[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SalesforceAIResearch--AgentLite":3,"tool-SalesforceAIResearch--AgentLite":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":68,"owner_location":68,"owner_email":79,"owner_twitter":68,"owner_website":68,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":23,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":68,"view_count":23,"oss_zip_url":68,"oss_zip_packed_at":68,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":120},3297,"SalesforceAIResearch\u002FAgentLite","AgentLite",null,"AgentLite 是由 Salesforce AI 研究团队推出的轻量级开源库，专为构建和探索基于大语言模型（LLM）的任务型智能体系统而设计。它主要解决了研究人员在开发新型单体或多智能体架构时面临的代码复杂、复用性低等痛点，通过简洁的代码结构让开发者能轻松实现复杂的智能体协作逻辑。\n\n该工具的核心优势在于其“面向研究”的设计理念。它引入了“管理智能体”机制，能够高效协调多个智能体共同完成特定任务，同时保持代码库的极度轻量化，便于快速迭代和实验新想法。此外，AgentLite 还配套了完善的基准测试工具，并支持集成如 xLAM 等高性能模型，甚至提供了基于 Streamlit 的简易界面用于演示，极大地降低了验证新算法的门槛。\n\nAgentLite 非常适合人工智能领域的研究人员、算法工程师以及希望深入探索多智能体系统的高校师生使用。如果你需要从零搭建定制化的智能体应用，或是在学术研究中对比不同架构的性能，AgentLite 提供了一个灵活且专业的基础平台，助你专注于核心逻辑的创新而非底层框架的重复造轮子。","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain\">\u003Cimg width=\"300px\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_d15d812e999b.jpg\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n\u003Cdiv align=\"center\">\n\n  [![Release Notes](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002FSalesforceAIResearch\u002FAgentLite)](https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Freleases)\n  ![Python 3.9+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9%2B-brightgreen.svg)\n  [![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fagentlite-llm.svg?color=brightgreen)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fagentlite-llm)\n  [![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache-green.svg)]()\n  [![GitHub star chart](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FSalesforceAIResearch\u002FAgentLite?style=social)](https:\u002F\u002Fstar-history.com\u002F#SalesforceAIResearch\u002FAgentLite)\n\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538\">Paper\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-key-features\">Key Features\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#%EF%B8%8F-installation\">Installation\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-quick-start\">Quick Start\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-examples\">Examples\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-tutorials\">Tutorials\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-benchmark\">Benchmark\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\nAgentLite is a research-oriented library designed for building and advancing LLM-based task-oriented agent systems. It simplifies the implementation of new agent\u002Fmulti-agent architectures, enabling easy orchestration of multiple agents through a manager agent. Whether you're building individual agents or complex multi-agent systems, AgentLite provides a straightforward and lightweight foundation for your research and development. Check more details in [our paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538).\n\n## 🎉 News\n- **[04.2024]** [UI Supporting](.\u002Fapp\u002FHomepage.py) is released for AgentLite! \n- **[03.2024]** [xLAM model](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002FSalesforce\u002Fxlam-models-65f00e2a0a63bbcd1c2dade4) and [xLAM code](https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FxLAM) is released! Try it with [AgentLite benchmark](.