将复杂任务拆分为子任务
- 自动化执行：按顺序或并行执行子任务
- 结果汇总：整合子任务结果
-
Storage：存储系统，支持 SQL 和向量数据库
- SQL：结构化数据存储
- 向量数据库：高效相似度搜索
-
MCP：Model Context Protocol 支持
- 支持 StreamableHttp/SSE/Stdio 三种 MCP Server
- 标准化模型交互协议
pip install -U agenticagit clone https://github.com/shibing624/agentica.git
cd agentica
pip install .-
复制.env.example文件为
~/.agentica/.env，并填写LLM api key(选填OPENAI_API_KEY、ZHIPUAI_API_KEY、MOONSHOT_API_KEY 等任一个)。或者使用export命令设置环境变量：export MOONSHOT_API_KEY=your_api_key export SERPER_API_KEY=your_serper_api_key
-
使用 agentica 构建 Agent 并执行：
from agentica import Agent, Moonshot, WeatherTool
m = Agent(model=Moonshot(), tools=[WeatherTool()], add_datetime_to_instructions=True)
m.print_response("明天北京天气咋样")output:
明天北京的天气预报如下：
- 早晨：晴朗，气温约18°C，风速较小，约为3 km/h。
- 中午：晴朗，气温升至23°C，风速6-7 km/h。
- 傍晚：晴朗，气温略降至21°C，风速较大，为35-44 km/h。
- 夜晚：晴朗转晴，气温下降至15°C，风速32-39 km/h。
全天无降水，能见度良好。请注意傍晚时分的风速较大，外出时需注意安全。创建和使用自定义工具：
from agentica import Agent, OpenAIChat, Tool
class CalculatorTool(Tool):
def __init__(self):
super().__init__(name="calculator")
self.register(self.calc)
def calc(self, expression: str):
try:
result = eval(expression)
return str(result)
except Exception as e:
return str(e)
agent = Agent(
model=OpenAIChat(id="gpt-4o"),
tools=[CalculatorTool()],
)
agent.print_response("计算 (123 + 456) * 789 的结果")Agentica 提供了丰富的功能示例，帮助您快速上手：
支持终端命令行快速搭建 Agentica Agent，使用简单的命令行参数即可完成。
code: cli.py
> agentica -h
usage: cli.py [-h] [--query QUERY]
[--model_provider {openai,azure,moonshot,zhipuai,deepseek,yi}]
[--model_name MODEL_NAME] [--api_base API_BASE]
[--api_key API_KEY] [--max_tokens MAX_TOKENS]
[--temperature TEMPERATURE] [--verbose VERBOSE]
[--tools [{search_serper,file_tool,shell_tool,yfinance_tool,web_search_pro,cogview,cogvideo,jina,wikipedia} ...]]
CLI for agentica
options:
-h, --help show this help message and exit
--query QUERY Question to ask the LLM
--model_provider {openai,azure,moonshot,zhipuai,deepseek,yi}
LLM model provider
--model_name MODEL_NAME
LLM model name to use, can be
gpt-4o/glm-4-flash/deepseek-chat/yi-lightning/...
--api_base API_BASE API base URL for the LLM
--api_key API_KEY API key for the LLM
--max_tokens MAX_TOKENS
Maximum number of tokens for the LLM
--temperature TEMPERATURE
Temperature for the LLM
--verbose VERBOSE enable verbose mode
--tools [{search_serper,file_tool,shell_tool,yfinance_tool,web_search_pro,cogview,cogvideo,jina,wikipedia} ...]
Tools to enable
run：
pip install agentica -U
# 单次调用，填入`--query`参数
agentica --query "下一届奥运会在哪里举办" --model_provider zhipuai --model_name glm-4-flash --tools web_search_pro
# 多次调用，多轮对话，不填`--query`参数
agentica --model_provider zhipuai --model_name glm-4-flash --tools web_search_pro cogview --verbose 1output:
2024-12-30 21:59:15,000 - agentica - INFO - Agentica CLI
>>> 帮我画个大象在月球上的图
> 我帮你画了一张大象在月球上的图，它看起来既滑稽又可爱。大象穿着宇航服，站在月球表面，背景是广阔的星空和地球。这张图色彩明亮，细节丰富，具有卡通风格。你可以点击下面的链接查看和下载这张图片：
shibing624/ChatPilot 兼容agentica，可以通过Web UI进行交互。
Web Demo: https://chat.mulanai.com
git clone https://github.com/shibing624/ChatPilot.git
cd ChatPilot
pip install -r requirements.txt
cp .env.example .env
