[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-HKUDS--AutoAgent":3,"tool-HKUDS--AutoAgent":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",152630,2,"2026-04-12T23:33:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":133},7067,"HKUDS\u002FAutoAgent","AutoAgent","\"AutoAgent: Fully-Automated and Zero-Code LLM Agent Framework\"","AutoAgent 是一款完全自动化且无需编写代码的大语言模型（LLM）智能体框架。它旨在打破技术壁垒，让用户仅通过自然语言对话，即可轻松创建、部署并管理复杂的 AI 智能体系统。\n\n传统智能体开发往往依赖编程能力和繁琐的配置，而 AutoAgent 彻底解决了这一痛点。用户无需具备任何编码经验，只需描述任务目标，框架便能自动理解意图，动态生成并优化工作流程，甚至自主编写代码来构建所需的工具和智能体。其独特的“自演进”机制支持系统在迭代中自我完善，既能胜任单一任务，也能协调多智能体协作，实现从需求到落地的高度自动化。\n\n这款工具非常适合希望快速应用 AI 能力的普通用户、业务分析师，以及想要降低原型开发成本的设计师和研究人员。对于开发者而言，它也是一个高效的实验平台，能大幅缩短从想法到验证的周期。AutoAgent 让每个人都能成为 AI 智能体的构建者，真正实现了“所说即所得”的智能开发体验。","\u003Ca name=\"readme-top\">\u003C\u002Fa>\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\".\u002Fassets\u002FAutoAgent_logo.svg\" alt=\"Logo\" width=\"200\">\n  \u003Ch1 align=\"center\">AutoAgent: Fully-Automated & Zero-Code\u003C\u002Fbr> LLM Agent Framework \u003C\u002Fh1>\n\u003C\u002Fdiv>\n\n\n\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fautoagent-ai.github.io\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-Page-blue?style=for-the-badge&color=FFE165&logo=homepage&logoColor=white\" alt=\"Credits\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fmetachain-workspace\u002Fshared_invite\u002Fzt-2zibtmutw-v7xOJObBf9jE2w3x7nctFQ\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-Join%20Us-red?logo=slack&logoColor=white&style=for-the-badge\" alt=\"Join our Slack community\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FjQJdXyDB\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-Join%20Us-purple?logo=discord&logoColor=white&style=for-the-badge\" alt=\"Join our Discord community\">\u003C\u002Fa>\n  \u003C!-- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fblob\u002Fmain\u002Fassets\u002Fautoagent-wechat.jpg\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWechat-Join%20Us-green?logo=wechat&logoColor=white&style=for-the-badge\" alt=\"Join our Wechat community\">\u003C\u002Fa> -->\n  \u003Ca href=\".\u002FCommunication.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F💬Feishu-Group-07c160?style=for-the-badge&logoColor=white&labelColor=1a1a2e\">\u003C\u002Fa>\n  \u003Ca href=\".\u002FCommunication.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-Group-07c160?style=for-the-badge&logo=wechat&logoColor=white&labelColor=1a1a2e\">\u003C\u002Fa>\n  \n  \u003Cbr\u002F>\n  \u003Ca href=\"https:\u002F\u002Fautoagent-ai.github.io\u002Fdocs\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-000?logo=googledocs&logoColor=FFE165&style=for-the-badge\" alt=\"Check out the documentation\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper%20on%20Arxiv-000?logoColor=FFE165&logo=arxiv&style=for-the-badge\" alt=\"Paper\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgaia-benchmark-leaderboard.hf.space\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGAIA%20Benchmark-000?logoColor=FFE165&logo=huggingface&style=for-the-badge\" alt=\"Evaluation Benchmark Score\">\u003C\u002Fa>\n  \u003Chr>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Ftrendshift.io\u002Frepositories\u002F13954\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_1145cd82417e.png\" alt=\"HKUDS%2FAutoAgent | Trendshift\" style=\"width: 250px; height: 55px;\" width=\"250\" height=\"55\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\nWelcome to AutoAgent! AutoAgent is a **Fully-Automated** and highly **Self-Developing** framework that enables users to create and deploy LLM agents through **Natural Language Alone**. \n\n## ✨Key Features of AutoAgent\n\n* 💬 **Natural Language-Driven Agent Building** \n\u003C\u002Fbr>Automatically constructs and orchestrates collaborative agent systems purely through natural dialogue, eliminating the need for manual coding or technical configuration.\n\n* 🚀 **Zero-Code Framework**\n\u003C\u002Fbr>Democratizes AI development by allowing anyone, regardless of coding experience, to create and customize their own agents, tools, and workflows using natural language alone.\n\n* ⚡ **Self-Managing Workflow Generation**\n\u003C\u002Fbr>Dynamically creates, optimizes and adapts agent workflows based on high-level task descriptions, even when users cannot fully specify implementation details.\n\n* 🔧 **Intelligent Resource Orchestration**\n\u003C\u002Fbr>Enables controlled code generation for creating tools, agents, and workflows through iterative self-improvement, supporting both single agent creation and multi-agent workflow generation.\n\n* 🎯 **Self-Play Agent Customization** \n\u003C\u002Fbr>Enables controlled code generation for creating tools, agents, and workflows through iterative self-improvement, supporting both single agent creation and multi-agent workflow generation.\n\n🚀 Unlock the Future of LLM Agents. Try 🔥AutoAgent🔥 Now!\n\n\u003Cdiv align=\"center\">\n  \u003C!-- \u003Cimg src=\".\u002Fassets\u002FAutoAgentnew-intro.pdf\" alt=\"Logo\" width=\"100%\"> -->\n  \u003Cfigure>\n    \u003Cimg src=\".\u002Fassets\u002Fautoagent-intro.svg\" alt=\"Logo\" style=\"max-width: 100%; height: auto;\">\n    \u003Cfigcaption>\u003Cem>Quick Overview of AutoAgent.\u003C\u002Fem>\u003C\u002Ffigcaption>\n  \u003C\u002Ffigure>\n\u003C\u002Fdiv>\n\n\n\n## 🔥 News\n\n\u003Cdiv class=\"scrollable\">\n    \u003Cul>\n      \u003Cli>\u003Cstrong>[2025, Feb 17]\u003C\u002Fstrong>:  🎉🎉We've updated and released AutoAgent v0.2.0 (formerly known as MetaChain). Detailed changes include: 1) fix the bug of different LLM providers from issues; 2) add automatic installation of AutoAgent in the container environment according to issues; 3) add more easy-to-use commands for the CLI mode. 4) Rename the project to AutoAgent for better understanding.