\u002Fbenchmark\u002F), which is comparable to GPT-4!\n- **[03.2024]** We developed all the agent architectures in [BOLAA](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2308.05960.pdf) with AgentLite. Check our [new benchmark](.\u002Fbenchmark\u002F)\n- **[02.2024]** Initial Release of AgentLite library and [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538)!\n\n## 🌟 Key Features\n\n- **Lightweight Codebase**: Designed for easy implementation of new Agent\u002FMulti-Agent architectures.\n- **Task-oriented LLM-based Agents**: Focus on building agents for specific tasks, enhancing their performance and capabilities.\n- **Research-oriented Design**: A perfect tool for exploring advanced concepts in LLM-based multi-agent systems.\n\n## 🤖 Framework\n![AgentLite Framework](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_673973252ccc.jpg)\n\n\n## 🛠️ Installation\n\nTo get started with AgentLite, clone the repository and install the package using the following commands:\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite.git\ncd AgentLite\npip install -e .\n```\n\nEnsure you check the package dependencies and requirements in `requirements.txt` and `setup.py`.\n\n## 🚀 Quick Start\n\nTo use AgentLite, set your OpenAI API key and run one of the example scripts:\n\n```shell\nexport OPENAI_API_KEY=\u003CINSERT YOUR OpenAI API KEY HERE>\npython .\u002Fexample\u002FSearchManager.py\n```\n\n## 🖥️ UI Supporting\nWe provide a simple UI feature with AgentLite for demo purpose. To enable this capbility, uncomment the UI parts in [requirements.txt](.\u002Frequirements.txt) to install the steamlite package.\nAfter installation, start with\n```shell\nstreamlit run app\u002FHomepage.py\n```\nCheck our recorded UI demo.\n![UI demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_dc376cf908f0.gif)\n\n\n## 🔍 Examples\n\n### Building Individual Agents\n\nBuild a Wikipedia search agent by providing a specific search action. For the full source, see [SearchAgent.py](.\u002Fexample\u002FSearchAgent.py).\n\n**1. Define the Action of an Agent**\n\n```python\nfrom agentlite.actions.BaseAction import BaseAction\nfrom langchain_community.tools import WikipediaQueryRun\n\nclass WikipediaSearch(BaseAction):\n    def __init__(self) -> None:\n        action_name = \"Wikipedia_Search\" \n        action_desc = \"Using this API to search Wiki content.\" # LLM uses action_name and action_desc to understand this action\n        params_doc = {\"query\": \"the search string. be simple.\"} # LLM uses this params_doc to understand the parameters in self.__call__() function\n        self.search = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())\n        super().__init__(\n            action_name=action_name,\n            action_desc=action_desc,\n            params_doc=params_doc,\n        )\n\n    def __call__(self, query):\n        return self.search.run(query)\n```\n\n**2. Define an Agent with the Search Action**\n\n```python\n# get the llm for agent. Should already export OPENAI_API_KEY=\"\" in the your terminal if you use OPENAI_API.\nllm_config_dict = {\"llm_name\": \"gpt-3.5-turbo\", \"temperature\": 0.9}\nllm_config = LLMConfig(llm_config_dict)\nllm = get_llm_backend(llm_config)\n# define an individual agent\nsearch_agent_info = {\n    \"name\": \"search_agent\",\n    \"role\": \"you can search wikipedia to get the information.