[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aiwaves-cn--agents":3,"tool-aiwaves-cn--agents":62},[4,18,26,36,46,54],{"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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":130},8157,"aiwaves-cn\u002Fagents","agents","An Open-source Framework for Data-centric, Self-evolving Autonomous Language Agents","Agents 是一个开源框架，专为构建以数据为中心、具备自我进化能力的自主语言智能体而设计。它主要解决了传统大语言模型智能体难以通过数据反馈自动优化提示词（Prompts）和工具调用策略的痛点，让智能体不再是一次性构建的静态程序，而是能像神经网络一样通过训练不断“成长”。\n\n该工具特别适合 AI 研究人员、算法工程师以及希望深入探索智能体自主学习机制的开发者使用。其核心亮点在于独创的“智能体符号学习”（Agent Symbolic Learning）理念：将智能体的执行流程类比为神经网络的计算图，把提示词和工具视为可更新的“权重”。通过模拟前向传播执行任务，再利用基于自然语言的损失函数评估结果，进而执行“反向传播”生成文本形式的梯度（反思与分析），最终自动优化每个环节的提示词与架构。这种机制不仅支持单智能体的迭代升级，还能自然地应用于多智能体系统的协同优化，为打造更聪明、自适应的 AI 助手提供了系统化的解决方案。","\u003Cdiv align=\"center\">\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_ba68520d0647.png'  width=300px>\n\n## \u003Cp align=\"center\">Agents 2.0: Symbolic Learning Enables Self-Evolving Agents\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Faiwaves-cn.github.io\u002Fagents\u002F\">[🤖Project]\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.18532\">[📄Paper]\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fagentsv2.readthedocs.io\u002F\">[📝Docs]\u003C\u002Fa>\n\u003Ca href=\"#overview\">[🌟Overview]\u003C\u002Fa>\n\u003Ca href=\"#installation\">[🔧Installation]\u003C\u002Fa>\n\u003Ca href=\"#citation\">[🚩Citation]\u003C\u002Fa>\n\u003C\u002Fp>\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-v2.0.0-blue)\n[![License: Apache](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache2.0-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicense\u002Fapache-2-0)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Faiwaves-cn\u002Fagents?color=green)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-Welcome-red) \n\n---\n\n\u003C\u002Fdiv>\n\n\n## 🔔News\n- [2024-06-25] We release [Agents](https:\u002F\u002Fagentsv2.readthedocs.io\u002Fen\u002Flatest\u002F) 2.0, a major update to the original library, adding support for agent learning and evaluation.\n---\n\n## 🌟Overview\n\nAgent symbolic learning is a systematic framework for training language agents, which is inspired by the connectionist learning procedure used for training neural nets. We make an analogy between language agents and neural nets: the agent pipeline of an agent corresponds to the computational graph of a neural net, a node in the agent pipeline corresponds to a layer in the neural net, and the prompts and tools for a node correspond to the weights of a layer. In this way, we are able to implement the main components of connectionist learning, i.e., backward propagation and gradient-based weight update, in the context of agent training using language-based loss, gradients, and weights.