\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>[2025, Feb 10]\u003C\u002Fstrong>:  🎉🎉We've released \u003Cb>MetaChain!\u003C\u002Fb>, including framework, evaluation codes and CLI mode! Check our \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957\">paper\u003C\u002Fa> for more details.\u003C\u002Fli>\n    \u003C\u002Ful>\n\u003C\u002Fdiv>\n\u003Cspan id='table-of-contents'\u002F>\n\n## 📑 Table of Contents\n\n* \u003Ca href='#features'>✨ Features\u003C\u002Fa>\n* \u003Ca href='#news'>🔥 News\u003C\u002Fa>\n* \u003Ca href='#how-to-use'>🔍 How to Use AutoAgent\u003C\u002Fa>\n  * \u003Ca href='#user-mode'>1. `user mode` (Deep Research Agents)\u003C\u002Fa>\n  * \u003Ca href='#agent-editor'>2. `agent editor` (Agent Creation without Workflow)\u003C\u002Fa>\n  * \u003Ca href='#workflow-editor'>3. `workflow editor` (Agent Creation with Workflow)\u003C\u002Fa>\n* \u003Ca href='#quick-start'>⚡ Quick Start\u003C\u002Fa>\n  * \u003Ca href='#installation'>Installation\u003C\u002Fa>\n  * \u003Ca href='#api-keys-setup'>API Keys Setup\u003C\u002Fa>\n  * \u003Ca href='#start-with-cli-mode'>Start with CLI Mode\u003C\u002Fa>\n* \u003Ca href='#todo'>☑️ Todo List\u003C\u002Fa>\n* \u003Ca href='#reproduce'>🔬 How To Reproduce the Results in the Paper\u003C\u002Fa>\n* \u003Ca href='#documentation'>📖 Documentation\u003C\u002Fa>\n* \u003Ca href='#community'>🤝 Join the Community\u003C\u002Fa>\n* \u003Ca href='#acknowledgements'>🙏 Acknowledgements\u003C\u002Fa>\n* \u003Ca href='#cite'>🌟 Cite\u003C\u002Fa>\n\n\u003Cspan id='how-to-use'\u002F>\n\n## 🔍 How to Use AutoAgent\n\n\u003Cspan id='user-mode'\u002F>\n\n### 1. `user mode` (Deep Research Agents)\n\nAutoAgent features a ready-to-use multi-agent system accessible through user mode on the start page. This system serves as a comprehensive AI research assistant designed for information retrieval, complex analytical tasks, and comprehensive report generation.\n\n- 🚀 **High Performance**: Matches Deep Research using Claude 3.5 rather than OpenAI's o3 model.\n- 🔄 **Model Flexibility**: Compatible with any LLM (including Deepseek-R1, Grok, Gemini, etc.)\n- 💰 **Cost-Effective**: Open-source alternative to Deep Research's $200\u002Fmonth subscription\n- 🎯 **User-Friendly**: Easy-to-deploy CLI interface for seamless interaction\n- 📁 **File Support**: Handles file uploads for enhanced data interaction\n\n\u003Cdiv align=\"center\">\n  \u003Cvideo width=\"80%\" controls>\n    \u003Csource src=\".\u002Fassets\u002Fvideo_v1_compressed.mp4\" type=\"video\u002Fmp4\">\n  \u003C\u002Fvideo>\n  \u003Cp>\u003Cem>🎥 Deep Research (aka User Mode)\u003C\u002Fem>\u003C\u002Fp>\n\u003C\u002Fdiv>\n\n\n\n\u003Cspan id='agent-editor'\u002F>\n\n### 2. `agent editor` (Agent Creation without Workflow)\n\nThe most distinctive feature of AutoAgent is its natural language customization capability. Unlike other agent frameworks, AutoAgent allows you to create tools, agents, and workflows using natural language alone. Simply choose `agent editor` or `workflow editor` mode to start your journey of building agents through conversations.\n\nYou can use `agent editor` as shown in the following figure.\n\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_0b3ab34480e7.png\" alt=\"requirement\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Input what kind of agent you want to create.\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_bdc67d6f2519.png\" alt=\"profiling\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Automated agent profiling.\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_8a08f8954269.png\" alt=\"profiles\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Output the agent profiles.\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_7e06b8eeb72f.png\" alt=\"tools\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Create the desired tools.\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_603c67d0ae4b.png\" alt=\"task\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Input what do you want to complete with the agent. (Optional)\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_efcc075d0fb0.png\" alt=\"output\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Create the desired agent(s) and go to the next step.\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003Cspan id='workflow-editor'\u002F>\n\n### 3. `workflow editor` (Agent Creation with Workflow)\n\nYou can also create the agent workflows using natural language description with the `workflow editor` mode, as shown in the following figure. (Tips: this mode does not support tool creation temporarily.)\n\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_cab45cdbfd10.png\" alt=\"requirement\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Input what kind of workflow you want to create.\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_42d91c6fb1ca.png\" alt=\"profiling\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Automated workflow profiling.\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_89ad1ec9fa94.png\" alt=\"profiles\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Output the workflow profiles.\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_7b55a1854f8f.png\" alt=\"task\" width=\"66%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Input what do you want to complete with the workflow. (Optional)\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_982bb5835dc6.png\" alt=\"output\" width=\"66%\"\u002F>\n        \u003Cbr>\n        \u003Cem>Create the desired workflow(s) and go to the next step.