\"\n}\nsearch_agent = BaseAgent(name=search_agent_info[\"name\"], \n                         role=search_agent_info[\"role\"], \n                         llm=llm, \n                         actions=[WikipediaSearch()], \n                         logger=agent_logger\n                         )\n```\n\n**3. Calling the Agent with a Task**\n\n```python\n# calling the agent with TaskPackage\nfrom agentlite.commons import TaskPackage\ntest_task = \"what is the found date of microsoft\"\ntest_task_pack = TaskPackage(instruction=test_task)\nresponse = search_agent(test_task_pack)\nprint(\"response:\", response)\n```\n\n### Building a Multi-Agent System\n\nOrchestrate different search agents into a multi-agent system. For full source, see [simple_manager.py](.\u002Fexample\u002Fsimple_manager.py).\n\n**1. Define Individual Agents**\n\n```python\n# define two different types search agents\n## get llm backend\nfrom agentlite.llm.agent_llms import get_llm_backend\nfrom agentlite.llm.LLMConfig import LLMConfig\nllm_config_dict = {\n    \"llm_name\": \"gpt-3.5-turbo\",\n    \"temperature\": 0.9,\n    \"context_len\": 4000,\n}\nllm_config = LLMConfig(llm_config_dict)\nllm = get_llm_backend(llm_config)\n## get individual agents\nfrom example.SearchAgent import WikiSearchAgent, DuckSearchAgent\nwiki_search_agent = WikiSearchAgent(llm)\nduck_search_agent = DuckSearchAgent(llm)\n```\n\n**2. Define a Manager Agent**\n\n```python\nfrom agentlite.agents import ManagerAgent\nmanager_agent_info = {\n    \"name\": \"search_manager\",\n    \"role\": \"you are controlling wiki_search_agent and duck_search_agent to complete the search task. You should first use wiki_search_agent to complete the search task. If didn't answer the task, please try to ask duck_search_agent. You should integrate the answer from both agent to finalize the task.\"\n}\n# simply initializing the manager with info and the TeamAgents.\nsearch_manager = ManagerAgent(llm, manager_agent_info[\"name\"], \n                              manager_agent_info[\"role\"],\n                              TeamAgents=[wiki_search_agent, duck_search_agent])\n```\n\n**3. Test the Manager Agent with a TaskPackage**\n\n```python\nfrom agentlite.commons import TaskPackage\ntest_task = \"what is salesforce famous for?\"\ntest_task_pack = TaskPackage(instruction=test_task, task_creator=\"User\")\nresponse = search_manager(test_task_pack)\nprint(response)\n```\n\nrunning the test in terminal. You will see the running output like following:\n```\nAgent search_manager receives the following TaskPackage:\n[\n        Task ID: 6f6bffdd-1ba8-4f7c-b326-8f409865fef0\n        Instruction: what is salesforce famous for?\n]\n====search_manager starts execution on TaskPackage 6f6bffdd-1ba8-4f7c-b326-8f409865fef0====\nAgent search_manager takes 0-step Action:\n{\n        name: wiki_search_agent\n        params: {'Task': 'What is salesforce famous for?'}\n}\n``` \n\n## 📘 [Tutorials](.\u002Ftutorials\u002F)\n\n- [Building Search Agent](.\u002Ftutorials\u002Fbuilding_search_agent.ipynb)\n- [Building a Multi-Agent Searching System](.\u002Ftutorials\u002Fbuilding_multi_agent_system.ipynb)\n- [Two Agent in Chess Game](.