以性能为先的智能体框架，让任何模型更出色

📰 新闻

• [2026-03]: MiroFlow 1.7 + MiroThinker 1.7: 重大版本发布，新增 Web 应用程序界面（FastAPI + React）、用于基准评估的全面验证系统，并扩展了对 LLM 的支持，包括 Kimi K2.5 和 GPT-5。

架构

为什么选择 MiroFlow

让任何模型更出色

• 模型无关的性能：无论接入 GPT-5、Claude、MiroThinker、Kimi K2.5、DeepSeek、MiniMax 等任何 LLM，都能通过智能回滚、迭代推理和优化的工具编排，获得更优的智能体性能。
• 全面的基准测试支持：支持 FutureX、GAIA、HLE、xBench-DeepSearch、BrowseComp 等9个以上的基准测试。
• 一行代码切换模型：只需修改 YAML 文件中的 provider_class 和 model_name 即可。相同的工具、相同的提示、相同的环境。

证明其价值

• 标准化评估：采用完全一致的基础设施进行公平的模型对比。框架保持不变，变化的只是模型本身。
• 自动化多轮评估：并行运行并进行统计汇总（均值、标准差、最小值/最大值）。从配置到评分，所有结果均可复现。

使用它构建

• 技能系统：通过 SKILL.md 定义智能体技能，无需修改代码。
• 智能体图谱：利用层次化图谱构建多智能体工作流。
• Web 应用程序：开箱即用的 FastAPI + React 界面。
• 插件架构：使用 @register 装饰器扩展功能，无需触及核心代码。
• 零代码提示：基于 YAML 和 Jinja2 模板。
• 高性价比：仅需一张 RTX 4090 显卡，配合开源的 MiroThinker 即可运行。

任何模型，更优结果

v1.7 全面测试后的基准测试结果将随后更新。详细信息请参阅完整的 模型对比。

请按照我们的详细指南，在 基准测试文档 中复现任意结果。

快速入门

# 1. 克隆并设置
git clone https://github.com/MiroMindAI/miroflow && cd miroflow
uv sync

# 2. 配置 API 密钥（本示例仅需 OPENAI_API_KEY）
cp .env.template .env
# 编辑 .env 并设置 OPENAI_API_KEY（默认快速入门配置中由 GPT-5 使用）

# 3. 运行你的第一个任务
bash scripts/test_single_task.sh \
  --config config/agent_quickstart.yaml \
  --task-question "Excel 文件中第一个名字以 'Co' 开头的国家是哪个？" \
  --file-path data/FSI-2023-DOWNLOAD.xlsx

预期输出：\boxed{刚果民主共和国}

只需一行代码即可切换模型——使用相同的工具和提示，更换不同的 LLM：

# GPT-5
llm:
  provider_class: GPT5OpenAIClient
  model_name: gpt-5

# Claude 3.7 Sonnet
llm:
  provider_class: ClaudeAnthropicClient
  model_name: claude-3-7-sonnet-20250219

# MiroThinker（开源，自托管）
llm:
  provider_class: MiroThinkerSGLangClient
  model_name: mirothinker-v1.5

# MiniMax M2.7
llm:
  provider_class: MiniMaxClient
  model_name: MiniMax-M2.7

更多关于 Web 应用程序设置、示例及配置选项，请参阅 完整文档。

参考文献

如果您觉得我们的工作有所帮助，请考虑引用以下内容：

MiroThinker（模型与方法）

@article{miromind2025mirothinker,
  title={MiroThinker：通过模型、上下文和交互式扩展突破开源研究智能体的性能边界},
  author={MiroMind团队及白松、 Bing Lidong、陈卡森、陈冠政、陈云涛、陈哲、陈子怡、董轩等},
  journal={arXiv预印本 arXiv:2511.11793},
  year={2025}
}

MiroFlow（框架）

@article{miromind2026miroflow,
  title={MiroFlow：面向通用深度研究任务的高性能、鲁棒开源智能体框架},
  author={苏世谦、邢森、董轩、钟牧言、王斌、朱熙周、陈云涛、王文海、邓悦、朱鹏翔等},
  journal={arXiv预印本 arXiv:2602.22808},
  year={2026}
}

贡献方式：问题 · 拉取请求 · Discord

许可证：Apache 2.0

MiroFlow 快速上手指南

MiroFlow 是一个以性能为核心的开源 Agent 框架，旨在通过智能回滚、迭代推理和优化的工具编排，最大化任何大语言模型（如 GPT-5, Claude, Kimi, DeepSeek, MiniMax 等）的代理能力。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐) 或 macOS。Windows 用户建议使用 WSL2。
• Python 版本: 建议 Python 3.10 或更高版本。
• 包管理器: 本项目使用 uv 进行依赖管理，需预先安装。

  curl -LsSf https://astral.sh/uv/install.sh | sh
  

• API Key: 准备至少一个大模型服务的 API Key（例如 OpenAI, Anthropic, 或本地部署的 MiroThinker）。

提示：国内开发者若访问 GitHub 或 HuggingFace 较慢，建议配置相应的网络加速工具或使用镜像源。

2. 安装步骤

克隆项目仓库并安装依赖：

# 1. 克隆代码库
git clone https://github.com/MiroMindAI/miroflow && cd miroflow

# 2. 使用 uv 同步安装依赖
uv sync

3. 基本使用

第一步：配置 API Key

复制环境变量模板文件并编辑，填入您的 API Key。以下示例以 OpenAI 兼容接口为例（默认配置使用 GPT-5）：

cp .env.template .env

编辑 .env 文件，设置必要的密钥：

OPENAI_API_KEY=your_api_key_here
# 如需使用其他模型，请参考文档添加对应 KEY，如 ANTHROPIC_API_KEY 等

第二步：运行第一个任务

使用提供的脚本运行一个简单的测试任务。该任务将读取一个 Excel 文件并回答相关问题。

bash scripts/test_single_task.sh \
  --config config/agent_quickstart.yaml \
  --task-question "What is the first country listed in the XLSX file that have names starting with Co?" \
  --file-path data/FSI-2023-DOWNLOAD.xlsx

预期输出：

\boxed{Congo Democratic Republic}

第三步：一键切换模型

MiroFlow 支持通过修改 YAML 配置文件轻松切换底层模型，无需更改代码或提示词。编辑 config/agent_quickstart.yaml 中的 llm 部分：

使用 GPT-5:

llm:
  provider_class: GPT5OpenAIClient
  model_name: gpt-5

使用 Claude 3.7 Sonnet:

llm:
  provider_class: ClaudeAnthropicClient
  model_name: claude-3-7-sonnet-20250219

使用开源自托管模型 (MiroThinker):

llm:
  provider_class: MiroThinkerSGLangClient
  model_name: mirothinker-v1.5

使用 MiniMax:

llm:
  provider_class: MiniMaxClient
  model_name: MiniMax-M2.7

修改保存后，重新运行上述测试命令即可体验不同模型的效果。更多高级用法（如 Web 界面启动、多 Agent 编排）请参阅官方完整文档。