[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-codefuse-ai--CodeFuse-muAgent":3,"tool-codefuse-ai--CodeFuse-muAgent":61},[4,18,26,36,44,53],{"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",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":10,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":116,"github_topics":117,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":159},5629,"codefuse-ai\u002FCodeFuse-muAgent","CodeFuse-muAgent","An Innovative Agent Framework Driven by KG Engine","CodeFuse-muAgent 是一个由大语言模型（LLM）与事件知识图谱引擎（EKG）双轮驱动的创新智能体框架。它旨在解决传统 AI 应用在处理复杂业务流程时面临的逻辑推理弱、知识更新滞后以及多角色协作困难等痛点。通过引入行业知识载体，该框架能够协同多智能体、函数调用及代码解释器等技术，在人工指导下高效执行复杂的标准化作业程序（SOP）。\n\n其核心亮点在于实现了“复杂推理、在线协作、人机交互、按需知识”四大差异化能力。用户既可以通过可视化的画布拖拽快速编排工作流，也能通过简单的文本描述让模型自动构建应用，极大降低了开发门槛。此外，它还支持一键部署和灵活的 SDK 集成，兼容主流技术栈。\n\nCodeFuse-muAgent 特别适合开发者、技术研究人员以及企业架构师使用。对于需要构建高可靠性、强逻辑性业务系统的团队，尤其是涉及 DevOps 等复杂场景的从业者，它能提供强大的底层支撑；同时，其友好的前端界面也让非深度编码人员能够参与智能体应用的搭建与调试，助力企业快速落地智能化解决方案。","\u003Cp align=\"left\">\r\n    \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>&nbsp ｜ &nbsp\u003Ca>English&nbsp \u003C\u002Fa>\r\n\u003C\u002Fp>\r\n\r\n# \u003Cp align=\"center\">muAgent: An Innovative Agent Framework Driven by KG Engine\u003C\u002Fp>\r\n\r\n\u003Cp align=\"center\">\r\n    \u003Ca href=\"README.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F文档-中文版-yellow.svg\" alt=\"ZH doc\">\u003C\u002Fa>\r\n    \u003Ca href=\"README_en.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocument-English-yellow.svg\" alt=\"EN doc\">\u003C\u002Fa>\r\n    \u003Ca href=\"LICENSE.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-yellow\" alt=\"License\">\r\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\">\r\n      \u003Cimg alt=\"Open Issues\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-raw\u002Fcodefuse-ai\u002FCodeFuse-muAgent\" \u002F>\r\n    \u003C\u002Fa>\r\n    \u003Cbr>\u003Cbr>\r\n\u003C\u002Fp>\r\n\r\n## 🔔 News\r\n- [2025.01.13] Released muAgent v2.2, providing muAgent-sdk v0.1.0, supporting ekg-sdk and parallel execution of ekg.\r\n- [2024.10.28] The release of muAgent V2.1, which offers one-click deployment capabilities, including KG-based agent orchestration, Java-based tool and agent registration and management, as well as a user-friendly drag-and-drop front-end product UI.\r\n- [2024.09.05] we release muAgent v2.0: An Innovative Agent Framework Driven By KG Engine.\r\n- [2024.04.01] muAgent is now open source, focusing on multi-agent orchestration and collaborating with technologies such as FunctionCall, RAG, and CodeInterpreter.\r\n\r\n## 📜 Contents\r\n\r\n- [muAgent: An Innovative Agent Framework Driven by KG Engine](#muagent-an-innovative-agent-framework-driven-by-kg-engine)\r\n  - [🔔 News](#-news)\r\n  - [📜 Contents](#-contents)\r\n  - [🤝 Introduction](#-introduction)\r\n  - [🚀 QuickStart](#-quickstart)\r\n    - [EKG Services](#ekg-services)\r\n    - [SDK](#sdk)\r\n  - [🧭 Features](#-features)\r\n  - [🤗 Contribution](#-contribution)\r\n  - [🗂 Miscellaneous](#-miscellaneous)\r\n    - [📱 Contact Us](#-contact-us)\r\n\r\n## 🤝 Introduction\r\n\r\n\u003Cp align=\"justify\">\r\nA brand new Agent Framework driven by LLM and EKG(Eventic Knowledge Graph,  Industry Knowledge Carrier)，collaboratively utilizing MultiAgent, FunctionCall, CodeInterpreter, etc. Through canvas-based drag-and-drop and simple text writing, the large language model can assists you in executing various complex SOP under human guidance. It is compatbile with existing frameworks on the market and can achieve four core differentiating technical functions: Complex Reasoning, Online Collaboration, Human Interaction, Knowledge On-demand.