\u002Ftutorials\u002Fchess_game.ipynb)\n- [Math Problem Solving](.\u002Ftutorials\u002Fmath_problem_solving.ipynb)\n- [Interactive Image Understanding](.\u002Ftutorials\u002Finteractive_image_understanding.ipynb)\n- [Multi_LLM_QA](.\u002Ftutorials\u002Fmulti_LLM_QA.ipynb) \n- [Search_and_Paint](.\u002Ftutorials\u002Fsearch_and_paint.ipynb)\n- [Philosophers_chatting](.\u002Ftutorials\u002Fphilosophers_chatting.ipynb)\n\nFor detailed examples and tutorials on how to utilize AgentLite for your research or projects, please visit the [tutorials directory](.\u002Ftutorials\u002F).\n\n## 🔬 [Benchmark](.\u002Fbenchmark\u002F)\n- [HotpotQA](.\u002Fbenchmark\u002Fhotpotqa\u002Fevaluate_hotpot_qa.py)\n- [Webshop](.\u002Fbenchmark\u002Fwebshop\u002Fevaluate_webshop.py)\n- [Tool-query](.\u002Fbenchmark\u002Ftool\u002Fevaluate_tools.py)\n- [Tool-operation](.\u002Fbenchmark\u002Ftool-operation\u002Fevaluate_tool_operation.py)\n\n## Citation\nIf you find our paper or code useful, please cite\n```\n@misc{liu2024agentlite,\n      title={AgentLite: A Lightweight Library for Building and Advancing Task-Oriented LLM Agent System}, \n      author={Zhiwei Liu and Weiran Yao and Jianguo Zhang and Liangwei Yang and Zuxin Liu and Juntao Tan and Prafulla K. Choubey and Tian Lan and Jason Wu and Huan Wang and Shelby Heinecke and Caiming Xiong and Silvio Savarese},\n      year={2024},\n      eprint={2402.15538},\n      archivePrefix={arXiv},\n      primaryClass={cs.MA}\n}\n```\n\n## Acknowledgement\n- We use some great tools in [Langchain](https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain) to build the examples and the library LLM call\n\n## Contact\nPlease reach out to us if you have any questions or suggestions. You can submit an issue or pull request, or send an email to zhiweiliu@salesforce.com\n","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain\">\u003Cimg width=\"300px\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_d15d812e999b.jpg\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n\u003Cdiv align=\"center\">\n\n  [![Release Notes](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002FSalesforceAIResearch\u002FAgentLite)](https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Freleases)\n  ![Python 3.9+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9%2B-brightgreen.svg)\n  [![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fagentlite-llm.svg?color=brightgreen)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fagentlite-llm)\n  [![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache-green.svg)]()\n  [![GitHub star chart](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FSalesforceAIResearch\u002FAgentLite?style=social)](https:\u002F\u002Fstar-history.com\u002F#SalesforceAIResearch\u002FAgentLite)\n\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538\">论文\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-key-features\">关键特性\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#%EF%B8%8F-installation\">安装\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-quick-start\">快速入门\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-examples\">示例\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-tutorials\">教程\u003C\u002Fa> |\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Ftree\u002Fmain?tab=readme-ov-file#-benchmark\">基准测试\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\nAgentLite 是一个面向研究的库，旨在构建和推进基于 LLM 的任务导向型智能体系统。