AutoAgent 全解析：零代码自然语言驱动的 LLM Agent 框架从安装到实战

AutoAgent 全解析零代码自然语言驱动的 LLM Agent 框架从安装到实战【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgentAutoAgent 是一款全自动、零代码的 LLM Agent 框架其核心思想是让用户仅凭自然语言对话即可创建、编排并部署 Agent、工具与工作流无需编写任何代码。本文将围绕项目官方 README 展开结合仓库源码CLI 入口、常量与环境变量解析、元代理实现 等深入讲解三大使用模式、安装配置、CLI 启动、多 LLM 适配与论文结果复现流程帮助你从零开始跑通 AutoAgent并理解其自开发Self-Developing能力背后的调用链设计。一、AutoAgent 是什么核心特性一览AutoAgent 是原 MetaChain 项目的更名升级版v0.2.0定位为Fully-Automated Zero-Code LLM Agent Framework。它不是一个给你一堆基座 Agent 让你自己拼装的框架而是让LLM 自己根据自然语言需求去生成 Agent、工具与工作流官方称之为高度自我开发Self-Developing的框架。其核心特性源自 README 的 Key Features可归纳为五条自然语言驱动的 Agent 构建Natural Language-Driven Agent Building仅通过自然语言对话即可自动构建并编排协作式 Agent 系统彻底省去手工编码与技术配置。零代码框架Zero-Code Framework不要求任何编程经验任何人都能用自然语言创建、定制自己的 Agent、工具与工作流从而民主化 AI 开发。自管理工作流生成Self-Managing Workflow Generation基于高层任务描述动态创建、优化与适配 Agent 工作流——即使你无法完整描述实现细节系统也能补全。智能资源编排Intelligent Resource Orchestration通过迭代式自我改进受控地生成代码来创建工具、Agent 与工作流同时支持单 Agent 创建与多 Agent 工作流生成。自博弈式 Agent 定制Self-Play Agent Customization以创建→运行测试→失败重试→自我改进的循环完成 Agent 定制保证产物可运行、可验证。这五条特性共同指向一个事实在 AutoAgent 中编程者是 LLM 本身用户只负责描述我想要什么。二、三大使用模式从现成到定制的三种路径AutoAgent 在启动页提供三种模式对应 cli.py 中的single_select_menu分支模式定位说明user mode深度研究Deep Research Agents开箱即用的多 Agent 研究助手负责信息检索、复杂分析与报告生成agent editor无工作流的 Agent 创建用自然语言直接创建工具与 Agent可单 Agent 或多 Agent 编排workflow editor带工作流的 Agent 创建用自然语言创建 Agent 工作流注意当前暂不支持在该模式内创建工具下面分别结合源码深入剖析。2.1user mode开箱即用的深度研究多 Agent 系统user mode是 AutoAgent 内置的开箱即用多 Agent 系统定位为完整的 AI 研究助理可用于信息检索、复杂分析任务与综合报告生成。README 总结了它的五个优势高性能能力对标 Deep Research采用 Claude 3.5 级别的模型而非 OpenAI o3。模型灵活兼容任意 LLM包括 DeepSeek-R1、Grok、Gemini 等。高性价比作为开源方案可替代约 $200/月的 Deep Research 订阅。易用提供易于部署的 CLI 交互界面。文件支持支持文件上传增强数据交互能力。源码级印证从 cli.py 可以看到user_mode的核心是get_system_triage_agent(model)构建的System Triage Agent系统分流 Agent其定义在 system_triage_agent.py。它是一个调度中枢职责是根据当前任务上下文判断哪个子 Agent 最合适并将对话转移过去直到任务完成。它管理的三个子 Agent 分别是File Surfer Agentfilesurfer_agent打开并浏览任意类型的本地文件Web Surfer Agentwebsurfer_agent打开任意网站并浏览内容Coding Agentcoding_agent编写代码解决复杂任务。调度通过transfer_to_filesurfer_agent、transfer_to_websurfer_agent、transfer_to_coding_agent三个转移工具完成子 Agent 完成任务后再通过transfer_back_to_triage_agent把会话交还给分流 Agent——这正是分流→执行→回流的三层协作循环。在交互上CLI 支持输入Agent名直接指定由某个 Agent 处理如Web_Surfer_Agent也支持Upload_files上传本地文件输入exit即可退出见 cli.py。2.2agent editor无工作流地对话式造 Agentagent editor是 AutoAgent 最具辨识度的能力不写一行代码用自然语言对话创建工具与 Agent。