\r\nThis framework has been validated in multiple complex DevOps scenarios within Ant Group. At the sametime, come and experience the Undercover game we quickly built!\r\n\u003C\u002Fp>\r\n\u003Cdiv align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodefuse-ai_CodeFuse-muAgent_readme_b1e3446d0477.webp\" alt=\"muAgent Architecture\" width=\"770\">\r\n\u003C\u002Fdiv>\r\n\r\n## 🚀 QuickStart\r\n\r\nFor complete documentation, see: [CodeFuse-muAgent](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Foverview\u002Fmulti-agent).\r\nFor more examples, see [demos](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Fconnector\u002Fcustomed_examples).\r\n\r\n### EKG Services\r\n\r\n```bash\r\n# use ekg services only four steps\r\n# step1. git clone\r\ngit clone https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent.git\r\n\r\n# step2. \r\ncd CodeFuse-muAgent\r\n\r\n# step3. create docker-net\r\ndocker network create ekg-net\r\n\r\n# step4. start all container services, it might cost some time\r\n# after starting all services, open https:\u002F\u002Flocalhost:8000\r\ndocker compose up -d\r\n```\r\n\r\n\u003Chttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F7d5251a0-2864-438c-8897-b0445f0b1c30>\r\n\r\n\u003Chttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F34e5efea-f237-4b04-aeca-1f443ed7eb88>\r\n\r\nWe provide corresponding muagent-related images (beta) at [codefuse-ai\u002Fpackages](https:\u002F\u002Fgithub.com\u002Forgs\u002Fcodefuse-ai\u002Fpackages). If needed, you can download them using `bash docker_pull_images.sh`.\r\n\r\n\r\n### SDK\r\n\r\nWe also provide a version of the SDK for using muagent.\r\n\r\n1. Installation\r\n\r\n    ```bash\r\n    pip install codefuse-muagent\r\n    ```\r\n\r\n2. For Code answer Prepare related llm and embedding model configurations, see [ocs](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Fconnector\u002Fcustomed_examples) and [examples](https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Ftree\u002Fmain\u002Fexamples).\r\n\r\n## 🧭 Features\r\n\r\n- **EKG Builder**：Through the design of virtual teams, scene intentions, and semantic nodes, you can experience the differences between online and local documentation, or annotated versus unannotated code handover. For a vast amount of existing documents (text, diagrams, etc.), we support intelligent parsing, which is available for one-click import.\r\n- **EKG Assets**：Through comprehensive KG Schema design—including Intention Nodes, Workflow Nodes, Tool Nodes, and Character Nodes—we can meet various SOP Automation requirements. The inclusion of Tool Nodes in the KG enhances the accuracy of tool selection and parameter filling. Additionally, the incorporation of Characters (whether human or agents) in the KG allows for human-involved process advancement, making it flexible for use in multiplayer text-based games.