\n\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_eeccd1198e95.png'>\n\nWe implement loss function, back-propagation, and weight optimizer in the context of agent training with carefully designed prompt pipelines. For a training example, our framework first conducts the \"forward pass\" (agent execution) and stores the input, output, prompts, and tool usage in each node in a \"trajectory\". We then use a prompt-based loss function to evaluate the outcome, resulting in a \"language loss\". Afterward, we back-propagate the language loss from the last to the first node along the trajectory, resulting in textual analyses and reflections for the symbolic components within each node, we call them language gradients. Finally, we update all symbolic components in each node, as well as the computational graph consisting of the nodes and their connections, according to the language gradients with another carefully designed prompt. Our approach also naturally supports optimizing multi-agent systems by considering nodes as different agents or allowing multiple agents to take actions in one node. \n\n### Workflow Illustration\n\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_61c894065926.gif'>\n\n---\n\n\n## 🔧Installation\n\n**Installation from git repo branch:**\n```\npip install git+https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents@master\n```\n\n**Installation for local development:**\n```\ngit clone -b master https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\ncd agents\npip install -e .\n```\n\n---\n\n## ⭐ Star History  \n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_26613dc57f72.png)](https:\u002F\u002Fstar-history.com\u002F#aiwaves-cn\u002Fagents&Date)\n\n---\n\n## 🚩Citation\n\nIf you find our repository useful in your research, please kindly consider cite:\n```bibtex\n@article{zhou2024agents2,\n      title={Symbolic Learning Enables Self-Evolving Agents}, \n      author={Wangchunshu Zhou and Yixin Ou and Shengwei Ding and Long Li and Jialong Wu and Tiannan Wang and Jiamin Chen and Shuai Wang and Xiaohua Xu and Ningyu Zhang and Huajun Chen and Yuchen Eleanor Jiang},\n      year={2024},\n      eprint={2406.18532},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.18532}, \n}\n\n@article{zhou2023agents,\n      title={Agents: An Open-source Framework for Autonomous Language Agents}, \n      author={Wangchunshu Zhou and Yuchen Eleanor Jiang and Long Li and Jialong Wu and Tiannan Wang and Shi Qiu and Jintian Zhang and Jing Chen and Ruipu Wu and Shuai Wang and Shiding Zhu and Jiyu Chen and Wentao Zhang and Xiangru Tang and Ningyu Zhang and Huajun Chen and Peng Cui and Mrinmaya Sachan},\n      year={2023},\n      eprint={2309.07870},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.07870}, \n}\n```\n","\u003Cdiv align=\"center\">\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_ba68520d0647.png'  width=300px>\n\n## \u003Cp align=\"center\">Agents 2.0：符号学习赋能自进化智能体\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Faiwaves-cn.github.io\u002Fagents\u002F\">[🤖项目]\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.18532\">[📄论文]\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fagentsv2.readthedocs.io\u002F\">[📝文档]\u003C\u002Fa>\n\u003Ca