其完整流程可拆解为四个阶段对应 README 中的四张流程截图输入需求requirement描述你想创建什么样的 Agent自动画像automated agent profiling系统生成 XML 格式的 Agent 表单输出画像agent profiles展示解析后的 Agent 表单创建工具tools→ 创建 Agentagents先补齐所需新工具并逐一测试再创建单个 Agent 或多个 Agent通过编排器连接最后用run_agent运行测试成功后进入下一步。源码级印证agent editor的编排逻辑位于 metachain_meta_agent.py它依次驱动三个元代理Meta AgentAgent Former Agentagent_former.py执行agent_profiling把用户需求转化为agents.../agents包裹的 XML 表单并用 form_complie.py 中的parse_agent_form解析校验失败时最多自动重试 3 次MAX_RETRY 3Tool Editor Agenttool_editor.py执行tool_editing为表单中标记为新建的工具逐一调用create_tool并强制用run_tool测试通过后才能结束否则走case_not_resolved进入重试Agent Creator Agentagent_creator.py执行agent_editing调用create_agent创建单个 Agent若需多个 Agent则必须调用create_orchestrator_agent创建编排器最后用run_agent运行测试。整个过程采用必须验证成功才能停止的策略case_resolved/case_not_resolved两个哨兵工具决定了循环是否终止失败会自动携带错误信息重试最多 3 轮。这正是 README 所说Self-Play Agent Customization / 迭代式自我改进的具体实现。2.3workflow editor带工作流的自然语言创建workflow editor与agent editor思路一致区别在于输出对象是**工作流Workflow**而非单个 Agent。README 特别提示该模式当前不支持工具创建。源码级印证编排逻辑位于 metachain_meta_workflow.py同样分成两步Workflow Profilingworkflow_profiling让 Workflow Former Agent 输出 XML 格式的工作流表单由 worklow_form_complie.py 的parse_workflow_form解析为WorkflowForm失败最多重试 3 次Workflow Editingworkflow_editing让 Workflow Creator Agent 先创建工作流表单中标记为new的新 Agent若指定了工具列表则带上否则用空工具列表[]再调用create_workflow创建工作流最后用run_workflow运行测试成功后才通过case_resolved结束。三、Quick Start安装与环境准备3.1 安装 AutoAgent克隆仓库并使用可编辑模式安装git clone https://gitcode.com/GitHub_Trending/au/AutoAgent.git cd AutoAgent pip install -e .安装后即获得auto命令入口。从 setup.cfg 可以看到其注册方式[options.entry_points] console_scripts auto autoagent.cli:cli也就是说auto命令最终指向 autoagent/cli.py 中的 Click CLI 组。3.2 Docker 安装AutoAgent 使用 Docker 将Agent 交互环境代码执行环境容器化因此需要先安装 Docker。无需手动拉取预构建镜像——AutoAgent 会根据你机器的 CPU 架构自动选择并拉取对应镜像。这一逻辑在 constant.py 中实现x86/amd64 架构使用tjbtech1/metachain:amd64_latestARM 或其他架构使用tjbtech1/metachain:latest你也可以通过环境变量BASE_IMAGES手动指定镜像。3.3 API Keys 配置仿照项目中的.env.template创建环境变量文件.env填入你需要的 LLM API Key。并非所有 Key 都是必需的按需配置即可# 必填你自己的 GitHub Token GITHUB_AI_TOKEN # 可选 API Keys OPENAI_API_KEY DEEPSEEK_API_KEY ANTHROPIC_API_KEY GEMINI_API_KEY HUGGINGFACE_API_KEY GROQ_API_KEY XAI_API_KEY其中GITHUB_AI_TOKEN是agent editor / workflow editor 模式所必需的AutoAgent 会在容器内克隆一份 AutoAgent 仓库镜像让框架自我更新自动新增工具、Agent、工作流因此需要该 Token 完成拉取操作。.env文件会在导入时被自动加载见 constant.py 的load_dotenv()。四、CLI 模式启动auto main与auto deep-research4.1 两个入口命令auto main启动 AutoAgent 完整功能包含user mode、agent editor、workflow editor三种模式cli.pyauto deep-research只启动轻量版user mode对标独立的 Auto-Deep-Research 项目cli.py。启动后你会看到 AutoAgent 的启动页随后通过方向键选择模式进入交互。