它简化了新型智能体或多智能体架构的实现，通过管理智能体轻松编排多个智能体。无论您是在构建单个智能体还是复杂的多智能体系统，AgentLite 都能为您的研究与开发提供一个简单轻量级的基础。更多详情请参阅我们的[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538)。\n\n## 🎉 新闻\n- **[04.2024]** AgentLite 发布了[UI 支持功能](.\u002Fapp\u002FHomepage.py)！\n- **[03.2024]** [xLAM 模型](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002FSalesforce\u002Fxlam-models-65f00e2a0a63bbcd1c2dade4)和[xLAM 代码](https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FxLAM)发布！您可以使用[AgentLite 基准测试](.\u002Fbenchmark\u002F)来体验，其性能可与 GPT-4 相媲美！\n- **[03.2024]** 我们使用 AgentLite 实现了[BOLAA](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2308.05960.pdf)中的所有智能体架构。请查看我们的[新基准测试](.\u002Fbenchmark\u002F)。\n- **[02.2024]** AgentLite 库及[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2402.15538)首次发布！\n\n## 🌟 关键特性\n\n- **轻量级代码库**：专为轻松实现新型智能体或多智能体架构而设计。\n- **任务导向型 LLM 智能体**：专注于构建针对特定任务的智能体，以提升其性能和能力。\n- **面向研究的设计**：是探索基于 LLM 的多智能体系统高级概念的理想工具。\n\n## 🤖 框架\n![AgentLite 框架](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_673973252ccc.jpg)\n\n\n## 🛠️ 安装\n\n要开始使用 AgentLite，请克隆仓库并运行以下命令安装软件包：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite.git\ncd AgentLite\npip install -e .\n```\n\n请务必查看 `requirements.txt` 和 `setup.py` 中的依赖项和要求。\n\n## 🚀 快速入门\n\n要使用 AgentLite，首先设置 OpenAI API 密钥，然后运行其中一个示例脚本：\n\n```shell\nexport OPENAI_API_KEY=\u003C在此处插入您的 OpenAI API 密钥>\npython .\u002Fexample\u002FSearchManager.py\n```\n\n## 🖥️ UI 支持\n我们为演示目的在 AgentLite 中提供了一个简单的 UI 功能。要启用此功能，请取消注释 `requirements.txt` 中的 UI 相关部分，以安装 streamlit 包。\n安装完成后，运行以下命令即可启动：\n```shell\nstreamlit run app\u002FHomepage.py\n```\n请查看我们的录制 UI 演示。\n![UI 演示](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_readme_dc376cf908f0.gif)\n\n\n## 🔍 示例\n\n### 构建单个智能体\n\n通过提供特定的搜索动作，构建一个维基百科搜索智能体。完整源码请参阅 [SearchAgent.py](.\u002Fexample\u002FSearchAgent.py)。\n\n**1. 定义智能体的动作**\n\n```python\nfrom agentlite.actions.BaseAction import BaseAction\nfrom langchain_community.tools import WikipediaQueryRun\n\nclass WikipediaSearch(BaseAction):\n    def __init__(self) -> None:\n        action_name = \"Wikipedia_Search\" \n        action_desc = \"使用此 API 搜索维基内容。\" # LLM 使用 action_name 和 action_desc 来理解该动作\n        params_doc = {\"query\": \"搜索字符串，尽量简洁。\"} # LLM 使用此 params_doc 来理解 self.__call__() 函数中的参数\n        self.search = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())\n        super().__init__(\n            action_name=action_name,\n            action_desc=action_desc,\n            params_doc=params_doc,\n        )\n\n    def __call__(self, query):\n        return self.search.run(query)\n```\n\n**2. 定义带有搜索动作的智能体**\n\n```python\n# 获取用于智能体的 LLM。如果您使用 OpenAI API，则应已在终端中导出 OPENAI_API_KEY=\"\"。\nllm_config_dict = {\"llm_name\": \"gpt-3.5-turbo\", \"temperature\": 0.9}\nllm_config = LLMConfig(llm_config_dict)\nllm = get_llm_backend(llm_config)\n# 定义一个单个智能体\nsearch_agent_info = {\n    \"name\": \"search_agent\",\n    \"role\": \"你可以搜索维基百科获取信息。\"\n}\nsearch_agent = BaseAgent(name=search_agent_info[\"name\"], \n                         role=search_agent_info[\"role\"], \n                         llm=llm, \n                         actions=[WikipediaSearch()], \n                         logger=agent_logger\n                         )\n```\n\n**3. 