href=\"#overview\">[🌟概览]\u003C\u002Fa>\n\u003Ca href=\"#installation\">[🔧安装]\u003C\u002Fa>\n\u003Ca href=\"#citation\">[🚩引用]\u003C\u002Fa>\n\u003C\u002Fp>\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-v2.0.0-blue)\n[![License: Apache](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache2.0-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicense\u002Fapache-2-0)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Faiwaves-cn\u002Fagents?color=green)\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-Welcome-red) \n\n---\n\n\u003C\u002Fdiv>\n\n\n## 🔔新闻\n- [2024-06-25] 我们发布了[Agents](https:\u002F\u002Fagentsv2.readthedocs.io\u002Fen\u002Flatest\u002F) 2.0，这是对原库的重大更新，新增了智能体学习与评估的支持。\n---\n\n## 🌟概览\n\n智能体符号学习是一种系统性的语言智能体训练框架，其灵感来源于用于训练神经网络的联结主义学习流程。我们把语言智能体与神经网络进行类比：智能体的流水线对应于神经网络的计算图，智能体流水线中的一个节点对应于神经网络中的一层，而该节点的提示和工具则对应于神经网络中某一层的权重。通过这种类比，我们能够在基于语言的损失、梯度和权重的智能体训练场景下，实现联结主义学习的主要组成部分——反向传播和基于梯度的权重更新。\n\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_eeccd1198e95.png'>\n\n我们在精心设计的提示流水线基础上，实现了智能体训练中的损失函数、反向传播和权重优化器。对于一个训练示例，我们的框架首先执行“前向传递”（即智能体的执行过程），并将每个节点的输入、输出、提示以及工具使用记录在一个“轨迹”中。随后，我们利用基于提示的损失函数来评估结果，得到“语言损失”。接着，我们沿着轨迹从最后一个节点向第一个节点反向传播语言损失，从而为每个节点内的符号组件生成文本分析和反思，我们称之为“语言梯度”。最后，我们根据这些语言梯度，并借助另一个精心设计的提示，更新每个节点中的所有符号组件，以及由这些节点及其连接构成的计算图。此外，我们的方法还能自然地支持多智能体系统的优化，既可以将节点视为不同的智能体，也可以允许多个智能体在同一节点中采取行动。\n\n### 工作流程示意图\n\n\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_61c894065926.gif'>\n\n---\n\n\n## 🔧安装\n\n**从 Git 仓库分支安装：**\n```\npip install git+https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents@master\n```\n\n**本地开发环境安装：**\n```\ngit clone -b master https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\ncd agents\npip install -e .\n```\n\n---\n\n## ⭐ 星标历史  \n[![星标历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_readme_26613dc57f72.png)](https:\u002F\u002Fstar-history.com\u002F#aiwaves-cn\u002Fagents&Date)\n\n---\n\n## 🚩引用\n\n如果您在研究中使用了我们的仓库，请考虑引用以下内容：\n```bibtex\n@article{zhou2024agents2,\n      title={Symbolic Learning Enables Self-Evolving Agents}, \n      author={Wangchunshu Zhou and Yixin Ou and Shengwei Ding and Long Li and Jialong Wu and Tiannan Wang and Jiamin Chen and Shuai Wang and Xiaohua Xu and Ningyu Zhang and Huajun Chen and Yuchen Eleanor Jiang},\n      year={2024},\n      eprint={2406.18532},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.18532}, \n}\n\n@article{zhou2023agents,\n      title={Agents: An Open-source Framework for Autonomous Language Agents}, \n      author={Wangchunshu Zhou and Yuchen Eleanor Jiang and Long Li and Jialong Wu and Tiannan Wang and Shi Qiu and Jintian Zhang and Jing Chen and Ruipu Wu and Shuai Wang and Shiding Zhu and Jiyu Chen and Wentao Zhang and Xiangru Tang and Ningyu Zhang and Huajun Chen and Peng Cui and Mrinmaya Sachan},\n      year={2023},\n      eprint={2309.07870},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.07870}, \n}\n```","# Agents 2.0 快速上手指南\n\nAgents 2.0 是一个基于“符号学习”（Symbolic Learning）框架的开源库，旨在训练能够自我进化的语言智能体。