4.2 命令行选项详解选项 / 环境变量说明默认值--container_nameDocker 容器名称deepresearchauto deep-research/auto_agentauto main见 cli.py--port容器通信端口12346auto deep-research/12347auto mainCOMPLETION_MODEL指定使用的 LLM 模型名需遵循 LiteLLM 的模型命名规范claude-3-5-sonnet-20241022DEBUG是否开启调试模式输出详细日志FalseAPI_BASE_URLLLM 提供方的 Base URLNoneFN_CALL是否启用函数调用Function CallingNone通常无需手动设置框架会按模型名自动推断git_clone是否在本地环境克隆 AutoAgent 仓库镜像仅auto main支持Truetest_pull_name测试拉取分支名仅auto main支持autoagent_mirrorlocal_env是否使用本地环境代替 Docker 容器False关于FN_CALL的自动推断在 constant.py 中定义了一组模型名单——NOT_SUPPORT_FN_CALL如o1-mini、deepseek-reasoner、deepseek-r1、llama、grok-2和NOT_USE_FN_CALL在上一组基础上追加deepseek-chat。当COMPLETION_MODEL命中这些名单时FN_CALL会被自动置为False并进入非函数调用模式ADD_USER也会根据MUST_ADD_USER名单deepseek-reasoner、o1-mini、deepseek-r1自动开启。因此 README 建议大多数情况下可以忽略这个选项。关于git_clone与test_pull_name的细节在agent editor与workflow editor模式下AutoAgent 需要克隆一份仓库镜像到本地 Agent 交互环境以便自我更新自动新增工具、Agent、工作流。因此若想使用这两种模式应保持git_cloneTrue并将test_pull_name设为autoagent_mirror或其它你指定的分支。4.3 不同 LLM Provider 的启动示例以下命令均以auto main为例auto deep-research用法类似细节可参考 Auto-Deep-Research 项目。AnthropicClaude默认在.env中设置ANTHROPIC_API_KEYyour_anthropic_api_key启动默认模型即为 Claudeauto mainOpenAIOPENAI_API_KEYyour_openai_api_keyCOMPLETION_MODELgpt-4o auto mainMistralMISTRAL_API_KEYyour_mistral_api_keyCOMPLETION_MODELmistral/mistral-large-2407 auto mainGeminiGoogle AI StudioGEMINI_API_KEYyour_gemini_api_keyCOMPLETION_MODELgemini/gemini-2.0-flash auto mainHugging FaceHUGGINGFACE_API_KEYyour_huggingface_api_keyCOMPLETION_MODELhuggingface/meta-llama/Llama-3.3-70B-Instruct auto mainGroqGROQ_API_KEYyour_groq_api_keyCOMPLETION_MODELgroq/deepseek-r1-distill-llama-70b auto mainOpenAI 兼容端点如 GrokOPENAI_API_KEYyour_api_key_for_openai_compatible_endpointsCOMPLETION_MODELopenai/grok-2-latest API_BASE_URLhttps://api.x.ai/v1 auto mainOpenRouter如 DeepSeek-R1建议暂时推荐使用 OpenRouter 作为 DeepSeek-R1 的 LLM 提供方因为 DeepSeek-R1 官方 API 目前无法高效使用。OPENROUTER_API_KEYyour_openrouter_api_keyCOMPLETION_MODELopenrouter/deepseek/deepseek-r1 auto mainDeepSeekDEEPSEEK_API_KEYyour_deepseek_api_keyCOMPLETION_MODELdeepseek/deepseek-chat auto main需要说明上述.env中的 Provider 对应 Key 在 constant.py 中会通过os.getenv读取如ANTHROPIC_API_KEY、GEMINI_API_KEY等最终交给底层的 LiteLLM 统一调用因此模型命名必须遵循 LiteLLM 规范如mistral/...、gemini/...、openrouter/...的前缀约定。4.4 CLI 交互体验启动后user mode与三个元代理模式都支持输入直接提及某个 Agent、Tab 自动补全 Agent 名称所有模式的退出方式均为输入exit。auto main启动时还会初始化三类运行环境见 cli.py代码环境DockerEnv执行代码、网页环境BrowserEnv浏览网页、文件环境RequestsMarkdownBrowser读写文件并把它们作为context_variables注入 Agent 上下文。