使用任务调用智能体**\n\n```python\n# 使用 TaskPackage 调用智能体\nfrom agentlite.commons import TaskPackage\ntest_task = \"微软公司成立于哪一年\"\ntest_task_pack = TaskPackage(instruction=test_task)\nresponse = search_agent(test_task_pack)\nprint(\"响应:\", response)\n```\n\n### 构建多智能体系统\n\n将不同的搜索智能体编排成一个多智能体系统。完整源码请参阅 [simple_manager.py](.\u002Fexample\u002Fsimple_manager.py)。\n\n**1. 定义单个智能体**\n\n```python\n# 定义两种不同类型的搜索智能体\n## 获取 LLM 后端\nfrom agentlite.llm.agent_llms import get_llm_backend\nfrom agentlite.llm.LLMConfig import LLMConfig\nllm_config_dict = {\n    \"llm_name\": \"gpt-3.5-turbo\",\n    \"temperature\": 0.9,\n    \"context_len\": 4000,\n}\nllm_config = LLMConfig(llm_config_dict)\nllm = get_llm_backend(llm_config)\n\n## 获取个体智能体\nfrom example.SearchAgent import WikiSearchAgent, DuckSearchAgent\nwiki_search_agent = WikiSearchAgent(llm)\nduck_search_agent = DuckSearchAgent(llm)\n```\n\n**2. 定义管理智能体**\n\n```python\nfrom agentlite.agents import ManagerAgent\nmanager_agent_info = {\n    \"name\": \"search_manager\",\n    \"role\": \"你负责控制 wiki_search_agent 和 duck_search_agent 完成搜索任务。你应该首先使用 wiki_search_agent 完成任务。如果它未能回答问题，请尝试让 duck_search_agent 来解答。最后，你需要整合两个智能体的回答，以最终完成任务。\"\n}\n# 简单地通过信息和 TeamAgents 初始化管理智能体。\nsearch_manager = ManagerAgent(llm, manager_agent_info[\"name\"], \n                              manager_agent_info[\"role\"],\n                              TeamAgents=[wiki_search_agent, duck_search_agent])\n```\n\n**3. 使用 TaskPackage 测试管理智能体**\n\n```python\nfrom agentlite.commons import TaskPackage\ntest_task = \"Salesforce 因何而出名？\"\ntest_task_pack = TaskPackage(instruction=test_task, task_creator=\"User\")\nresponse = search_manager(test_task_pack)\nprint(response)\n```\n\n在终端运行测试时，您将看到如下输出：\n```\nAgent search_manager 接收到以下 TaskPackage：\n[\n        任务 ID：6f6bffdd-1ba8-4f7c-b326-8f409865fef0\n        指令：Salesforce 因何而出名？\n]\n====search_manager 开始执行任务 Package 6f6bffdd-1ba8-4f7c-b326-8f409865fef0====\nAgent search_manager 执行第 0 步操作：\n{\n        名称：wiki_search_agent\n        参数：{'任务': 'Salesforce 因何而出名？'}\n}\n``` \n\n## 📘 [教程](.\u002Ftutorials\u002F)\n\n- [构建搜索智能体](.\u002Ftutorials\u002Fbuilding_search_agent.ipynb)\n- [构建多智能体搜索系统](.\u002Ftutorials\u002Fbuilding_multi_agent_system.ipynb)\n- [国际象棋游戏中的两个智能体](.\u002Ftutorials\u002Fchess_game.ipynb)\n- [数学问题求解](.\u002Ftutorials\u002Fmath_problem_solving.ipynb)\n- [交互式图像理解](.\u002Ftutorials\u002Finteractive_image_understanding.ipynb)\n- [多 LLM QA](.\u002Ftutorials\u002Fmulti_LLM_QA.ipynb) \n- [搜索与绘画](.\u002Ftutorials\u002Fsearch_and_paint.ipynb)\n- [哲学家对话](.\u002Ftutorials\u002Fphilosophers_chatting.ipynb)\n\n有关如何将 AgentLite 应用于您的研究或项目的详细示例和教程，请访问 [教程目录](.\u002Ftutorials\u002F)。\n\n## 🔬 [基准测试](.\u002Fbenchmark\u002F)\n- [HotpotQA](.\u002Fbenchmark\u002Fhotpotqa\u002Fevaluate_hotpot_qa.py)\n- [网上商店](.\u002Fbenchmark\u002Fwebshop\u002Fevaluate_webshop.py)\n- [工具查询](.\u002Fbenchmark\u002Ftool\u002Fevaluate_tools.py)\n- [工具操作](.\u002Fbenchmark\u002Ftool-operation\u002Fevaluate_tool_operation.py)\n\n## 引用\n如果您觉得我们的论文或代码有用，请引用以下内容：\n```\n@misc{liu2024agentlite,\n      title={AgentLite: 一个用于构建和推进面向任务的 LLM 智能体系统的轻量级库}, \n      author={刘志伟、姚伟然、张建国、杨良伟、刘祖鑫、谭俊涛、Prafulla K. Choubey、兰天、吴杰森、王欢、希利·海涅克、熊才明、西尔维奥·萨瓦雷斯},\n      year={2024},\n      eprint={2402.15538},\n      archivePrefix={arXiv},\n      primaryClass={cs.MA}\n}\n```\n\n## 致谢\n我们使用了 [Langchain](https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain) 中的一些优秀工具来构建示例以及实现 LLM 调用的库。\n\n## 联系方式\n如果您有任何问题或建议，请随时与我们联系。