\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003Cspan id='quick-start'\u002F>\n\n## ⚡ Quick Start\n\n\u003Cspan id='installation'\u002F>\n\n### Installation\n\n#### AutoAgent Installation\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent.git\ncd AutoAgent\npip install -e .\n```\n\n#### Docker Installation\n\nWe use Docker to containerize the agent-interactive environment. So please install [Docker](https:\u002F\u002Fwww.docker.com\u002F) first. You don't need to manually pull the pre-built image, because we have let Auto-Deep-Research **automatically pull the pre-built image based on your architecture of your machine**.\n\n\u003Cspan id='api-keys-setup'\u002F>\n\n### API Keys Setup\n\nCreate an environment variable file, just like `.env.template`, and set the API keys for the LLMs you want to use. Not every LLM API Key is required, use what you need.\n\n```bash\n# Required Github Tokens of your own\nGITHUB_AI_TOKEN=\n\n# Optional API Keys\nOPENAI_API_KEY=\nDEEPSEEK_API_KEY=\nANTHROPIC_API_KEY=\nGEMINI_API_KEY=\nHUGGINGFACE_API_KEY=\nGROQ_API_KEY=\nXAI_API_KEY=\n```\n\n\u003Cspan id='start-with-cli-mode'\u002F>\n\n### Start with CLI Mode\n\n> [🚨 **News**: ] We have updated a more easy-to-use command to start the CLI mode and fix the bug of different LLM providers from issues. You can follow the following steps to start the CLI mode with different LLM providers with much less configuration.\n\n#### Command Options:\n\nYou can run `auto main` to start full part of AutoAgent, including `user mode`, `agent editor` and `workflow editor`. Btw, you can also run `auto deep-research` to start more lightweight `user mode`, just like the [Auto-Deep-Research](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAuto-Deep-Research) project. Some configuration of this command is shown below. \n\n- `--container_name`: Name of the Docker container (default: 'deepresearch')\n- `--port`: Port for the container (default: 12346)\n- `COMPLETION_MODEL`: Specify the LLM model to use, you should follow the name of [Litellm](https:\u002F\u002Fgithub.com\u002FBerriAI\u002Flitellm) to set the model name. (Default: `claude-3-5-sonnet-20241022`)\n- `DEBUG`: Enable debug mode for detailed logs (default: False)\n- `API_BASE_URL`: The base URL for the LLM provider (default: None)\n- `FN_CALL`: Enable function calling (default: None). Most of time, you could ignore this option because we have already set the default value based on the model name.\n- `git_clone`: Clone the AutoAgent repository to the local environment (only support with the `auto main` command, default: True)\n- `test_pull_name`: The name of the test pull. (only support with the `auto main` command, default: 'autoagent_mirror')\n\n#### More details about `git_clone` and `test_pull_name`] \n\nIn the `agent editor` and `workflow editor` mode, we should clone a mirror of the AutoAgent repository to the local agent-interactive environment and let our **AutoAgent** automatically update the AutoAgent itself, such as creating new tools, agents and workflows. So if you want to use the `agent editor` and `workflow editor` mode, you should set the `git_clone` to True and set the `test_pull_name` to 'autoagent_mirror' or other branches.\n\n#### `auto main` with different LLM Providers\n\nThen I will show you how to use the full part of AutoAgent with the `auto main` command and different LLM providers. If you want to use the `auto deep-research` command, you can refer to the [Auto-Deep-Research](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAuto-Deep-Research) project for more details.\n\n##### Anthropic\n\n* set the `ANTHROPIC_API_KEY` in the `.env` file.\n\n```bash\nANTHROPIC_API_KEY=your_anthropic_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nauto main # default model is claude-3-5-sonnet-20241022\n```\n\n##### OpenAI\n\n* set the `OPENAI_API_KEY` in the `.env` file.\n\n```bash\nOPENAI_API_KEY=your_openai_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=gpt-4o auto main\n```\n\n##### Mistral\n\n* set the `MISTRAL_API_KEY` in the `.env` file.\n\n```bash\nMISTRAL_API_KEY=your_mistral_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=mistral\u002Fmistral-large-2407 auto main\n```\n\n##### Gemini - Google AI Studio\n\n* set the `GEMINI_API_KEY` in the `.env` file.\n\n```bash\nGEMINI_API_KEY=your_gemini_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=gemini\u002Fgemini-2.0-flash auto main\n```\n\n##### Huggingface\n\n* set the `HUGGINGFACE_API_KEY` in the `.env` file.\n\n```bash\nHUGGINGFACE_API_KEY=your_huggingface_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=huggingface\u002Fmeta-llama\u002FLlama-3.3-70B-Instruct auto main\n```\n\n##### Groq\n\n* set the `GROQ_API_KEY` in the `.env` file.\n\n```bash\nGROQ_API_KEY=your_groq_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=groq\u002Fdeepseek-r1-distill-llama-70b auto main\n```\n\n##### OpenAI-Compatible Endpoints (e.g., Grok)\n\n* set the `OPENAI_API_KEY` in the `.env` file.\n\n```bash\nOPENAI_API_KEY=your_api_key_for_openai_compatible_endpoints\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=openai\u002Fgrok-2-latest API_BASE_URL=https:\u002F\u002Fapi.x.ai\u002Fv1 auto main\n```\n\n##### OpenRouter (e.g., DeepSeek-R1)\n\nWe recommend using OpenRouter as LLM provider of DeepSeek-R1 temporarily. Because official API of DeepSeek-R1 can not be used efficiently.\n\n* set the `OPENROUTER_API_KEY` in the `.env` file.