中文  ｜  English 

muAgent：基于KG引擎的创新智能体框架

🔔 最新动态

• [2025.01.13] 发布muAgent v2.2，提供muAgent-sdk v0.1.0，支持ekg-sdk及ekg的并行执行。
• [2024.10.28] muAgent V2.1正式发布，新增一键部署功能，包括基于KG的智能体编排、基于Java的工具与智能体注册管理，以及用户友好的拖拽式前端产品界面。
• [2024.09.05] 我们发布了muAgent v2.0：一个由KG引擎驱动的创新智能体框架。
• [2024.04.01] muAgent现已开源，专注于多智能体编排，并与FunctionCall、RAG、CodeInterpreter等技术协同工作。

📜 目录

• muAgent：基于KG引擎的创新智能体框架
  • 🔔 最新动态
  • 📜 目录
  • 🤝 简介
  • 🚀 快速入门
    • EKG服务
    • SDK
  • 🧭 功能特性
  • 🤗 贡献指南
  • 🗂 其他
    • 📱 联系我们

🤝 简介

这是一个全新的智能体框架，由LLM和EKG（事件知识图谱，行业知识载体）驱动，协同运用多智能体、FunctionCall、CodeInterpreter等技术。通过基于画布的拖拽操作和简单的文本编写，大型语言模型可以在人类指导下协助您执行各种复杂的SOP流程。该框架兼容市面上现有的各类框架，并具备四大核心差异化技术功能：复杂推理、在线协作、人机交互以及按需获取知识。此框架已在蚂蚁集团的多个复杂DevOps场景中得到验证。同时，欢迎体验我们快速搭建的“卧底”游戏！

🚀 快速入门

如需完整文档，请参阅：CodeFuse-muAgent。 更多示例请见：demos。

EKG服务

# 使用EKG服务只需四步
# 步骤1：克隆仓库
git clone https://github.com/codefuse-ai/CodeFuse-muAgent.git

# 步骤2：
cd CodeFuse-muAgent

# 步骤3：创建Docker网络
docker network create ekg-net

# 步骤4：启动所有容器服务，可能需要一些时间
# 启动完成后，打开 https://localhost:8000
docker compose up -d

https://github.com/user-attachments/assets/7d5251a0-2864-438c-8897-b0445f0b1c30

https://github.com/user-attachments/assets/34e5efea-f237-4b04-aeca-1f443ed7eb88

我们还在codefuse-ai/packages中提供了相应的muagent相关镜像（测试版）。如有需要，您可以通过bash docker_pull_images.sh进行下载。

SDK

我们还提供了用于使用muagent的SDK版本。

1. 安装

   pip install codefuse-muagent
   

2. 对于代码回答，需准备相关的LLM和嵌入模型配置，详情请参阅ocs及examples。

🧭 功能特性

• EKG构建器：通过设计虚拟团队、场景意图和语义节点，您可以体验线上与本地文档、有标注与无标注代码交接之间的差异。对于大量现有文档（文本、图表等），我们支持智能解析，并可实现一键导入。
• EKG资产：通过全面的KG Schema设计——包括意图节点、工作流节点、工具节点和角色节点——我们可以满足各种SOP自动化需求。将工具节点纳入KG中，能够提升工具选择和参数填写的准确性。此外，将角色（无论是人类还是智能体）融入KG，可以实现人工参与的流程推进，使其适用于多人文字类游戏。
• EKG推理：相较于纯模型驱动或完全固定流程的推理方式，我们的框架允许LLM在人类指导下的灵活运作，兼具控制力与探索未知场景的能力。同时，成功的探索经验可以被总结并记录到KG中，从而减少类似问题的重复路径。
• 诊断：在KG编辑完成后，可视化界面可实现快速调试；成功执行的路径配置将自动记录，这不仅减少了模型交互次数，加快了推理速度，还降低了LLM的Token成本。此外，在线执行过程中，我们提供全方位的端到端可视化监控。
• 记忆：统一的消息池设计支持根据不同场景的需求进行分类传递与订阅，例如在多智能体场景中。同时，通过消息检索、重排序和提炼，有助于处理长上下文信息，从而提升整体问答质量。
• ActionSpace：遵循Swagger协议，我们提供工具注册、分类及权限管理功能，便于LLM调用工具。我们还提供安全可信的代码执行环境，确保精准生成代码以满足各种场景需求，包括可视化绘图、数值计算和表格编辑。