\r\n- **EKG Reasoning**：Compared to purely model-based or entirely fix-flow Reasoning, our framework allows LLM to operate under human guidance-flexibility, control, and enabling exploration in unknown scenarios. Additionally, successful exploration experiences can be summarized and documented into KG, minimizing detours for similar issues.\r\n- **Diagnose**：After KG editing, visual interface allows for quick debugging, and successful Execution path configurations will be automatically documented, which reduces model interactions, accelerates inference, and minimizes LLM Token costs. Additionally, during online execution, we provide comprehensive end-to-end visual monitoring.\r\n- **Memory**：Unified message pooling design supports categorized message delivery and subscription based on the needs of different scenarios, like multi-agent. Additionally, through message retrievel, rerank and distillation, it facilitates long-context handling, improving the overall question-answer quality.\r\n- **ActionSpace**：Adhering to Swagger protocol, we provide tool registration, tool categorization, and permission management, facilitating LLM Function Calling. We offer a secure and trustworthy code execution environment, and ensuring precise code generation to meet the demands of various scenarios, including visual plot, numerical calculations, and table editing.\r\n\r\n## 🤗 Contribution\r\n\r\nThank you for your interest in the muAgent project! We genuinely appreciate your feedback and invite you to share your suggestions, insights (including constructive criticism), and contributions.\r\n\r\nTo facilitate this process, we encourage you to submit your feedback directly through GitHub Issues. There are numerous ways to engage with and contribute to the muAgent project, including code implementation, test development, documentation enhancements, and more.\r\n\r\nWe welcome all forms of contributions and look forward to recognizing your efforts by adding you to our list of contributors. For more details, please refer to our [Contribution Guide](https:\u002F\u002Fcodefuse-ai.github.io\u002Fcontribution\u002Fcontribution).\r\n\r\n## 🗂 Miscellaneous\r\n\r\n### 📱 Contact Us\r\n\r\n\u003Cdiv align=center>\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodefuse-ai_CodeFuse-muAgent_readme_0952fdae1fb5.png\" alt=\"图片\", width=\"180\">\r\n\u003C\u002Fdiv>\r\n","\u003Cp align=\"left\">\n    \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>&nbsp ｜ &nbsp\u003Ca>English&nbsp \u003C\u002Fa>\n\u003C\u002Fp>\n\n# \u003Cp align=\"center\">muAgent：基于KG引擎的创新智能体框架\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"README.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F文档-中文版-yellow.svg\" alt=\"ZH doc\">\u003C\u002Fa>\n    \u003Ca href=\"README_en.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocument-English-yellow.svg\" alt=\"EN doc\">\u003C\u002Fa>\n    \u003Ca href=\"LICENSE.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-yellow\" alt=\"License\">\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\">\n      \u003Cimg alt=\"Open Issues\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-raw\u002Fcodefuse-ai\u002FCodeFuse-muAgent\" \u002F>\n    \u003C\u002Fa>\n    \u003Cbr>\u003Cbr>\n\u003C\u002Fp>\n\n## 🔔 最新动态\n- [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。\n- [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。\n- [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。\n- [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。