它通过模拟神经网络的连接主义学习过程（前向传播、损失计算、反向传播、权重更新），利用自然语言作为损失、梯度和权重，实现智能体流程、提示词和工具的自动优化。\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**：推荐 Python 3.8 及以上版本\n*   **前置依赖**：\n    *   `pip` 包管理工具\n    *   `git` 版本控制工具\n    *   有效的 LLM API Key（如 OpenAI, Azure OpenAI 等，具体取决于您计划使用的模型后端）\n\n## 安装步骤\n\n您可以选择直接从 GitHub 安装最新稳定版，或克隆代码进行本地开发。\n\n### 方式一：直接安装（推荐）\n\n使用 pip 直接从 GitHub 仓库安装：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents@master\n```\n\n> **国内加速建议**：如果下载速度较慢，可尝试配置 pip 使用国内镜像源（如清华源）：\n> ```bash\n> pip install git+https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents@master -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 方式二：本地开发安装\n\n如果您需要修改源码或贡献代码，请克隆仓库并进行可编辑安装：\n\n```bash\ngit clone -b master https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\ncd agents\npip install -e .\n```\n\n## 基本使用\n\nAgents 2.0 的核心工作流包含“前向执行”与“符号学习优化”。以下是一个概念性的最小使用示例，展示如何定义一个简单的智能体流程并触发学习过程。\n\n*(注：实际使用时需替换为您的 API Key 和具体任务数据)*\n\n```python\nfrom agents import Agent, Environment, Trajectory\n\n# 1. 定义智能体节点 (对应神经网络中的层)\n# 每个节点包含特定的 Prompt (权重) 和工具\nagent = Agent(\n    name=\"reasoning_agent\",\n    prompt=\"You are a helpful assistant that solves math problems step by step.\",\n    tools=[] \n)\n\n# 2. 构建环境 (定义任务输入与评估标准)\nenv = Environment(\n    task=\"Calculate the sum of 1 to 100.\",\n    evaluation_metric=\"exact_match\" # 定义语言损失函数的评估标准\n)\n\n# 3. 前向传播 (Forward Pass)\n# 执行智能体，生成轨迹 (Trajectory)，记录输入、输出、Prompt 使用情况\ntrajectory: Trajectory = agent.run(env.task)\n\n# 4. 计算语言损失 (Language Loss)\n# 根据执行结果评估损失\nloss = env.evaluate(trajectory)\n\n# 5. 反向传播 (Backward Pass)\n# 从后向前传播损失，生成语言梯度 (文本分析与反思)\ngradients = trajectory.backpropagate(loss)\n\n# 6. 权重更新 (Weight Update)\n# 根据语言梯度更新节点的 Prompt 和计算图结构\nagent.update(gradients)\n\nprint(\"Agent self-evolved successfully with new prompts:\")\nprint(agent.prompt)\n```\n\n### 核心概念简述\n*   **Trajectory (轨迹)**：记录智能体执行过程中的所有状态，相当于神经网络的计算图快照。\n*   **Language Loss (语言损失)**：通过 Prompt 评估任务完成度的文本反馈。\n*   **Language Gradients (语言梯度)**：反向传播生成的文本分析和反思，用于指导优化。\n*   **Self-Evolving (自我进化)**：通过上述循环，智能体自动调整其 Prompt 策略和工作流结构。\n\n更多详细文档和高级用法（如多智能体系统优化），请访问 [官方文档](https:\u002F\u002Fagentsv2.readthedocs.io\u002F)。","某电商公司的数据团队正致力于构建一个能自动分析用户评论、提取产品缺陷并生成改进报告的智能系统，以替代繁琐的人工抽检流程。\n\n### 没有 agents 时\n- **迭代成本极高**：每当发现 Agent 分析错误（如误判情感），工程师必须手动逐行修改 Prompt 或调整代码逻辑，试错周期长达数天。\n- **缺乏自我进化能力**：系统无法从历史错误中“学习”，同样的错误会在不同批次的数据中反复出现，只能靠堆砌规则补丁。\n- **多环节协同困难**：从评论抓取、情感分析到报告生成的多步流程中，任一节点出错都导致整体失败，难以定位具体是哪个环节的指令出了问题。\n- **优化依赖人工经验**：提升准确率完全依赖资深工程师的个人直觉来调整提示词，缺乏系统化的量化评估和自动调优机制。\n\n### 使用 agents 后\n- **实现自动化闭环优化**：利用 agents 的符号学习框架，系统能自动执行“前向传播”测试，通过语言损失函数评估结果，并自动反向传播生成“语言梯度”。\n- **具备自我演进特性**：agents 能根据反馈自动更新每个节点的提示词（权重）甚至调整工作流结构（计算图），让 Agent 在处理新数据时自动修正之前的错误模式。\n- **精准定位与修复**：当任务失败时，agents 能沿着执行轨迹回溯，精确识别是“情感分析”还是“报告生成”节点的指令需要调整，并自动生成优化方案。\n- **数据驱动的性能提升**：无需人工干预，agents 即可在大量训练样本上持续迭代，使复杂任务的成功率随着数据量的增加而稳步上升。