【中文 | English】

WeChat

最新消息

• [2026-01-20] 🚀🚀🚀 我们开源了基于MiniCPM4.1-8B构建的AgentCPM-Report，其在报告生成任务上可与Gemini-2.5-pro-DeepResearch等顶级闭源商用系统相媲美。

• [2026-01-12] 🚀🚀🚀 我们开源了仅含4B参数的代理LLM——AgentCPM-Explore，并附带所有训练、推理及工具沙盒环境的相关代码。它成功登上了包括GAIA、HLE和BrowseComp在内的八个经典的长时序、高难度代理排行榜。该模型在这一规模下的SOTA表现使其能够执行更长的动作链，并实现更精准的深度研究，从而突破了设备端代理的性能瓶颈。

目录

• 最新消息
  • 目录
• 概述
• 模型列表
  • AgentCPM-Explore
    • 演示
    • 快速入门
  • AgentCPM-Report
    • 简介
    • 演示
    • 快速入门
      • Docker部署
• 许可证
• 引用
• 探索更多

概述

AgentCPM是由THUNLP（清华大学自然语言处理实验室）、中国人民大学、ModelBest以及OpenBMB社区联合开发的一系列开源LLM代理。为应对代理在实际应用中面临的挑战，如长时序能力有限、自主性不足以及泛化能力欠缺等问题，我们提出了一系列模型构建方法。近期，团队专注于全面构建代理的深度研究能力，先后发布了深度搜索型LLM代理AgentCPM-Explore和深度研究型LLM代理AgentCPM-Report。

模型列表

模型	下载链接	开源内容	技术报告	使用方法
AgentCPM-Explore	🤗 Hugging Face 🤖 ModelScope	AgentDock: 统一的工具沙盒管理与调度平台 AgentRL: 全异步代理强化学习框架 AgentToLeaP: 用于评估代理工具学习能力的一键式框架	AgentCPM-Explore：实现边缘级代理的长时序深度探索	README.md
AgentCPM-Report	🤗 Hugging Face 🤖 ModelScope	UltraRAG: 低代码RAG框架	AgentCPM-Report：通过穿插草稿撰写与深入挖掘实现开放式深度研究	README.md

AgentCPM-Explore

AgentCPM团队一直致力于系统性地构建代理的深度研究能力，并发布了深度搜索型LLM代理AgentCPM-Explore。AgentCPM-Explore是首个出现在GAIA、XBench等八个广泛使用的长时序代理基准测试中的4B参数开源代理模型。

主要亮点：

• 4B规模下的SOTA：在同规模模型中处于领先地位，性能可与8B模型媲美甚至超越，部分指标已接近30B以上及闭源LLM水平。

• 深度探索：支持100余轮连续交互，具备多源交叉验证与动态策略调整能力。

• 全流程开源：提供完整的训练与评估基础设施，便于社区开发与自定义扩展。

演示

演示示例（加速播放）：

https://github.com/user-attachments/assets/f2b3bb20-ccd5-4b61-8022-9f6e90992baa

快速入门

• 多模型、多工具协同环境搭建：首先启动 AgentDock 工具沙盒平台，以提供统一的 MCP（Model Context Protocol）工具服务。当使用基于 API 的模型时，需配置模型的 BASE_URL 和 API_KEY；当使用本地部署的模型时，则需确保模型服务可访问。在 config.toml 文件中配置所需的工具参数。

• 启动环境：开箱即用，一键启动。AgentDock 统一工具沙盒平台支持通过一条 docker compose up -d 命令启动所有服务，包括管理仪表盘、数据库和工具节点。

• 运行执行：通过快速入门脚本，您可以快速体验框架的核心能力，无需复杂配置即可运行完整的 Agent 任务。

0. 准备评估环境（推荐）：
   我们提供一个预装了所有评估依赖项的 Docker 镜像。建议直接拉取并运行该镜像：

   # 1. 进入项目文件夹
   cd AgentCPM-Explore
   
   # 2. 拉取镜像（支持 amd64/arm64 架构）
   docker pull yuyangfu/agenttoleap-eval:v2.0
   
   # 3. 启动容器（请根据需要调整 -v 路径）
   docker run -dit --name agenttoleap --gpus all --network host -v $(pwd):/workspace yuyangfu/agenttoleap-eval:v2.0
   