\n\n## 📜 目录\n\n- [muAgent：基于KG引擎的创新智能体框架](#muagent-基于kg引擎的创新智能体框架)\n  - [🔔 最新动态](#-最新动态)\n  - [📜 目录](#-目录)\n  - [🤝 简介](#-简介)\n  - [🚀 快速入门](#-快速入门)\n    - [EKG服务](#ekg-services)\n    - [SDK](#sdk)\n  - [🧭 功能特性](#-功能特性)\n  - [🤗 贡献指南](#-贡献指南)\n  - [🗂 其他](#-其他)\n    - [📱 联系我们](#-联系我们)\n\n## 🤝 简介\n\n\u003Cp align=\"justify\">\n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！\n\u003C\u002Fp>\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodefuse-ai_CodeFuse-muAgent_readme_b1e3446d0477.webp\" alt=\"muAgent架构\" width=\"770\">\n\u003C\u002Fdiv>\n\n## 🚀 快速入门\n\n如需完整文档，请参阅：[CodeFuse-muAgent](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Foverview\u002Fmulti-agent)。\n更多示例请见：[demos](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Fconnector\u002Fcustomed_examples)。\n\n### EKG服务\n\n```bash\n# 使用EKG服务只需四步\n# 步骤1：克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent.git\n\n# 步骤2：\ncd CodeFuse-muAgent\n\n# 步骤3：创建Docker网络\ndocker network create ekg-net\n\n# 步骤4：启动所有容器服务，可能需要一些时间\n# 启动完成后，打开 https:\u002F\u002Flocalhost:8000\ndocker compose up -d\n```\n\n\u003Chttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F7d5251a0-2864-438c-8897-b0445f0b1c30>\n\n\u003Chttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F34e5efea-f237-4b04-aeca-1f443ed7eb88>\n\n我们还在[codefuse-ai\u002Fpackages](https:\u002F\u002Fgithub.com\u002Forgs\u002Fcodefuse-ai\u002Fpackages)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。\n\n\n### SDK\n\n我们还提供了用于使用muagent的SDK版本。\n\n1. 安装\n\n    ```bash\n    pip install codefuse-muagent\n    ```\n\n2. 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](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Fconnector\u002Fcustomed_examples)及[examples](https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Ftree\u002Fmain\u002Fexamples)。\n\n## 🧭 功能特性\n\n- **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。\n- **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。\n- **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。\n- **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。\n- **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。\n- **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。\n\n## 🤗 贡献\n\n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。\n\n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。\n\n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](https:\u002F\u002Fcodefuse-ai.github.io\u002Fcontribution\u002Fcontribution)。\n\n## 🗂 杂项\n\n### 📱 联系我们\n\n\u003Cdiv align=center>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodefuse-ai_CodeFuse-muAgent_readme_0952fdae1fb5.png\" alt=\"图片\", width=\"180\">\n\u003C\u002Fdiv>","# CodeFuse-muAgent 快速上手指南\n\nCodeFuse-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）。\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 (推荐 Ubuntu 20.04+) 或 macOS。\n*   **容器引擎**：已安装 Docker 和 Docker Compose（用于部署 EKG 服务）。\n*   **编程语言**：Python 3.8 及以上版本。\n*   **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）。\n\n## 安装步骤\n\n您可以选择通过 **Docker 一键部署服务** 或 **Python SDK** 两种方式使用 muAgent。\n\n### 方式一：部署 EKG 服务（推荐体验完整功能）\n\n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。\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent.git\n    cd CodeFuse-muAgent\n    ```\n\n2.  **创建 Docker 网络**\n    ```bash\n    docker network create ekg-net\n    ```\n\n3.  **启动所有服务**\n    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）：\n    ```bash\n    docker compose up -d\n    ```\n\n4.  **访问界面**\n    服务启动完成后，在浏览器打开：\n    `https:\u002F\u002Flocalhost:8000`\n\n    > **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。\n\n### 方式二：安装 Python SDK（适合开发者集成）\n\n如果您希望在代码中直接调用 muAgent 能力：\n\n1.  **安装依赖包**\n    ```bash\n    pip install codefuse-muagent\n    ```\n    *(注：如遇下载速度慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 使用清华源)*\n\n2.  **配置模型**\n    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](https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Ftree\u002Fmain\u002Fexamples)。\n\n## 基本使用\n\n### 场景 A：通过可视化界面编排智能体（Docker 部署后）\n\n1.  登录 `https:\u002F\u002Flocalhost:8000`。\n2.  **构建知识图谱 (EKG Builder)**：\n    *   利用“虚拟团队”、“场景意图”和“语义节点”设计业务流程。\n    *   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。\n3.  **定义资产 (EKG Assets)**：\n    *   在画布上拖拽添加 **工具节点 (Tool Nodes)** 以注册 API 或函数。\n    *   添加 **角色节点 (Character Nodes)** 定义人类或 Agent 的交互逻辑。\n4.  **调试与运行**：\n    *   利用可视化界面对编排好的流程进行调试。\n    *   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。\n\n### 场景 B：通过代码调用 SDK\n\n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）：\n\n```python\nfrom muagent import Agent, LLMConfig, EmbeddingConfig\n\n# 1. 配置模型信息\nllm_config = LLMConfig(\n    model_name=\"your_model_name\",\n    api_key=\"your_api_key\",\n    base_url=\"your_base_url\"\n)\n\nembedding_config = EmbeddingConfig(\n    model_name=\"your_embedding_model\",\n    api_key=\"your_api_key\"\n)\n\n# 2. 初始化智能体或工作流\n# 具体类名和方法请参考 examples 目录下的最新实现\nagent = Agent(\n    llm_config=llm_config,\n    embedding_config=embedding_config,\n    # 加载本地或远程的知识图谱配置\n    kg_path=\".\u002Fpath_to_kg_config\" \n)\n\n# 3. 执行任务\nresponse = agent.run(\"请帮我分析当前的 DevOps 流程瓶颈\")\nprint(response)\n```\n\n> **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](https:\u002F\u002Fcodefuse.ai\u002Fdocs\u002Fapi-docs\u002FMuAgent\u002Fconnector\u002Fcustomed_examples)。","某大型电商平台的运维团队需要处理复杂的线上故障排查，这涉及跨多个微服务系统的日志分析、配置核对及应急脚本执行。\n\n### 没有 CodeFuse-muAgent 时\n- **知识割裂严重**：故障排查依赖的 SOP（标准作业程序）、系统拓扑和历史案例分散在不同文档和专家脑中，新人难以快速上手。\n- **协作效率低下**：多个自动化脚本和人工操作串行执行，缺乏统一编排，导致定位问题耗时过长，无法实现多智能体并行协作。\n- **推理能力不足**：传统自动化工具只能执行固定指令，无法根据实时日志进行复杂逻辑推理，遇到未知报错往往直接卡死。\n- **交互体验僵硬**：运维人员需编写大量代码或命令行指令来触发工具，缺乏自然语言交互和可视化拖拽编排，响应速度慢。\n\n### 使用 CodeFuse-muAgent 后\n- **知识按需调用**：基于事件知识图谱（EKG）引擎，CodeFuse-muAgent 能自动关联故障现象与相关知识库，实现“知识随需而动”，大幅降低认知门槛。\n- **智能并行编排**：通过画布拖拽即可定义多智能体协作流程，支持 FunctionCall 和代码解释器并行执行，将原本串行的排查步骤压缩至分钟级。\n- **复杂逻辑推理**：利用大模型驱动的深度推理能力，系统能自主分析异常日志链，动态调整排查路径，有效解决从未见过的复合型故障。\n- **人机自然协同**：运维人员只需用自然语言描述故障，CodeFuse-muAgent 即可自动生成执行计划并在关键节点请求人工确认，实现高效的人机共驾。\n\nCodeFuse-muAgent 通过将行业知识图谱与大模型推理深度融合，把原本依赖专家经验的复杂运维 SOP 转化为可自动执行、可进化的智能工作流。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodefuse-ai_CodeFuse-muAgent_f4d659e2.png","codefuse-ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcodefuse-ai_ad46a773.png",null,"https:\u002F\u002Fgithub.com\u002Fcodefuse-ai",[77,81,85,89,93,96,99],{"name":78,"color":79,"percentage":80},"Python","#3572A5",84.5,{"name":82,"color":83,"percentage":84},"TypeScript","#3178c6",9,{"name":86,"color":87,"percentage":88},"Java","#b07219",6.4,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0,{"name":94,"color":95,"percentage":92},"Dockerfile","#384d54",{"name":97,"color":98,"percentage":92},"JavaScript","#f1e05a",{"name":100,"color":101,"percentage":92},"HTML","#e34c26",775,82,"2026-04-08T08:41:30","NOASSERTION","Linux, macOS, Windows","未说明 (依赖用户自行配置连接的 LLM 和 Embedding 模型环境)","未说明 (运行 Docker 容器及大模型服务通常需要较高内存，建议 16GB+)",{"notes":110,"python":111,"dependencies":112},"该工具主要采用 Docker Compose 进行一键部署（包含 EKG 服务等容器），需预先安装 Docker 和 Docker Compose 并创建 'ekg-net' 网络。