evo.ninja

GitHub
1.1k 170 较难 1 次阅读 2周前MITAgent
AI 解读 由 AI 自动生成,仅供参考

evo.ninja 是一款灵活通用的 AI 智能体,能够根据用户提出的具体任务实时调整自身策略。它主要解决了传统 AI 助手在面对复杂、多步骤问题时缺乏针对性专业能力的痛点,通过动态切换不同领域的“专家人格”来高效达成目标。

这款工具非常适合开发者、数据分析师、研究人员以及需要处理跨领域任务的普通用户。无论是需要从文本中提炼报告、分析 CSV 数据洞察趋势、在互联网上检索信息,还是构建复杂的 Python 软件项目,evo.ninja 都能游刃有余地应对。

其核心技术亮点在于独特的“执行循环”机制。在任务处理过程中,evo.ninja 会不断预测最佳下一步骤,并从预设的专家库(如合成器、CSV 分析师、研究员和开发者)中选择最匹配的角色接管任务。同时,它能智能筛选历史对话上下文,仅保留最关键信息用于决策,确保每次行动都精准指向用户目标。这种自适应架构让 evo.ninja 不再是一个单一的聊天机器人,而是一个能随需而变的全能型数字助手。用户既可以通过网页界面直观操作,也能利用命令行工具将其集成到开发工作流中,轻松开启自动化任务之旅。

使用场景

一位数据分析师需要快速完成一份包含网络竞品调研、本地销售 CSV 数据清洗及最终趋势报告生成的复杂任务。

没有 evo.ninja 时

  • 工具切换繁琐:需手动在浏览器搜索竞品信息,再切换到 Python 编辑器编写脚本处理 CSV 文件,最后用文档工具撰写报告,上下文频繁断裂。
  • 技能门槛限制:若分析师不精通 Python 或特定数据处理库,清洗复杂数据和计算关键指标时极易出错或耗时良久。
  • 信息整合困难:网络获取的非结构化文本与本地结构化表格数据难以自动关联,人工复制粘贴容易导致数据不一致。
  • 流程中断风险:一旦中间某个环节(如代码报错或搜索关键词不准)卡住,整个任务链条停滞,需人工介入调试。

使用 evo.ninja 后

  • 自主角色调度:evo.ninja 自动识别任务阶段,依次调用"Researcher"联网抓取竞品动态,"Csv Analyst"精准提取销售数据,"Synthesizer"汇总生成报告,全程无需人工干预。
  • 实时自适应执行:遇到复杂的计算需求时,evo.ninja 自动激活"Developer" persona 编写并运行 Python 代码解决难题,弥补用户技能短板。
  • 上下文智能串联:evo.ninja 在执行循环中自动保留关键历史信息,将网络调研结论与本地数据分析结果逻辑互通,确保报告观点有据可依。
  • 闭环自动交付:从目标输入到最终报告生成,evo.ninja 持续迭代直到确认任务完成,即使中途出现异常也能自动调整策略继续执行。

evo.ninja 通过动态切换专家角色,将原本割裂的多步骤工作流转化为一个自主闭环的智能代理过程,极大提升了复杂任务的交付效率。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该项目主要基于 Node.js 运行,而非 Python。核心功能依赖 OpenAI API 和 SERP API,需自行配置密钥。若需运行 UI 界面,必须安装并运行 Docker Desktop 以启动本地 Supabase 数据库。项目使用 nvm 管理 Node.js 版本,建议使用 yarn 进行依赖安装和构建。
python未说明
git
nodejs
yarn
nvm
Docker Desktop (UI 模式必需)
Supabase (UI 模式必需)
evo.ninja hero image

快速开始


Discord | 为这个仓库点赞!


欢迎!

要开始使用 evo.ninja,只需访问我们的网站,或者按照这些设置说明从源代码构建并运行。

需要帮助吗?