\n\n```bash\nOPENROUTER_API_KEY=your_openrouter_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=openrouter\u002Fdeepseek\u002Fdeepseek-r1 auto main\n```\n\n##### DeepSeek\n\n* set the `DEEPSEEK_API_KEY` in the `.env` file.\n\n```bash\nDEEPSEEK_API_KEY=your_deepseek_api_key\n```\n\n* run the following command to start Auto-Deep-Research.\n\n```bash\nCOMPLETION_MODEL=deepseek\u002Fdeepseek-chat auto main\n```\n\n\nAfter the CLI mode is started, you can see the start page of AutoAgent: \n\n\u003Cdiv align=\"center\">\n  \u003C!-- \u003Cimg src=\".\u002Fassets\u002FAutoAgentnew-intro.pdf\" alt=\"Logo\" width=\"100%\"> -->\n  \u003Cfigure>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_610fb85a399d.png\" alt=\"Logo\" style=\"max-width: 100%; height: auto;\">\n    \u003Cfigcaption>\u003Cem>Start Page of AutoAgent.\u003C\u002Fem>\u003C\u002Ffigcaption>\n  \u003C\u002Ffigure>\n\u003C\u002Fdiv>\n\n### Tips\n\n#### Import browser cookies to browser environment\n\nYou can import the browser cookies to the browser environment to let the agent better access some specific websites. For more details, please refer to the [cookies](.\u002FAutoAgent\u002Fenvironment\u002Fcookie_json\u002FREADME.md) folder.\n\n#### Add your own API keys for third-party Tool Platforms\n\nIf you want to create tools from the third-party tool platforms, such as RapidAPI, you should subscribe tools from the platform and add your own API keys by running [process_tool_docs.py](.\u002Fprocess_tool_docs.py). \n\n```bash\npython process_tool_docs.py\n```\n\nMore features coming soon! 🚀 **Web GUI interface** under development.\n\n\n\n\u003Cspan id='todo'\u002F>\n\n## ☑️ Todo List\n\nAutoAgent is continuously evolving! Here's what's coming:\n\n- 📊 **More Benchmarks**: Expanding evaluations to **SWE-bench**, **WebArena**, and more\n- 🖥️ **GUI Agent**: Supporting *Computer-Use* agents with GUI interaction\n- 🔧 **Tool Platforms**: Integration with more platforms like **Composio**\n- 🏗️ **Code Sandboxes**: Supporting additional environments like **E2B**\n- 🎨 **Web Interface**: Developing comprehensive GUI for better user experience\n\nHave ideas or suggestions? Feel free to open an issue! Stay tuned for more exciting updates! 🚀\n\n\u003Cspan id='reproduce'\u002F>\n\n## 🔬 How To Reproduce the Results in the Paper\n\n### GAIA Benchmark\nFor the GAIA benchmark, you can run the following command to run the inference.\n\n```bash\ncd path\u002Fto\u002FAutoAgent && sh evaluation\u002Fgaia\u002Fscripts\u002Frun_infer.sh\n```\n\nFor the evaluation, you can run the following command.\n\n```bash\ncd path\u002Fto\u002FAutoAgent && python evaluation\u002Fgaia\u002Fget_score.py\n```\n\n### Agentic-RAG\n\nFor the Agentic-RAG task, you can run the following command to run the inference.\n\nStep1. Turn to [this page](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fyixuantt\u002FMultiHopRAG) and download it. Save them to your datapath.\n\nStep2. Run the following command to run the inference.\n\n```bash\ncd path\u002Fto\u002FAutoAgent && sh evaluation\u002Fmultihoprag\u002Fscripts\u002Frun_rag.sh\n```\n\nStep3. The result will be saved in the `evaluation\u002Fmultihoprag\u002Fresult.json`.\n\n\u003Cspan id='documentation'\u002F>\n\n## 📖 Documentation\n\nA more detailed documentation is coming soon 🚀, and we will update in the [Documentation](https:\u002F\u002FAutoAgent-ai.github.io\u002Fdocs) page.\n\n\u003Cspan id='community'\u002F>\n\n## 🤝 Join the Community\n\nWe want to build a community for AutoAgent, and we welcome everyone to join us. You can join our community by:\n\n- [Join our Slack workspace](https:\u002F\u002Fjoin.slack.com\u002Ft\u002FAutoAgent-workspace\u002Fshared_invite\u002Fzt-2zibtmutw-v7xOJObBf9jE2w3x7nctFQ) - Here we talk about research, architecture, and future development.\n- [Join our Discord server](https:\u002F\u002Fdiscord.gg\u002Fz68KRvwB) - This is a community-run server for general discussion, questions, and feedback. \n- [Read or post Github Issues](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fissues) - Check out the issues we're working on, or add your own ideas.\n\n\u003Cspan id='acknowledgements'\u002F>\n\n\n\n## Misc\n\n\u003Cdiv align=\"center\">\n\n[![Stargazers repo roster for @HKUDS\u002FAutoAgent](https:\u002F\u002Freporoster.com\u002Fstars\u002FHKUDS\u002FAutoAgent)](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fstargazers)\n\n[![Forkers repo roster for @HKUDS\u002FAutoAgent](https:\u002F\u002Freporoster.com\u002Fforks\u002FHKUDS\u002FAutoAgent)](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fnetwork\u002Fmembers)\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_e8b6ff3d302f.png)](https:\u002F\u002Fstar-history.com\u002F#HKUDS\u002FAutoAgent&Date)\n\n\u003C\u002Fdiv>\n\n## 🙏 Acknowledgements\n\nRome wasn't built in a day. AutoAgent stands on the shoulders of giants, and we are deeply grateful for the outstanding work that came before us. Our framework architecture draws inspiration from [OpenAI Swarm](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fswarm), while our user mode's three-agent design benefits from [Magentic-one](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\u002Ftree\u002Fmain\u002Fpython\u002Fpackages\u002Fautogen-magentic-one)'s insights. We've also learned from [OpenHands](https:\u002F\u002Fgithub.com\u002FAll-Hands-AI\u002FOpenHands) for documentation structure and many other excellent projects for agent-environment interaction design, among others. We express our sincere gratitude and respect to all these pioneering works that have been instrumental in shaping AutoAgent.