您可以提交问题或拉取请求，也可以发送邮件至 zhiweiliu@salesforce.com。","# AgentLite 快速上手指南\n\nAgentLite 是一个面向研究的轻量级库，旨在构建和推进基于大语言模型（LLM）的任务导向型智能体系统。它简化了新智能体或多智能体架构的实现，支持通过管理智能体轻松协调多个智能体。\n\n## 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\n*   **Python 版本**：3.9 或更高版本\n*   **依赖项**：\n    *   `langchain` 相关组件（安装时会自动处理）\n    *   若需使用 OpenAI 模型，需准备有效的 `OPENAI_API_KEY`\n*   **网络建议**：由于依赖 PyPI 和 GitHub，国内用户建议在安装时使用国内镜像源加速。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    从 GitHub 获取源代码：\n    ```shell\n    git clone https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite.git\n    cd AgentLite\n    ```\n\n2.  **安装依赖**\n    推荐使用国内镜像源（如清华源）进行安装，以提升下载速度：\n    ```shell\n    pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *注：如有特殊需求，请检查 `requirements.txt` 和 `setup.py` 中的具体依赖。*\n\n## 基本使用\n\n以下是最简单的单智能体使用示例，演示如何构建一个维基百科搜索智能体。\n\n### 1. 配置 API Key\n在终端中设置您的 OpenAI API Key（如果使用其他后端请相应调整）：\n```shell\nexport OPENAI_API_KEY=\u003CINSERT YOUR OpenAI API KEY HERE>\n```\n\n### 2. 运行示例代码\nAgentLite 提供了现成的示例脚本。您可以直接运行搜索管理示例来体验多智能体协作，或参考以下代码构建单个智能体。\n\n**直接运行官方示例：**\n```shell\npython .\u002Fexample\u002FSearchManager.py\n```\n\n**代码示例：构建并调用单个搜索智能体**\n\n如果您想通过代码自定义智能体，可以参考以下核心步骤：\n\n```python\nfrom agentlite.actions.BaseAction import BaseAction\nfrom agentlite.llm.agent_llms import get_llm_backend\nfrom agentlite.llm.LLMConfig import LLMConfig\nfrom agentlite.agents import BaseAgent\nfrom agentlite.commons import TaskPackage\nfrom langchain_community.tools import WikipediaQueryRun\nfrom langchain.utilities import WikipediaAPIWrapper\n\n# 1. 定义智能体的动作 (Action)\nclass WikipediaSearch(BaseAction):\n    def __init__(self) -> None:\n        action_name = \"Wikipedia_Search\" \n        action_desc = \"Using this API to search Wiki content.\"\n        params_doc = {\"query\": \"the search string. be simple.\"}\n        self.search = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())\n        super().__init__(\n            action_name=action_name,\n            action_desc=action_desc,\n            params_doc=params_doc,\n        )\n\n    def __call__(self, query):\n        return self.search.run(query)\n\n# 2. 初始化 LLM 后端\nllm_config_dict = {\"llm_name\": \"gpt-3.5-turbo\", \"temperature\": 0.9}\nllm_config = LLMConfig(llm_config_dict)\nllm = get_llm_backend(llm_config)\n\n# 3. 定义智能体\nsearch_agent_info = {\n    \"name\": \"search_agent\",\n    \"role\": \"you can search wikipedia to get the information.\"\n}\nsearch_agent = BaseAgent(\n    name=search_agent_info[\"name\"], \n    role=search_agent_info[\"role\"], \n    llm=llm, \n    actions=[WikipediaSearch()]\n)\n\n# 4. 下达任务并执行\ntest_task = \"what is the found date of microsoft\"\ntest_task_pack = TaskPackage(instruction=test_task)\nresponse = search_agent(test_task_pack)\nprint(\"response:\", response)\n```\n\n### 进阶：启动 UI 界面\nAgentLite 还支持简单的 Streamlit UI 演示。如需体验，请先取消注释 `requirements.txt` 中的 streamlit 相关依赖并重新安装，然后运行：\n```shell\nstreamlit run app\u002FHomepage.py\n```","某电商公司的算法团队正致力于构建一个能自动处理“用户投诉 - 库存查询 - 退款执行”复杂流程的多智能体系统，以替代人工客服的繁琐操作。\n\n### 没有 AgentLite 时\n- **架构搭建繁琐**：研究人员需从零编写大量样板代码来定义智能体间的通信协议和状态管理，开发周期长达数周。\n- **多智能体协同困难**：缺乏统一的管理者（Manager）机制，多个专用智能体（如查询员、审核员）之间难以高效协作，常出现任务死循环或信息丢失。\n- **实验迭代成本高**：每次尝试新的智能体架构（如引入 BOLAA 模式）都需要重构核心逻辑，严重阻碍了学术探索和技术验证。\n- **缺乏标准化基准**：难以快速对接现有的评测基准（Benchmark），无法量化对比不同模型在特定任务上的表现优劣。\n\n### 使用 AgentLite 后\n- **轻量级快速启动**：依托其精简的代码库，团队仅需少量配置即可实例化任务型智能体，将原型开发时间缩短至几天。