五、进阶技巧Cookies 导入与第三方工具平台5.1 将浏览器 Cookies 导入浏览器环境为了让 Agent 更好地访问某些特定网站如需要登录的学术站点你可以把真实浏览器的 Cookies 导入 AutoAgent 的浏览器环境。具体步骤详见 autoagent/environment/cookie_json/README.md使用 Google Chrome 浏览器安装扩展Export cookie JSON file for Puppeteer登录目标网站后用扩展导出 Cookies将 JSON 文件保存到autoagent/environment/cookie_json/目录执行转换命令将所有 JSON 合并生成 Python 代码文件cd path/to/AutoAgent python autoagent/environment/browser_cookies.py该脚本browser_cookies.py会遍历cookie_json目录下所有*.json文件汇总为cookies_data.py中的COOKIES_LIST供浏览器环境加载。README 建议优先导出的站点包括archive.org、github.com、nature.com、orcid.org、collinsdictionary.com、jstor.org、ncbi.nlm.nih.gov、pnas.org、reddit.com、researchgate.net、youtube.com 等。5.2 为第三方工具平台如 RapidAPI添加自己的 API Key若想从第三方工具平台如 RapidAPI创建工具需要先在平台上订阅相应工具然后运行 process_tool_docs.py 把你的 API Key 写入工具文档python process_tool_docs.py脚本会读取tool_docs.csv列出所有 RapidAPI 工具交互式询问你的 RapidAPI API Key并把文档中所有YOUR_RAPID_API_KEY占位符替换为真实 Key 后写回process_tool_docs.py。更方便的工具平台如 Composio集成正在开发中。六、复现论文结果GAIA 与 Agentic-RAGAutoAgent 论文的实验结果可通过仓库中的评测脚本复现。注意评测环境变量会覆盖默认配置如EVAL_MODETrue、BASE_IMAGEStjbtech1/gaia-bookworm:v2具体可见评测脚本头部。6.1 GAIA Benchmark运行推理cd path/to/AutoAgent sh evaluation/gaia/scripts/run_infer.sh该脚本run_infer.sh设置COMPLETION_MODELclaude-3-5-sonnet-20241022、agent_funcget_system_triage_agent即复用user mode的分流 Agent 架构等环境变量后调用 evaluation/gaia/run_infer.py 执行评测。评分cd path/to/AutoAgent python evaluation/gaia/get_score.py6.2 Agentic-RAGMultiHopRAGStep 1前往 Hugging Face 数据集页面下载 MultiHopRAG 数据集保存到你的数据路径。Step 2运行推理脚本cd path/to/AutoAgent sh evaluation/multihoprag/scripts/run_rag.sh脚本run_rag.sh同样通过环境变量指定评测容器与模型默认gpt-4o-mini-2024-07-18随后调用 evaluation/multihoprag/run_rag.py。Step 3结果将保存到evaluation/multihoprag/result.json。七、路线图与引用AutoAgent 仍在持续演进README 公布了以下开发计划扩展SWE-bench、WebArena等更多基准评测支持Computer-Use类型的 GUI Agent集成Composio等更多工具平台支持E2B等更多代码沙箱环境以及开发完整的Web GUI 界面。如果你在研究或工程中使用 AutoAgent可按如下方式引用节选自 READMEmisc{AutoAgent, title{{AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents}}, author{Jiabin Tang, Tianyu Fan, Chao Huang}, year{2025}, eprint{202502.05957}, archivePrefix{arXiv}, primaryClass{cs.AI}, }八、总结AutoAgent 的价值在于把创建 Agent这件事本身也交给了 LLMuser mode提供开箱即用的深度研究多 Agent 系统agent editor与workflow editor则通过表单画像 → 工具创建与测试 → Agent/工作流创建与运行验证的元代理流水线让零代码用户也能获得可运行、经过实测的自定义 Agent。从 constant.py 的环境变量自动推断、cli.py 的三模式编排到 metachain_meta_agent.py 与 metachain_meta_workflow.py 的必须运行成功才停止重试机制整个框架都贯彻了全自动、自我开发的设计哲学——你只需要描述需求剩下的交给 AutoAgent。【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考