\n\n\n\u003Cspan id='cite'\u002F>\n\n## 🌟 Cite\n\n```tex\n@misc{AutoAgent,\n      title={{AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents}},\n      author={Jiabin Tang, Tianyu Fan, Chao Huang},\n      year={2025},\n      eprint={202502.05957},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957},\n}\n```\n\n\n\n\n\n","\u003Ca name=\"readme-top\">\u003C\u002Fa>\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\".\u002Fassets\u002FAutoAgent_logo.svg\" alt=\"Logo\" width=\"200\">\n  \u003Ch1 align=\"center\">AutoAgent：全自动化、零代码\u003C\u002Fbr>LLM智能体框架\u003C\u002Fh1>\n\u003C\u002Fdiv>\n\n\n\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fautoagent-ai.github.io\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject-Page-blue?style=for-the-badge&color=FFE165&logo=homepage&logoColor=white\" alt=\"Credits\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fmetachain-workspace\u002Fshared_invite\u002Fzt-2zibtmutw-v7xOJObBf9jE2w3x7nctFQ\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-Join%20Us-red?logo=slack&logoColor=white&style=for-the-badge\" alt=\"Join our Slack community\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FjQJdXyDB\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-Join%20Us-purple?logo=discord&logoColor=white&style=for-the-badge\" alt=\"Join our Discord community\">\u003C\u002Fa>\n  \u003C!-- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fblob\u002Fmain\u002Fassets\u002Fautoagent-wechat.jpg\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWechat-Join%20Us-green?logo=wechat&logoColor=white&style=for-the-badge\" alt=\"Join our Wechat community\">\u003C\u002Fa> -->\n  \u003Ca href=\".\u002FCommunication.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F💬Feishu-Group-07c160?style=for-the-badge&logoColor=white&labelColor=1a1a2e\">\u003C\u002Fa>\n  \u003Ca href=\".\u002FCommunication.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-Group-07c160?style=for-the-badge&logo=wechat&logoColor=white&labelColor=1a1a2e\">\u003C\u002Fa>\n  \n  \u003Cbr\u002F>\n  \u003Ca href=\"https:\u002F\u002Fautoagent-ai.github.io\u002Fdocs\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-000?logo=googledocs&logoColor=FFE165&style=for-the-badge\" alt=\"Check out the documentation\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper%20on%20Arxiv-000?logoColor=FFE165&logo=arxiv&style=for-the-badge\" alt=\"Paper\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgaia-benchmark-leaderboard.hf.space\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGAIA%20Benchmark-000?logoColor=FFE165&logo=huggingface&style=for-the-badge\" alt=\"Evaluation Benchmark Score\">\u003C\u002Fa>\n  \u003Chr>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Ftrendshift.io\u002Frepositories\u002F13954\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_1145cd82417e.png\" alt=\"HKUDS%2FAutoAgent | Trendshift\" style=\"width: 250px; height: 55px;\" width=\"250\" height=\"55\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n欢迎来到AutoAgent！AutoAgent是一个**全自动化**且高度**自发展的**框架，使用户能够仅通过**自然语言**创建和部署LLM智能体。\n\n## ✨AutoAgent的核心特性\n\n* 💬 **自然语言驱动的智能体构建**\n\u003C\u002Fbr>完全通过自然对话自动构建和编排协作式智能体系统，无需手动编码或技术配置。\n\n* 🚀 **零代码框架**\n\u003C\u002Fbr>通过仅使用自然语言，让任何人，无论是否有编程经验，都能创建和定制自己的智能体、工具和工作流，从而 democratize AI开发。\n\n* ⚡ **自我管理的工作流生成**\n\u003C\u002Fbr>根据高层次的任务描述，动态地创建、优化并适应智能体的工作流，即使用户无法完全指定实现细节。\n\n* 🔧 **智能资源编排**\n\u003C\u002Fbr>通过迭代式的自我改进，实现对工具、智能体和工作流的受控代码生成，支持单个智能体的创建以及多智能体工作流的生成。\n\n* 🎯 **自玩模式下的智能体定制**\n\u003C\u002Fbr>通过迭代式的自我改进，实现对工具、智能体和工作流的受控代码生成，支持单个智能体的创建以及多智能体工作流的生成。\n\n🚀 解锁LLM智能体的未来。立即体验🔥AutoAgent🔥！\n\n\u003Cdiv align=\"center\">\n  \u003C!-- \u003Cimg src=\".\u002Fassets\u002FAutoAgentnew-intro.pdf\" alt=\"Logo\" width=\"100%\"> -->\n  \u003Cfigure>\n    \u003Cimg src=\".\u002Fassets\u002Fautoagent-intro.svg\" alt=\"Logo\" style=\"max-width: 100%; height: auto;\">\n    \u003Cfigcaption>\u003Cem>AutoAgent快速概览。\u003C\u002Fem>\u003C\u002Ffigcaption>\n  \u003C\u002Ffigure>\n\u003C\u002Fdiv>\n\n\n\n## 🔥 最新消息\n\n\u003Cdiv class=\"scrollable\">\n    \u003Cul>\n      \u003Cli>\u003Cstrong>[2025年2月17日]\u003C\u002Fstrong>:  🎉🎉我们已更新并发布了AutoAgent v0.2.0（原名MetaChain）。详细变更包括：1) 修复了不同LLM提供商带来的问题；2) 根据反馈增加了在容器环境中自动安装AutoAgent的功能；3) 为CLI模式添加了更多易用的命令。4) 为便于理解，将项目更名为AutoAgent。\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>[2025年2月10日]\u003C\u002Fstrong>:  🎉🎉我们发布了\u003Cb>MetaChain!\u003C\u002Fb>，包含框架、评估代码和CLI模式！更多详情请参阅我们的\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957\">论文\u003C\u002Fa>。\u003C\u002Fli>\n    \u003C\u002Ful>\n\u003C\u002Fdiv>\n\u003Cspan id='table-of-contents'\u002F>\n\n## 📑 目录\n\n* \u003Ca href='#features'>✨ 特性\u003C\u002Fa>\n* \u003Ca href='#news'>🔥 新闻\u003C\u002Fa>\n* \u003Ca href='#how-to-use'>🔍 如何使用AutoAgent\u003C\u002Fa>\n  * \u003Ca href='#user-mode'>1. `用户模式`（深度研究智能体）\u003C\u002Fa>\n  * \u003Ca href='#agent-editor'>2. `智能体编辑器`（无工作流的智能体创建）\u003C\u002Fa>\n  * \u003Ca href='#workflow-editor'>3. `工作流编辑器`（带工作流的智能体创建）\u003C\u002Fa>\n* \u003Ca href='#quick-start'>⚡ 快速入门\u003C\u002Fa>\n  * \u003Ca href='#installation'>安装\u003C\u002Fa>\n  * \u003Ca href='#api-keys-setup'>API密钥设置\u003C\u002Fa>\n  * \u003Ca href='#start-with-cli-mode'>从CLI模式开始\u003C\u002Fa>\n* \u003Ca href='#todo'>☑️ 待办事项\u003C\u002Fa>\n* \u003Ca href='#reproduce'>🔬 如何复现论文中的结果\u003C\u002Fa>\n* \u003Ca href='#documentation'>📖 文档\u003C\u002Fa>\n* \u003Ca href='#community'>🤝 加入社区\u003C\u002Fa>\n* \u003Ca href='#acknowledgements'>🙏 致谢\u003C\u002Fa>\n* \u003Ca href='#cite'>🌟 引用\u003C\u002Fa>\n\n\u003Cspan id='how-to-use'\u002F>\n\n## 🔍 如何使用AutoAgent\n\n\u003Cspan id='user-mode'\u002F>\n\n### 1. `用户模式`（深度研究智能体）\n\nAutoAgent提供了一个开箱即用的多智能体系统，可通过首页的用户模式访问。