🤗 贡献

感谢您对 muAgent 项目的关注！我们由衷地感谢您的反馈，并诚挚邀请您分享建议、见解（包括建设性批评）以及贡献。

为便于这一过程，我们鼓励您通过 GitHub Issues 直接提交反馈。参与和贡献 muAgent 项目的方式多种多样，包括代码实现、测试开发、文档优化等。

我们欢迎各种形式的贡献，并期待通过将您加入我们的贡献者名单来认可您的努力。更多详情，请参阅我们的贡献指南。

🗂 杂项

📱 联系我们

CodeFuse-muAgent 快速上手指南

CodeFuse-muAgent 是一个由大语言模型（LLM）和事件知识图谱（EKG）驱动的创新智能体框架。它支持多智能体协作、函数调用、代码解释器等能力，并通过可视化的拖拽界面或简单的文本配置，协助用户执行复杂的标准化作业程序（SOP）。

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 Ubuntu 20.04+) 或 macOS。
• 容器引擎：已安装 Docker 和 Docker Compose（用于部署 EKG 服务）。
• 编程语言：Python 3.8 及以上版本。
• 网络环境：能够访问 GitHub 和 Docker Hub（若下载镜像较慢，建议配置国内镜像加速器）。

安装步骤

您可以选择通过 Docker 一键部署服务 或 Python SDK 两种方式使用 muAgent。

方式一：部署 EKG 服务（推荐体验完整功能）

此方式将启动包含前端可视化界面、知识图谱引擎在内的全套服务。

1. 克隆项目代码

   git clone https://github.com/codefuse-ai/CodeFuse-muAgent.git
   cd CodeFuse-muAgent
   

2. 创建 Docker 网络

   docker network create ekg-net
   

3. 启动所有服务 执行以下命令启动容器集群（首次运行可能需要几分钟拉取镜像）：

   docker compose up -d
   

4. 访问界面 服务启动完成后，在浏览器打开： https://localhost:8000

   提示：如果需要手动拉取特定的 beta 版本镜像，可运行项目根目录下的 bash docker_pull_images.sh 脚本。

方式二：安装 Python SDK（适合开发者集成）

如果您希望在代码中直接调用 muAgent 能力：

1. 安装依赖包

   pip install codefuse-muagent
   

   (注：如遇下载速度慢，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华源)

2. 配置模型 在使用前，需在代码或配置文件中准备相关的 LLM（大语言模型）和 Embedding（嵌入模型）配置。具体配置示例请参考官方 Examples。

基本使用

场景 A：通过可视化界面编排智能体（Docker 部署后）

1. 登录 https://localhost:8000。
2. 构建知识图谱 (EKG Builder)：
   • 利用“虚拟团队”、“场景意图”和“语义节点”设计业务流程。
   • 支持一键导入现有的文档（文本、图表等），系统将自动进行智能解析。
3. 定义资产 (EKG Assets)：
   • 在画布上拖拽添加 工具节点 (Tool Nodes) 以注册 API 或函数。
   • 添加 角色节点 (Character Nodes) 定义人类或 Agent 的交互逻辑。
4. 调试与运行：
   • 利用可视化界面对编排好的流程进行调试。
   • 系统会自动记录成功的执行路径，减少后续推理的 Token 消耗并提高响应速度。

场景 B：通过代码调用 SDK

以下是一个基础的初始化与调用逻辑示例（需根据实际模型配置填充参数）：

from muagent import Agent, LLMConfig, EmbeddingConfig

# 1. 配置模型信息
llm_config = LLMConfig(
    model_name="your_model_name",
    api_key="your_api_key",
    base_url="your_base_url"
)

embedding_config = EmbeddingConfig(
    model_name="your_embedding_model",
    api_key="your_api_key"
)

# 2. 初始化智能体或工作流
# 具体类名和方法请参考 examples 目录下的最新实现
agent = Agent(
    llm_config=llm_config,
    embedding_config=embedding_config,
    # 加载本地或远程的知识图谱配置
    kg_path="./path_to_kg_config" 
)

# 3. 执行任务
response = agent.run("请帮我分析当前的 DevOps 流程瓶颈")
print(response)

进阶参考：更多复杂的编排示例（如多人游戏、复杂 SOP 自动化）请访问 官方文档示例。