bash start.shAgentica 适用于多种现实应用场景：
- 个人助理：构建具有记忆能力和工具使用能力的个性化助手
- 客服机器人：创建能够查询知识库、处理复杂问题的客服系统
- 专业领域助手：如法律助手、医疗咨询、教育辅导等专业领域的智能助手
- 智能文档分析：对 PDF、文本等文档进行深度理解和问答
- 企业知识库：构建企业内部知识管理系统，实现智能检索和问答
- 研究辅助工具：自动检索、汇总和分析研究资料，生成研究报告
- 内容创作：自动化撰写文章、教程、小说等创意内容
- 数据分析报告：自动收集数据、分析并生成可视化报告
- 投资研究：收集股票信息、分析市场趋势、生成投资建议
- 团队协作模拟：模拟不同角色的团队协作，如辩论、讨论、决策
- 复杂任务分解：将大型任务分解为子任务，由不同专业 Agent 协作完成
- 业务流程自动化：模拟企业内不同部门协作，实现业务流程自动化
- 图像理解与生成：结合视觉理解和图像生成能力的应用
- 语音交互系统：支持语音输入输出的对话系统
- 多媒体内容分析：分析视频、音频、图像等多媒体内容
| 特性 | Agentica | LangChain |
|---|---|---|
| 核心设计 | 以 Agent 为中心，强调 Agent 的自主性和能力 | 以 Chain 为中心，强调组件的链式调用 |
| 记忆管理 | 内置短期和长期记忆机制 | 需要额外配置记忆组件 |
| 多 Agent 协作 | 原生支持 Team 和任务委托 | 需要额外配置和开发 |
| 工作流编排 | 内置工作流系统，支持任务分解和执行 | 需要使用额外的编排工具 |
| 中文支持 | 优秀的中文支持和文档 | 主要面向英文用户 |
| 学习曲线 | 相对简单，API 设计直观 | 较为复杂，组件众多 |
| 社区生态 | 较小但增长迅速 | 庞大且活跃 |
| 特性 | Agentica | AutoGen |
|---|---|---|
| 核心设计 | 全面的 Agent 框架，支持多种功能 | 专注于多 Agent 对话和协作 |
| 工具集成 | 丰富的内置工具和自定义工具支持 | 较为基础的工具支持 |
| RAG 能力 | 内置知识库和 RAG 功能 | 需要额外集成 |
| 模型支持 | 支持多种国内外大模型 | 主要支持 OpenAI 等国际模型 |
| 部署便捷性 | 支持 CLI 和 Web UI 多种部署方式 | 主要面向开发者的 API |
| MCP 协议 | 支持 Model Context Protocol | 不支持 |
| 特性 | Agentica | CrewAI |
|---|---|---|
| 核心设计 | 全面的 Agent 框架 | 专注于 Agent 团队协作 |
| 单 Agent 能力 | 完整的单 Agent 功能集 | 相对简单的单 Agent 功能 |
| 工作流管理 | 灵活的工作流定义和执行 | 基于任务的工作流 |
| 记忆系统 | 复杂的记忆管理机制 | 基础的记忆功能 |
| 多模态支持 | 支持文本、图像、音频等多模态 | 主要支持文本 |
| 中文支持 | 良好的中文支持 | 有限的中文支持 |
Agentica 支持多种 LLM 模型，选择取决于您的具体需求：
- 对于复杂任务和高质量输出，推荐使用 OpenAI 的 GPT-4o 或 Moonshot 的 glm-4-flash
- 对于简单任务和快速响应，可以使用 OpenAI 的 GPT-3.5-turbo 或 Moonshot 的 moonshot-v1-8k
- 对于本地部署，可以使用 Ollama 提供的开源模型
Agentica 提供了灵活的工具自定义机制，您可以通过继承 Toolkit 类来创建自己的工具：
from agentica.tools.base import Tool
import json
class MyCustomTool(Tool):
def __init(self):
name = "my_custom_tool"
super().__init__(name=name)
self.register(self.run)
def run(self, **kwargs):
# 实现工具逻辑
return json.dumps({"result": "工具执行结果"})对于大型文档处理，建议使用 Agentica 的 RAG 功能：
- 使用
examples/20_advanced_rag_demo.py作为参考 - 将文档分割成适当大小的块
- 使用向量数据库存储文档嵌入
- 结合检索和生成能力回答问题
Agentica 提供了两种多 Agent 协作方式：
- Team 模式：使用
examples/31_team_news_article_demo.py作为参考，创建不同角色的 Agent 团队 - Workflow 模式：使用
examples/36_workflow_news_article_demo.py作为参考，将任务分解为多个步骤，由不同 Agent 执行
Agentica 应用可以通过多种方式部署到生产环境：
- 作为 API 服务：使用 FastAPI 或 Flask 封装 Agentica 功能
- 作为 Web 应用：使用 ChatPilot 提供 Web 界面
- 作为命令行工具：使用内置的 CLI 功能
- Issue(建议)
：
- 邮件我：xuming: xuming624@qq.com
- 微信我： 加我微信号：xuming624, 备注：姓名-公司-NLP 进NLP交流群。
如果你在研究中使用了 Agentica，请按如下格式引用：
APA:
Xu, M. agentica: A Human-Centric Framework for Large Language Model Agent Workflows (Version 0.0.2) [Computer software]. https://github.com/shibing624/agentica
BibTeX:
@misc{agentica,
author = {Ming Xu},
title = {Agentica: Effortlessly Build Intelligent, Reflective, and Collaborative Multimodal AI Agents},
year = {2024},
publisher = {GitHub},
journal = {GitHub Repository},
howpublished = {\url{https://github.com/shibing624/agentica}},
}授权协议为 The Apache License 2.0，可免费用做商业用途。请在产品说明中附加agentica的链接和授权协议。
我们欢迎各种形式的贡献，包括但不限于：
- 提交问题和功能请求
- 提交代码修复和新功能
- 改进文档和示例
- 分享使用案例和最佳实践
请查看 贡献指南 了解更多详情。
Thanks for their great work!