该系统作为一个综合性的AI研究助手，专为信息检索、复杂分析任务以及全面报告生成而设计。\n\n- 🚀 **高性能**: 性能媲美Deep Research，使用Claude 3.5而非OpenAI的o3模型。\n- 🔄 **模型灵活性**: 兼容任何LLM（包括Deepseek-R1、Grok、Gemini等）\n- 💰 **经济高效**: 开源替代方案，相比Deep Research每月200美元的订阅费用更具成本效益。\n- 🎯 **用户友好**: 易于部署的CLI界面，可实现无缝交互。\n- 📁 **文件支持**: 支持文件上传，以增强数据交互能力。\n\n\u003Cdiv align=\"center\">\n  \u003Cvideo width=\"80%\" controls>\n    \u003Csource src=\".\u002Fassets\u002Fvideo_v1_compressed.mp4\" type=\"video\u002Fmp4\">\n  \u003C\u002Fvideo>\n  \u003Cp>\u003Cem>🎥 深度研究（即用户模式）\u003C\u002Fem>\u003C\u002Fp>\n\u003C\u002Fdiv>\n\n\n\n\u003Cspan id='agent-editor'\u002F>\n\n### 2. `agent editor`（无工作流的代理创建）\n\nAutoAgent 最具特色的功能就是其自然语言定制能力。与其他代理框架不同，AutoAgent 允许你仅使用自然语言即可创建工具、代理和工作流。只需选择 `agent editor` 或 `workflow editor` 模式，便可通过对话开启构建代理的旅程。\n\n你可以按照下图所示使用 `agent editor`。\n\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_0b3ab34480e7.png\" alt=\"requirement\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输入你想创建哪种类型的代理。\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_bdc67d6f2519.png\" alt=\"profiling\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>自动进行代理画像分析。\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_8a08f8954269.png\" alt=\"profiles\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输出代理的画像信息。\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_7e06b8eeb72f.png\" alt=\"tools\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>创建所需的工具。\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_603c67d0ae4b.png\" alt=\"task\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输入你想让代理完成的任务。（可选）\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_efcc075d0fb0.png\" alt=\"output\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>创建所需的代理，并进入下一步。\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003Cspan id='workflow-editor'\u002F>\n\n### 3. `workflow editor`（有工作流的代理创建）\n\n你也可以使用 `workflow editor` 模式，通过自然语言描述来创建代理工作流，如下图所示。（提示：该模式暂时不支持工具创建。）\n\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_cab45cdbfd10.png\" alt=\"requirement\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输入你想创建哪种类型的工作流。\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_42d91c6fb1ca.png\" alt=\"profiling\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>自动进行工作流画像分析。\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_89ad1ec9fa94.png\" alt=\"profiles\" width=\"100%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输出工作流的画像信息。\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\u003Ctable>\n\u003Ctr align=\"center\">\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_7b55a1854f8f.png\" alt=\"task\" width=\"66%\"\u002F>\n        \u003Cbr>\n        \u003Cem>输入你想让工作流完成的任务。（可选）\u003C\u002Fem>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"33%\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_982bb5835dc6.png\" alt=\"output\" width=\"66%\"\u002F>\n        \u003Cbr>\n        \u003Cem>创建所需的工作流，并进入下一步。\u003C\u002Fem>\n    \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003Cspan id='quick-start'\u002F>\n\n## ⚡ 快速入门\n\n\u003Cspan id='installation'\u002F>\n\n### 安装\n\n#### AutoAgent 安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent.git\ncd AutoAgent\npip install -e .\n```\n\n#### Docker 安装\n\n我们使用 Docker 将代理交互环境容器化。因此，请先安装 [Docker](https:\u002F\u002Fwww.docker.com\u002F)。你无需手动拉取预构建的镜像，因为 Auto-Deep-Research 已经**根据你的机器架构自动拉取预构建的镜像**。\n\n\u003Cspan id='api-keys-setup'\u002F>\n\n### API 密钥设置\n\n创建一个环境变量文件，类似于 `.env.template`，并为你要使用的 LLM 设置 API 密钥。并非每个 LLM 的 API 密钥都是必需的，按需使用即可。\n\n```bash\n# 必需的个人 Github Token\nGITHUB_AI_TOKEN=\n\n# 可选的 API 密钥\nOPENAI_API_KEY=\nDEEPSEEK_API_KEY=\nANTHROPIC_API_KEY=\nGEMINI_API_KEY=\nHUGGINGFACE_API_KEY=\nGROQ_API_KEY=\nXAI_API_KEY=\n```\n\n\u003Cspan id='start-with-cli-mode'\u002F>\n\n### 从 CLI 模式开始\n\n> [🚨 **新闻**: ] 我们更新了一个更易用的命令来启动 CLI 模式，并修复了不同 LLM 提供商之间存在的问题。您可以按照以下步骤，使用更少的配置即可启动不同 LLM 提供商的 CLI 模式。\n\n#### 命令选项：\n\n您可以通过运行 `auto main` 来启动 AutoAgent 的完整功能，包括用户模式、代理编辑器和工作流编辑器。另外，您也可以运行 `auto deep-research` 来启动更为轻量级的用户模式，就像 [Auto-Deep-Research](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAuto-Deep-Research) 项目一样。该命令的一些配置如下所示。\n\n- `--container_name`: Docker 容器名称（默认值：'deepresearch'）\n- `--port`: 容器端口（默认值：12346）\n- `COMPLETION_MODEL`: 指定要使用的 LLM 模型，您应按照 [Litellm](https:\u002F\u002Fgithub.com\u002FBerriAI\u002Flitellm) 的命名规则设置模型名称。（默认值：`claude-3-5-sonnet-20241022`）\n- `DEBUG`: 启用调试模式以获取详细日志（默认值：False）\n- `API_BASE_URL`: LLM 提供商的基础 URL（默认值：无）\n- `FN_CALL`: 启用函数调用（默认值：无）。大多数情况下，您可以忽略此选项，因为我们已经根据模型名称设置了默认值。\n- `git_clone`: 将 AutoAgent 仓库克隆到本地环境（仅支持 `auto main` 命令，默认值：True）\n- `test_pull_name`: 测试拉取分支的名称。（仅支持 `auto main` 命令，默认值：'autoagent_mirror'）\n\n#### 关于 `git_clone` 和 `test_pull_name` 的更多细节\n\n在代理编辑器和工作流编辑器模式下，我们需要将 AutoAgent 仓库的一个镜像克隆到本地代理交互环境中，并让我们的 **AutoAgent** 自动更新自身，例如创建新的工具、代理和工作流。因此，如果您想使用代理编辑器和工作流编辑器模式，应将 `git_clone` 设置为 True，并将 `test_pull_name` 设置为 'autoagent_mirror' 或其他分支。\n\n#### 使用不同 LLM 提供商的 `auto main`\n\n接下来，我将向您展示如何使用 `auto main` 命令和不同的 LLM 提供商来运行 AutoAgent 的完整功能。如果您想使用 `auto deep-research` 命令，可以参考 [Auto-Deep-Research](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAuto-Deep-Research) 项目以获取更多详细信息。\n\n##### Anthropic\n\n* 在 `.env` 文件中设置 `ANTHROPIC_API_KEY`。\n\n```bash\nANTHROPIC_API_KEY=your_anthropic_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nauto main # 默认模型是 claude-3-5-sonnet-20241022\n```\n\n##### OpenAI\n\n* 在 `.env` 文件中设置 `OPENAI_API_KEY`。\n\n```bash\nOPENAI_API_KEY=your_openai_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=gpt-4o auto main\n```\n\n##### Mistral\n\n* 在 `.env` 文件中设置 `MISTRAL_API_KEY`。