\n- **高效编排协同**：利用内置的管理者智能体（Manager Agent），轻松实现了多角色间的有序调度，确保复杂任务流顺畅执行且无状态丢失。\n- **灵活架构探索**：研究人员可像搭积木般快速复现论文中的先进架构（如 xLAM 或 BOLAA），极大加速了新策略的验证过程。\n- **内置评测支持**：直接调用集成的 Benchmark 模块，实时量化系统性能，为模型优化提供了清晰的数据支撑。\n\nAgentLite 通过提供轻量且研究导向的基础设施，让团队从重复的底层编码中解放出来，专注于多智能体系统的核心逻辑创新与性能突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSalesforceAIResearch_AgentLite_d15d812e.jpg","SalesforceAIResearch","Salesforce AI Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSalesforceAIResearch_6ff2d82a.png","Open Source projects released by Salesforce AI Research","ospo@salesforce.com","https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",93.5,{"name":87,"color":88,"percentage":89},"Python","#3572A5",6.5,642,81,"2026-03-25T18:52:58","Apache-2.0","未说明",{"notes":96,"python":97,"dependencies":98},"该工具主要依赖外部 LLM API（如 OpenAI），需设置 OPENAI_API_KEY 环境变量。若启用 UI 功能，需在 requirements.txt 中取消注释以安装 streamlit 包。具体底层依赖请查看项目中的 requirements.txt 和 setup.py 文件。","3.9+",[99,100],"langchain_community","streamlit (可选，用于 UI 功能)",[26,13,15],"2026-03-27T02:49:30.150509","2026-04-06T06:45:47.063857",[105,110,115],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},15140,"如何为 AgentLite 集成新的外部 LLM 提供商（如 Unify AI）？","建议通过定义 BaseLLM 类的新子类来实现集成，而不建议修改 BaseAgent 类以避免引入过多依赖。具体步骤包括：1. 创建新的 LLM 类（如 UnifyLLM）；2. 更新 LLMConfig 以处理新提供商的设置；3. 编写综合测试。注意：如果遇到硬编码的 OpenAI API 依赖错误，可能需要进一步修改 BaseAgent 中的 llm_layer 函数以支持多提供商识别。","https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Fissues\u002F33",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},15141,"在哪里可以找到 WebShop 基准测试中用于区分简单\u002F困难类别的 complexity.csv 文件？","该文件并未单独提供，相关信息已包含在 `~AgentBoard\u002Fdata\u002Fwebshop\u002Ftest.jsonl` 文件中。用户可以直接解析该 JSONL 文件来获取任务的复杂度分类信息。","https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Fissues\u002F37",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},15142,"如何在 WebShop 基准测试中使用本地模型或非 OpenAI 模型进行推理？","直接更改 base_url 和 model_name 可能无效，因为模型必须在 agentlite.llm.agent_llms 中定义。解决方案是使用 FastChat 包装本地模型并将其别名映射为 OpenAI 支持的模型名称。具体步骤：\n1. 启动 FastChat model_worker 并设置别名：\n`CUDA_VISIBLE_DEVICES=2 python3 -m fastchat.serve.model_worker --model-names \"gpt-3.5-turbo,text-davinci-003\" --model-path meta-llama\u002FMeta-Llama-3-8B-Instruct --host 0.0.0.0 --port 31003`\n2. 运行评估脚本时指定别名和本地地址：\n`python evaluate_webshop.py --llm gpt-3.5-turbo --lam_url http:\u002F\u002Flocalhost:8000\u002Fv1\u002F`\n其中 lam_url 参数用于覆盖默认的 base_url。","https:\u002F\u002Fgithub.com\u002FSalesforceAIResearch\u002FAgentLite\u002Fissues\u002F32",[121,126,131,136,141,146,151],{"id":122,"version":123,"summary_zh":124,"released_at":125},89827,"v0.1.2","修复“完成操作”中的错误。现已支持自定义“完成操作”。","2024-05-10T06:57:22",{"id":127,"version":128,"summary_zh":129,"released_at":130},89828,"v0.1.1","- 添加支持的用户界面","2024-04-16T07:51:21",{"id":132,"version":133,"summary_zh":134,"released_at":135},89829,"v0.1.0","- 简化了库。\n- 开发了新的基准测试。","2024-03-18T22:28:04",{"id":137,"version":138,"summary_zh":139,"released_at":140},89830,"v0.0.6","使用本地 base_url 更新大模型推理","2024-03-13T21:08:31",{"id":142,"version":143,"summary_zh":144,"released_at":145},89831,"v0.0.5","添加新的智能体架构。","2024-03-06T06:02:53",{"id":147,"version":148,"summary_zh":149,"released_at":150},89832,"v0.0.4","- 修复解析动作的问题","2024-03-01T06:54:08",{"id":152,"version":153,"summary_zh":154,"released_at":155},89833,"v0.0.3","AgentLite库的首次发布","2024-02-20T23:43:31"]