   # 4. 进入容器
   docker exec -it agenttoleap /bin/bash
   cd /workspace
   

1. 配置并运行：
   打开 quickstart.py，在 [USER CONFIGURATION] 部分进行简单配置：

• 自定义任务：将 QUERY 变量修改为您想要测试的指令（例如：“查看昨晚欧冠比赛结果”）。
• 模型信息：提供您的 LLM API_KEY、MODEL_NAME 和 BASE_URL。
• 工具服务：将 MANAGER_URL 设置为您 MCP 工具服务器的地址（例如 http://localhost:8000；请确保服务已启动）。

配置完成后，运行：

python quickstart.py

脚本会自动创建一个演示任务（默认为查询今日 arXiv 计算机科学论文），生成执行流程，并开始评估过程。

2. 查看结果

执行完成后，结果将保存在 outputs/quickstart_results/ 目录下。您可以通过检查 dialog.json 获取完整的交互轨迹，包括工具调用和推理链。

注意：在快速入门模式下，默认会跳过自动评分，仅用于展示 Agent 的执行能力。

AgentCPM-Report

简介

AgentCPM-Report 基于 8B 参数的基础模型 MiniCPM4.1 构建。它以用户指令为输入，自主生成长篇报告。其亮点包括：

• 极致性能，极小占用：通过平均 40 轮深度检索和近 100 轮思维链式推理，实现全面的信息挖掘与重组，使边缘端模型能够产出逻辑严密、见解深刻的数万字长文。仅需 80 亿参数，便可在深度研究任务中达到与顶级闭源系统相当的性能。
• 物理隔离，本地安全：专为高隐私场景设计，支持完全离线及敏捷的本地部署，彻底消除云端数据泄露的风险。借助我们的 UltraRAG 框架，高效挂载并理解您的本地私有知识库，安全地将核心机密数据转化为极具价值的专业决策报告，全程不离开本地环境。

演示

快速入门

Docker 部署

我们提供集成了 UltraRAG 的极简一键式 docker-compose 部署方案，其中包含 RAG 框架 UltraRAG2.0、模型推理框架 vllm 以及 Milvus 向量数据库。若您希望使用 CPU 推理，我们也提供了基于 llama.cpp 的 GGUF 格式模型版本——只需将 docker-compose.yml 替换为 docker-compose.cpu.yml 即可。

git clone git@github.com:OpenBMB/UltraRAG.git
cd UltraRAG
git checkout agentcpm-report-demo
cd agentcpm-report-demo
cp env.example .env
docker-compose -f docker-compose.yml up -d --build
docker-compose -f docker-compose.yml logs -f ultrarag-ui

首次启动需要拉取镜像、下载模型并设置环境，可能耗时约 30 分钟。
随后打开 http://localhost:5050。若能看到 GUI 界面，则说明部署成功。
按照 UI 提示上传本地文件、分块处理并构建索引。然后在聊天面板中选择 AgentCPM-Report 流程，即可开始您的工作流！

（可选）您可以从 Wiki2024 导入 Wiki2024 作为写作数据库。

更多关于 AgentCPM-Report 的教程，请参阅 教程。

许可证

• 本仓库中的代码采用 Apache-2.0 许可证发布。

引用

若 AgentCPM-Explore 对您的研究有所帮助，请引用该代码库：

@misc{chen2026agentcpmexplore,
  title = {{{AgentCPM-Explore}}: {{Realizing Long-Horizon Deep Exploration}} for {{Edge-Scale Agents}}},
  author = {Chen, Haotian and Cong, Xin and Fan, Shengda and Fu, Yuyang and Gong, Ziqin and Lu, Yaxi and Li, Yishan and Niu, Boye and Pan, Chengjun and Song, Zijun and Wang, Huadong and Wu, Yesai and Wu, Yueying and Xie, Zihao and Yan, Yukun and Zhang, Zhong and Lin, Yankai and Liu, Zhiyuan and Sun, Maosong},
  year = 2026,
  month = feb,
  number = {arXiv:2602.06485},
  eprint = {2602.06485},
  publisher = {arXiv},
  doi = {10.48550/arXiv.2602.06485},
  archiveprefix = {arXiv},
  langid = {english}
}

若 AgentCPM-Report 对您的研究有帮助，可按以下方式引用：

@misc{li2026agentcpmreport,
      title={AgentCPM-Report: Interleaving Drafting and Deepening for Open-Ended Deep Research}, 
      author={Yishan Li and Wentong Chen and Yukun Yan and Mingwei Li and Sen Mei and Xiaorong Wang and Kunpeng Liu and Xin Cong and Shuo Wang and Zhong Zhang and Yaxi Lu and Zhenghao Liu and Yankai Lin and Zhiyuan Liu and Maosong Sun},
      year={2026},
      eprint={2602.06540},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2602.06540}, 
}