\n\n```bash\nMISTRAL_API_KEY=your_mistral_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=mistral\u002Fmistral-large-2407 auto main\n```\n\n##### Gemini - Google AI Studio\n\n* 在 `.env` 文件中设置 `GEMINI_API_KEY`。\n\n```bash\nGEMINI_API_KEY=your_gemini_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=gemini\u002Fgemini-2.0-flash auto main\n```\n\n##### Huggingface\n\n* 在 `.env` 文件中设置 `HUGGINGFACE_API_KEY`。\n\n```bash\nHUGGINGFACE_API_KEY=your_huggingface_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=huggingface\u002Fmeta-llama\u002FLlama-3.3-70B-Instruct auto main\n```\n\n##### Groq\n\n* 在 `.env` 文件中设置 `GROQ_API_KEY`。\n\n```bash\nGROQ_API_KEY=your_groq_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=groq\u002Fdeepseek-r1-distill-llama-70b auto main\n```\n\n##### OpenAI 兼容的 API 端点（如 Grok）\n\n* 在 `.env` 文件中设置 `OPENAI_API_KEY`。\n\n```bash\nOPENAI_API_KEY=your_api_key_for_openai_compatible_endpoints\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=openai\u002Fgrok-2-latest API_BASE_URL=https:\u002F\u002Fapi.x.ai\u002Fv1 auto main\n```\n\n##### OpenRouter（如 DeepSeek-R1）\n\n我们建议暂时使用 OpenRouter 作为 DeepSeek-R1 的 LLM 提供商。因为 DeepSeek-R1 的官方 API 目前无法高效使用。\n\n* 在 `.env` 文件中设置 `OPENROUTER_API_KEY`。\n\n```bash\nOPENROUTER_API_KEY=your_openrouter_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=openrouter\u002Fdeepseek\u002Fdeepseek-r1 auto main\n```\n\n##### DeepSeek\n\n* 在 `.env` 文件中设置 `DEEPSEEK_API_KEY`。\n\n```bash\nDEEPSEEK_API_KEY=your_deepseek_api_key\n```\n\n* 运行以下命令以启动 Auto-Deep-Research。\n\n```bash\nCOMPLETION_MODEL=deepseek\u002Fdeepseek-chat auto main\n```\n\nCLI 模式启动后，您将看到 AutoAgent 的启动页面：\n\n\u003Cdiv align=\"center\">\n  \u003C!-- \u003Cimg src=\".\u002Fassets\u002FAutoAgentnew-intro.pdf\" alt=\"Logo\" width=\"100%\"> -->\n  \u003Cfigure>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_610fb85a399d.png\" alt=\"Logo\" style=\"max-width: 100%; height: auto;\">\n    \u003Cfigcaption>\u003Cem>AutoAgent 的启动页面。\u003C\u002Fem>\u003C\u002Ffigcaption>\n  \u003C\u002Ffigure>\n\u003C\u002Fdiv>\n\n### 小贴士\n\n#### 将浏览器 Cookie 导入浏览器环境\n\n您可以将浏览器 Cookie 导入浏览器环境，以便代理更好地访问某些特定网站。有关详细信息，请参阅 [cookies](.\u002FAutoAgent\u002Fenvironment\u002Fcookie_json\u002FREADME.md) 文件夹。\n\n#### 添加您自己的第三方工具平台 API 密钥\n\n如果您想从第三方工具平台（如 RapidAPI）创建工具，您需要先订阅这些平台上的工具，并通过运行 [process_tool_docs.py](.\u002Fprocess_tool_docs.py) 添加您自己的 API 密钥。\n\n```bash\npython process_tool_docs.py\n```\n\n更多功能即将推出！🚀 **Web GUI 界面** 正在开发中。\n\n\n\n\u003Cspan id='todo'\u002F>\n\n## ☑️ 待办事项清单\n\nAutoAgent 不断进化中！以下是未来的计划：\n\n- 📊 **更多基准测试**: 扩展评估范围至 **SWE-bench**、**WebArena** 等\n- 🖥️ **GUI 代理**: 支持具有 GUI 交互能力的 *计算机使用* 代理\n- 🔧 **工具平台**: 集成更多平台，如 **Composio**\n- 🏗️ **代码沙盒**: 支持更多环境，如 **E2B**\n- 🎨 **Web 界面**: 开发全面的 GUI，以提升用户体验\n\n您有任何想法或建议吗？欢迎随时提交问题！敬请期待更多精彩更新！🚀\n\n\u003Cspan id='reproduce'\u002F>\n\n## 🔬 如何复现论文中的结果\n\n### GAIA 基准测试\n对于 GAIA 基准测试，您可以运行以下命令进行推理。\n\n```bash\ncd path\u002Fto\u002FAutoAgent && sh evaluation\u002Fgaia\u002Fscripts\u002Frun_infer.sh\n```\n\n对于评估部分，您可以运行以下命令。\n\n```bash\ncd path\u002Fto\u002FAutoAgent && python evaluation\u002Fgaia\u002Fget_score.py\n```\n\n### Agentic-RAG\n\n对于 Agentic-RAG 任务，您可以运行以下命令来执行推理。\n\n步骤1：前往[此页面](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fyixuantt\u002FMultiHopRAG)，下载相关文件，并将其保存到您的数据路径中。\n\n步骤2：运行以下命令以执行推理。\n\n```bash\ncd path\u002Fto\u002FAutoAgent && sh evaluation\u002Fmultihoprag\u002Fscripts\u002Frun_rag.sh\n```\n\n步骤3：结果将保存在 `evaluation\u002Fmultihoprag\u002Fresult.json` 中。\n\n\u003Cspan id='documentation'\u002F>\n\n## 📖 文档\n\n更详细的文档即将发布🚀，我们将在[文档](https:\u002F\u002FAutoAgent-ai.github.io\u002Fdocs)页面上进行更新。\n\n\u003Cspan id='community'\u002F>\n\n## 🤝 加入社区\n\n我们希望为 AutoAgent 打造一个社区，欢迎所有人加入。您可以通过以下方式加入我们的社区：\n\n- [加入我们的 Slack 工作区](https:\u002F\u002Fjoin.slack.com\u002Ft\u002FAutoAgent-workspace\u002Fshared_invite\u002Fzt-2zibtmutw-v7xOJObBf9jE2w3x7nctFQ) - 在这里，我们将讨论研究、架构以及未来的发展。\n- [加入我们的 Discord 服务器](https:\u002F\u002Fdiscord.gg\u002Fz68KRvwB) - 这是一个由社区运营的服务器，用于一般性讨论、提问和反馈。\n- [阅读或提交 GitHub 问题](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fissues) - 查看我们正在处理的问题，或提出您自己的想法。\n\n\u003Cspan id='acknowledgements'\u002F>\n\n\n\n## 杂项\n\n\u003Cdiv align=\"center\">\n\n[![@HKUDS\u002FAutoAgent 的星辰榜](https:\u002F\u002Freporoster.com\u002Fstars\u002FHKUDS\u002FAutoAgent)](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fstargazers)\n\n[![@HKUDS\u002FAutoAgent 的叉子榜](https:\u002F\u002Freporoster.com\u002Fforks\u002FHKUDS\u002FAutoAgent)](https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fnetwork\u002Fmembers)\n\n[![星级历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_readme_e8b6ff3d302f.png)](https:\u002F\u002Fstar-history.com\u002F#HKUDS\u002FAutoAgent&Date)\n\n\u003C\u002Fdiv>\n\n## 🙏 致谢\n\n罗马不是一天建成的。AutoAgent 站在巨人的肩膀上，我们对前人杰出的工作深表感激。我们的框架架构受到 [OpenAI Swarm](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fswarm) 的启发，而用户模式中的三代理设计则受益于 [Magentic-one](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen\u002Ftree\u002Fmain\u002Fpython\u002Fpackages\u002Fautogen-magentic-one) 的洞见。此外，我们在文档结构方面借鉴了 [OpenHands](https:\u002F\u002Fgithub.com\u002FAll-Hands-AI\u002FOpenHands)，并在智能体与环境交互设计等方面参考了许多其他优秀项目。我们向所有这些开创性工作致以诚挚的感谢与敬意，正是它们为 AutoAgent 的形成奠定了重要基础。\n\n\n\u003Cspan id='cite'\u002F>\n\n## 🌟 引用\n\n```tex\n@misc{AutoAgent,\n      title={{AutoAgent: 一种完全自动化且零代码的 LLM 智能体框架}},\n      author={唐嘉斌、范天宇、黄超},\n      year={2025},\n      eprint={202502.05957},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05957},\n}\n```","# AutoAgent 快速上手指南\n\nAutoAgent 是一个全自动化、零代码的大语言模型（LLM）智能体框架。用户仅需通过自然语言对话，即可构建、编排和部署复杂的智能体系统及工作流，无需编写任何代码。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：Python 3.8 - 3.11\n*   **前置依赖**：\n    *   **Git**：用于克隆项目代码。