加入我们的Discord 社区,获取支持和参与讨论。

加入我们的 Discord

如果您有任何问题或遇到困难,请随时创建新 issue 以获得支持。

工作原理

evo.ninja 的特别之处在于,它能够根据当前的任务实时调整自身行为。evo 使用预定义的代理角色,这些角色针对特定领域的任务进行了优化。在每次执行循环中,evo 都会根据当前任务选择最合适的代理角色来完成目标。

代理角色

代理 专长
📝合成器 “读取文本文件,分析并收集其中的数据和信息,生成摘要和报告,并对文本进行分析。”
#️⃣ CSV 分析师 “擅长读取 CSV 文件,搜索数据、提取关键点、计算数值,并从 CSV 文件中得出洞察。”
🌐 研究员 “在互联网上搜索、理解细节并查找信息。”
💻 开发者 “架构并构建复杂软件,专注于 Python。”

执行循环

  1. 预测下一步: 在每次执行循环中,evo 首先会基于现有信息做出关于最佳下一步的判断。
  2. 选择最佳代理: 根据这一判断,evo 会选择一个最适合当前任务的代理角色。
  3. 上下文化聊天记录: 基于第一步的预测和第二步选定的代理角色,整个聊天记录会被“上下文化”,只保留最相关的信息用于最后的评估步骤。
  4. 评估与执行: 最后一步会对当前情况做最终评估,以确定应调用哪个代理功能来进一步实现用户的目标。

这四个步骤会不断循环执行,直到确认用户的任务已经完成为止。

设置

先决条件

请安装以下工具:

安装

  1. 克隆仓库

    git clone https://github.com/agentcoinorg/evo.ninja

  2. 复制 .env.template 文件并重命名为 .env

    cp .env.template .env

  3. 找到包含 OPENAI_API_KEY= 的行,填入您唯一的 OpenAI API 密钥。
    OPENAI_API_KEY=sk-...
  4. 找到包含 SERP_API_KEY= 的行,填入您的唯一 SERP API 密钥。
    SERP_API_KEY=b071...(详情请参见 https://serpapi.com)
  5. 使用正确的 Node.js 版本

    nvm install && nvm use 如果是全新的 Node.js 环境,请安装 Yarn:
    npm install -g yarn

  6. 安装所有依赖并构建项目

    yarn && yarn build

现在您已经准备就绪!可以通过命令行界面或用户界面运行 evo。

命令行界面

在终端中运行 evo:

yarn start

参数:

  • [goal] - 要达成的目标

选项:

  • -s, --session <name> - ./sessions/... 目录下的会话名称。
  • -t, --timeout <seconds> - 设置超时时间,超过指定秒数后将终止进程。
  • -d, --debug - 在 ./sessions/${session}/.evo/... 目录下输出调试日志。

会话工作区

当 evo.ninja 命令行界面启动后,会创建一个 ./sessions 目录,其中包含多个命名会话。这是代理的根目录,代理只会读写该目录内的文件。每个会话工作区中都会有一个 .evo/ 目录,用于存放内部日志,其中包括一个 chat.md 文件,提供代理输出的 Markdown 格式版本。使用 --debug 选项可以在该目录中获取原始的调试日志。

用户界面

UI 依赖于 Supabase 数据库。要在本地运行 UI,您需要安装并运行 Docker Desktop

  1. 确保您已按照上述安装步骤操作。
  2. 进入 cd apps/browser
  3. 运行 yarn db:start - 这可能需要大约 3 分钟,因为系统会下载 Supabase 所需的所有镜像。
  4. 根据第 2 步的输出更新 .env.local 文件中的值:
    • NEXT_PUBLIC_SUPABASE_URL 将显示为 API URL
    • SUPABASE_SERVICE_ROLE_KEY 将显示为 service_role key
  5. 运行 UI:

    yarn dev

相似工具推荐

openclaw

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。 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。 OpenClaw 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

349.3k|★★★☆☆|1周前
Agent开发框架图像

stable-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。 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。

162.1k|★★★☆☆|1周前
开发框架图像Agent

everything-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。 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。 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

156.8k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

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。 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。 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。

108.3k|★★☆☆☆|5天前
开发框架图像Agent

gemini-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。 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。 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。

100.8k|★★☆☆☆|6天前
插件Agent图像

LLMs-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。 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。 LLMs-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

90.1k|★★★☆☆|1周前
语言模型图像Agent