探索更多

• AgentCPM-GUI
• MiniCPM
• MiniCPM-V
• UltraRAG

AgentCPM 快速上手指南

AgentCPM 是由清华大学 NLP 实验室、中国人民大学、ModelBest 及 OpenBMB 社区联合开源的智能体（Agent）大模型系列。本指南涵盖两个核心模型：AgentCPM-Explore（4B 参数，擅长长程深度探索）和 AgentCPM-Report（8B 参数，擅长深度研究报告生成）。

---

1. 环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu 20.04+) 或 macOS
• 硬件:
  • AgentCPM-Explore: 推荐 NVIDIA GPU (支持 amd64/arm64)，显存建议 8GB+
  • AgentCPM-Report: 推荐 NVIDIA GPU，显存建议 16GB+；若使用 CPU 推理需较大内存
• 软件依赖:
  • Docker & Docker Compose (强烈推荐用于一键部署)
  • Python 3.9+ (若手动运行脚本)
  • Git

前置依赖

确保已安装 Docker：

docker --version
docker compose version

---

2. 安装与部署

方案 A：AgentCPM-Explore (深度探索智能体)

该方案通过 Docker 容器提供完整的评估与运行环境。

步骤 1：拉取镜像并启动容器

# 进入项目目录 (假设已 clone 仓库)
cd AgentCPM-Explore

# 拉取预装好依赖的镜像 (支持 amd64/arm64)
docker pull yuyangfu/agenttoleap-eval:v2.0

# 启动容器 (挂载当前目录到 /workspace)
docker run -dit --name agenttoleap --gpus all --network host -v $(pwd):/workspace yuyangfu/agenttoleap-eval:v2.0

# 进入容器
docker exec -it agenttoleap /bin/bash
cd /workspace

步骤 2：配置工具沙箱 (AgentDock) 在运行任务前，需启动统一的工具管理平台 AgentDock（通常在宿主机或另一容器中运行）：

# 在包含 AgentDock 的目录下执行
docker compose up -d

注：确保 config.toml 中配置的 MANAGER_URL 指向正确的服务地址（如 http://localhost:8000）。

方案 B：AgentCPM-Report (深度报告生成)

该方案基于 UltraRAG 框架，提供一键 Docker 部署，包含向量数据库和推理引擎。

步骤 1：克隆代码并配置环境变量

git clone git@github.com:OpenBMB/UltraRAG.git
cd UltraRAG
git checkout agentcpm-report-demo
cd agentcpm-report-demo
cp env.example .env

步骤 2：一键启动服务

# GPU 版本启动
docker-compose -f docker-compose.yml up -d --build

# 查看日志确认启动状态
docker-compose -f docker-compose.yml logs -f ultrarag-ui

注：首次启动需拉取镜像、下载模型及初始化环境，耗时约 30 分钟。 若仅需 CPU 推理，请将 docker-compose.yml 替换为 docker-compose.cpu.yml。

---

3. 基本使用

AgentCPM-Explore：运行首个任务

1. 编辑配置文件
   打开 quickstart.py，在 [USER CONFIGURATION] 部分修改以下参数：

   • QUERY: 输入测试指令（例如："Check the results of last night's UEFA Champions League matches"）
   • API_KEY, MODEL_NAME, BASE_URL: 填入你的 LLM 服务信息（若使用本地模型，确保服务可达）
   • MANAGER_URL: 填入 MCP 工具服务器地址（例如：http://localhost:8000）

2. 执行任务

   python quickstart.py
   

   脚本将自动创建任务、生成工作流并执行。

3. 查看结果 执行完成后，交互轨迹保存在 outputs/quickstart_results/dialog.json。

AgentCPM-Report：生成长篇报告

1. 访问 Web 界面
   部署成功后，浏览器打开：

   http://localhost:5050
   

2. 构建知识库

   • 在 UI 界面上传本地文档（或使用内置的 Wiki2024 数据集）。
   • 点击分块（Chunk）并建立索引。

3. 开始对话

   • 进入 Chat 面板。
   • 在 Pipeline 选项中选择 AgentCPM-Report。
   • 输入研究主题（例如：“分析 2025 年人工智能在医疗领域的最新进展”），系统将自动进行多轮检索与推理，生成万字级深度报告。

---

提示：国内用户若遇到模型下载缓慢，可优先使用 ModelScope (魔搭) 镜像源下载模型权重，或在 Docker 配置中替换为国内加速地址。