\n    *   **Docker**：**必须安装**。AutoAgent 使用 Docker 容器化智能体交互环境。框架会自动根据机器架构拉取预构建镜像，无需手动操作。\n        *   安装指引：[Docker 官方文档](https:\u002F\u002Fwww.docker.com\u002F)\n\n## 2. 安装步骤\n\n### 2.1 克隆项目与安装依赖\n\n打开终端，执行以下命令：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent.git\ncd AutoAgent\npip install -e .\n```\n\n> **提示**：国内用户若下载依赖较慢，可指定清华源加速安装：\n> `pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 2.2 配置 API Keys\n\n在项目根目录下创建 `.env` 文件（可参考 `.env.template`），并填入您所使用的 LLM 服务商的 API Key。并非所有 Key 都需要填写，按需配置即可。\n\n```bash\n# 必填：您自己的 GitHub Token\nGITHUB_AI_TOKEN=your_github_token_here\n\n# 选填：根据需要使用的模型配置对应的 Key\nOPENAI_API_KEY=\nDEEPSEEK_API_KEY=\nANTHROPIC_API_KEY=\nGEMINI_API_KEY=\nHUGGINGFACE_API_KEY=\nGROQ_API_KEY=\nXAI_API_KEY=\n```\n\n## 3. 基本使用\n\nAutoAgent 提供命令行（CLI）模式，支持三种核心功能：**深度研究（User Mode）**、**智能体编辑器** 和 **工作流编辑器**。\n\n### 3.1 启动完整功能模式\n\n运行以下命令启动包含所有功能的交互界面：\n\n```bash\nauto main\n```\n\n启动后，您将进入对话界面，可以选择以下模式：\n\n1.  **User Mode (深度研究)**：直接使用预设的多智能体系统进行复杂信息检索、分析和报告生成。支持文件上传，性能媲美付费的深度研究服务。\n2.  **Agent Editor (智能体创建)**：通过自然语言描述您想要的智能体功能（例如：“创建一个能自动抓取新闻并总结的助手”），系统将自动分析需求、生成角色设定、编写工具代码并部署智能体。\n3.  **Workflow Editor (工作流创建)**：通过自然语言描述任务流程（例如：“先搜索最新股市数据，然后分析趋势，最后发送邮件报告”），系统将自动生成多智能体协作工作流。\n\n### 3.2 启动轻量级深度研究模式\n\n如果您仅需使用深度研究功能（类似 Auto-Deep-Research 项目），可运行更轻量的命令：\n\n```bash\nauto deep-research\n```\n\n### 3.3 高级配置选项\n\n在运行命令时，可通过参数指定模型或调试信息：\n\n```bash\n# 示例：指定使用 DeepSeek 模型并开启调试模式\nauto main --COMPLETION_MODEL=deepseek-chat --DEBUG=True\n```\n\n常用参数说明：\n*   `--COMPLETION_MODEL`: 指定 LLM 模型名称（遵循 Litellm 命名规范，默认 `claude-3-5-sonnet-20241022`）。\n*   `--API_BASE_URL`: 自定义 LLM 提供商的基础 URL。\n*   `--DEBUG`: 开启详细日志输出。\n*   `--container_name`: 自定义 Docker 容器名称（默认 `deepresearch`）。\n\n---\n**开始体验**：输入您的自然语言指令，让 AutoAgent 为您自动构建专属的 AI 智能体！","某电商运营团队急需构建一个能自动监控竞品价格、分析社交媒体舆情并生成日报的智能系统，但团队中缺乏专业的 AI 开发工程师。\n\n### 没有 AutoAgent 时\n- **开发门槛高**：业务人员无法直接将需求转化为代码，必须依赖昂贵的技术团队排期开发，沟通成本极高。\n- **流程僵化**：硬编码的工作流难以应对突发的市场变化（如新增监控平台），每次调整都需要重新修改代码和部署。\n- **工具集成难**：手动编写爬虫、调用大模型 API 及连接数据库的代码繁琐且易错，调试周期长达数周。\n- **维护成本高**：一旦某个环节（如网页结构变更）出错，整个自动化流程即刻瘫痪，需专人实时运维。\n\n### 使用 AutoAgent 后\n- **自然语言构建**：运营主管直接用中文描述“监控竞品价格并分析推特舆情”，AutoAgent 即可自动规划并生成完整的智能体系统，无需一行代码。\n- **动态自适应**：当需要增加新的监控源时，只需告诉 AutoAgent 新需求，它会自动重构工作流并优化执行策略，即时响应业务变化。\n- **智能资源编排**：AutoAgent 自主编写并迭代所需的爬虫工具和数据分析脚本，自动处理 API 调用与数据清洗，将部署时间从数周缩短至几分钟。\n- **自我进化能力**：系统具备自修复机制，遇到执行错误时能自动分析原因并修正代码逻辑，大幅降低人工运维压力。\n\nAutoAgent 让非技术人员也能通过对话瞬间拥有高度定制、自我进化的 AI 员工，真正实现了零代码的智能化转型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHKUDS_AutoAgent_0b3ab344.png","HKUDS","✨Data Intelligence Lab@HKU✨","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHKUDS_fc32cc87.jpg",null,"https:\u002F\u002Fsites.google.com\u002Fview\u002Fchaoh","https:\u002F\u002Fgithub.com\u002FHKUDS",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.8,{"name":84,"color":85,"percentage":86},"Shell","#89e051",0.2,9118,1291,"2026-04-13T04:34:24","MIT","Linux, macOS, Windows","未说明 (基于云端 LLM API 运行，本地主要依赖 Docker 容器)","未说明",{"notes":95,"python":93,"dependencies":96},"1. 必须安装 Docker 以容器化代理交互环境，系统会根据机器架构自动拉取预构建镜像。\n2. 核心功能依赖外部大模型 API（如 OpenAI, Claude, DeepSeek 等），需在 .env 文件中配置相应的 API Key。\n3. 通过 pip install -e . 进行安装。\n4. 支持多种运行模式：user mode (深度研究), agent editor (无工作流创建), workflow editor (带工作流创建)。",[97,98],"Docker","litellm",[13,35],[101,102],"agent","llms","2026-03-27T02:49:30.150509","2026-04-13T17:41:45.149435",[106,111,116,121,125,129],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},31786,"在 amd64 架构机器上运行时报错或出现严重延迟怎么办？","默认 Docker 镜像可能针对 ARM 架构，导致在 amd64 环境下需要模拟运行从而产生延迟或报错。请拉取专用的 amd64 镜像并替换配置：\n1. 拉取镜像：`docker pull tjbtech1\u002Fmetachain:amd64_latest`\n2. 如果代码中硬编码了其他镜像（如 `tjbtech1\u002Fgaia-bookworm:v2`），请将其替换为对应的 amd64 版本（如 `tjbtech1\u002Fgaia-bookworm:v2-amd64`）。\n3. 删除旧的容器和镜像后重新运行脚本，速度将恢复正常。","https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},31787,"使用 gemini-2.0-flash 模型时遇到 'parameters.properties should be non-empty' 错误如何解决？","该错误通常是因为模型定义的工具函数参数格式不符合 Gemini API 的要求（OBJECT 类型不能为空）。维护者已确认会检查此问题。临时解决方案包括：\n1. 检查并更新项目到最新版本，看是否已修复工具定义的序列化逻辑。\n2. 如果问题依旧，尝试切换到对 Function Calling 支持更稳定的模型（如 OpenAI 或 Anthropic 系列），或者在配置中禁用 Function Calling 模式（如果业务逻辑允许）。","https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fissues\u002F7",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},31788,"哪些本地模型支持 Function Calling（函数调用）模式？","根据社区测试，对于参数量小于等于 32B 的本地模型（通过 Ollama 运行）：\n- 推荐使用的支持函数调用的模型包括：mistral 2501, granite, llama3.2 3b 等，这些模型在无头浏览器模式下表现良好。\n- 不推荐的模型：qwen2.5 32B 等非专门针对函数调用优化的模型，可能无法完成第一步任务。\n注意：如果使用不支持函数调用的模型，可能需要设置 `FN_CALL=False` 或使用纯文本模式。","https:\u002F\u002Fgithub.com\u002FHKUDS\u002FAutoAgent\u002Fissues\u002F5",{"id":122,"question_zh":123,"answer_zh":124,"source_url":120},31789,"配置中的 `FN_CALL` 和 `NON_FN_CALL` 变量有什么区别？","这两个变量控制模型与工具的交互方式：\n- `FN_CALL`: 启用后，允许模型自主决定并使用原生的函数调用（Function Calling）功能来执行工具。\n- `NON_FN_CALL`: 启用后，允许模型使用纯文本格式来描述工具调用意图（通常用于不支持原生函数调用的模型）。\n用户应根据所选模型的能力来配置这两个选项，例如对于不支持原生工具调用的模型，应确保非函数调用模式可用。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":110},31790,"运行脚本时提示 'branch named xxx already exists' 错误如何处理？","该错误表示 Git 分支已存在，通常发生在重复运行初始化脚本时。虽然脚本后续显示 'Successfully switched to new branch' 并继续执行，但如果因此导致环境创建失败（如 Connection refused），建议手动清理：\n1. 进入项目目录。\n2. 运行 `git branch -D mirror_branch_0207_None`（将分支名替换为报错中提到的具体名称）删除冲突分支。\n3. 重新运行安装或启动脚本。",{"id":130,"question_zh":131,"answer_zh":132,"source_url":115},31791,"Groq 或 DeepSeek 模型报错 'does not support function calling' 怎么办？","即使文档声称支持，某些模型（如 `groq\u002Fdeepseek-r1-distill-llama-70b`）在 LiteLLM 检测中可能未通过函数调用支持验证。解决方法：\n1. 确认模型名称拼写正确且对应提供商确实支持该功能。\n2. 如果确认模型不支持或兼容性有问题，请在配置中设置 `FN_CALL=False` 以切换到非函数调用模式。\n3. 或者更换为已知稳定支持函数调用的模型（如 OpenAI gpt-4o-mini 或 Anthropic 系列）。",[]]