\n\nagents 将原本静态的提示词工程转变为动态的、可自动反向传播优化的学习过程，真正实现了语言代理的自我进化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faiwaves-cn_agents_e4ba3822.png","aiwaves-cn","AIWaves","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faiwaves-cn_cba680bb.jpg","AIWaves Inc.",null,"contact@aiwaves.cn","aiwaves.cn","https:\u002F\u002Fgithub.com\u002Faiwaves-cn",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,5909,478,"2026-04-16T06:47:15","Apache-2.0","未说明",{"notes":92,"python":90,"dependencies":93},"README 中仅提供了通过 pip 从 git 仓库安装的命令，未列出具体的操作系统、硬件（GPU\u002F内存）要求、Python 版本或详细的依赖库列表。该项目是一个用于训练语言代理的框架，实际运行需求可能取决于所选用的底层大语言模型。建议参考项目文档链接 (https:\u002F\u002Fagentsv2.readthedocs.io\u002F) 获取更详细的环境配置信息。",[90],[13,14,35],[96,97,98],"autonomous-agents","language-model","llm","2026-03-27T02:49:30.150509","2026-04-17T08:25:16.806670",[102,107,112,117,122,126],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},36490,"如何在本地运行时解决 OpenAI 连接错误？配置文件中的 API_BASE 和 PROXY 应该填什么？","如果您无法直接连接 OpenAI（例如在中国大陆），需要配置代理。在 config.json 中：\n1. 如果无法直连，请设置 'PROXY' 为您的代理地址（如 'http:\u002F\u002F127.0.0.1:7890'）。\n2. 如果您使用的是第三方转发的 OpenAI 接口，请在 'API_BASE' 中填写对应的 Base URL。\n3. 如果可以直接连接 OpenAI，这两项可以留空。\n此外，目前主要支持基于 OpenAI 的模型。如需使用其他模型，需自定义 src\u002Fagents\u002FLLM\u002Fbase_LLM.py 并确保实现 get_response() 方法。","https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\u002Fissues\u002F73",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},36491,"遇到 'AssertionError: assert engine_name in WebSearchComponent.__ENGINE_NAME__' 错误怎么办？","此错误通常由配置文件格式错误引起。请检查以下几点：\n1. 确保 WebSearchComponent 的配置位于 'agent_states' 部分，而不是顶层 'config' 部分。\n2. 检查 JSON 格式，确保 'engine_name' 被正确解析为单个字符串（如 \"google\" 或 \"bing\"），而不是被错误地解析为整个列表字符串（如 \"bing or google or serpapi\"）。\n3. 支持的引擎名称包括：\"google\", \"bing\", \"serpapi\"。","https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\u002Fissues\u002F151",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},36492,"遇到 OpenAI text-embedding-ada-002 模型的速率限制（RateLimitError）如何解决？","默认使用的 'text-embedding-ada-002' 模型有请求频率限制。解决方法如下：\n1. 在 config.json 中修改 'Embed_Model' 参数，更换为 Hugging Face 上的其他嵌入模型（参考链接：https:\u002F\u002Fhuggingface.co\u002Fmodels?pipeline_tag=sentence-similarity）。\n2. 注意：示例演示的知识库是预编码的，如果您更换了嵌入模型，需要使用 src\u002Futils 中的 process_document 函数重新构建知识库。","https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\u002Fissues\u002F78",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},36493,"运行时报错 'ModuleNotFoundError: No module named openai.error' 如何处理？","这是由于 OpenAI Python 库版本更新（v1.0+）导致的不兼容问题。解决方法是升级相关依赖包到最新版本：\n1. 执行命令：pip install --upgrade openai litellm\n2. 确保安装的 ai-agents 也是最新版本，维护者已修复了该兼容性问题。","https:\u002F\u002Fgithub.com\u002Faiwaves-cn\u002Fagents\u002Fissues\u002F168",{"id":123,"question_zh":124,"answer_zh":125,"source_url":106},36494,"该项目是否支持除 OpenAI 以外的其他大语言模型？","目前框架主要原生支持基于 OpenAI 接口的模型。如果需要支持其他模型，可以通过以下方式扩展：\n1. 修改源码 src\u002Fagents\u002FLLM\u002Fbase_LLM.py。\n2. 自定义一个 LLM 类，并确保该类实现了 get_response() 方法以适配框架调用。",{"id":127,"question_zh":128,"answer_zh":129,"source_url":111},36495,"WebSearchComponent 的配置应该放在 config.json 的哪个位置？","WebSearchComponent 的配置不应放在顶层的 \"config\" 字段下，而应该放在具体的 \"agent_states\" 配置部分中。工具使用能力属于单个 Agent，因此需要在定义 Agent 状态时进行配置。",[]]