SDK 版本可通过 pip 安装。具体的 GPU 和显存需求取决于用户对接的外部大语言模型（LLM）和嵌入模型（Embedding Model）的配置，而非 muAgent 框架本身的硬性要求。","3.8+ (基于 pip 包通用要求推断，文中未明确指定具体版本)",[113,114,115],"docker","docker-compose","codefuse-muagent",[14,13,35],[118,119,120,121,122,123,124,125],"agent","llm","memory-management","multi-agent","rag","tool-learning","ekg","kg","2026-03-27T02:49:30.150509","2026-04-09T02:32:46.192380",[129,134,139,144,149,154],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},25553,"运行 Demo 时遇到 `IndexError: list index out of range` 或嵌入模型报错，该如何解决？","该错误通常与模型配置或依赖版本有关。请尝试以下步骤：\n1. 检查并安装指定版本的 faiss：`pip install faiss-cpu==1.8.0.post1`。\n2. 确认 Python 版本建议为 3.9+（测试通过版本为 3.9.19）。\n3. 检查 sentence-transformers 版本，建议安装 3.3.0：`pip install sentence-transformers==3.3.0`。\n4. 确认模型配置是否正确，特别是当使用本地 API 时，确保 `OPENAI_API_BASE` 和 `model_name` 等环境变量设置无误。如果问题依旧，可运行官方测试用例 `tests\u002Fsandbox\u002Fsandbox_test.py` 排查环境是否正常。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F12",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},25554,"如何在本地测试 examples 下的 Demo 文件而不发生包冲突？","如果在 examples 目录下测试 Demo 时遇到冲突，可能是因为环境中已安装了 `muagent` 包。解决方法是在测试脚本的开头添加以下代码，以优先加载本地源码而非已安装的包：\n```python\nimport os\nsrc_dir = os.path.join(\n    os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))\n)\n```\n同时，确保在运行前未在全局环境中安装冲突的 muagent 版本，或者在虚拟环境中进行测试。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F70",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},25555,"EKG（知识图谱）功能是否支持导入自定义知识库？","当前版本暂不支持直接在 Chat 中混合使用 EKG 和自定义导入的知识库。该功能计划在下一个版本迭代中实现，届时将支持文本转换为 EKG 格式。与传统的 RAG（纯向量存储）不同，新功能将主要通过图数据库来承载和管理知识数据。请关注后续版本更新。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F97",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},25556,"项目目前对代码仓库问答的支持范围是什么？","本项目目前主要实现了针对 Java 代码仓库的问答功能。其工作流程是：给定一个 GitHub 仓库地址后，系统会自动克隆代码到指定路径，将其加载到图数据库中，并生成初始化信息（如仓库功能描述、文件结构、启动文件及方式等）。基于这些基础信息，系统才能进行有效的问答交互。其他语言的支持或更复杂的场景可能需要额外开发。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F21",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},25557,"运行 `docchat_example.py` 时报错，如何排查 langchain_huggingface 相关问题？","如果遇到 langchain_huggingface 相关的报错，请按以下步骤排查：\n1. 确认 `sentence-transformers` 的版本是否为 3.3.0，可通过命令 `pip list | grep sentence` 查看。\n2. 尝试直接运行官方示例 `python examples\u002Fmuagent_examples\u002Fdocchat_example.py` 看是否复现错误。\n3. 检查模型配置文件，确保模型路径和设备设置正确。如果官方示例运行正常，则可能是您的自定义配置有误。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F73",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},25558,"如何参与项目的文档编写任务？","项目欢迎社区贡献文档。如果您想参与文档编写（如代码转文档、中英文翻译等），可以在对应的 Issue 下留言申请（例如 \"Please assign to me\"）。维护者会将任务分配给您。请注意，如果分配后 3 天内没有提交 PR，任务可能会被释放。编写时需参考官网文档结构和仓库的 Markdown 风格，并将生成的中英文文档提交到指定的 docs 仓库中。","https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002FCodeFuse-muAgent\u002Fissues\u002F18",[160,165,170,175,180,185],{"id":161,"version":162,"summary_zh":163,"released_at":164},162884,"v0.1.1","1. 添加用于关闭 nbclient 内核的类方法  \n2. 添加服务\u002F推理日志记录","2025-01-15T06:12:34",{"id":166,"version":167,"summary_zh":168,"released_at":169},162885,"v0.1.0","En：\n---\n\n**新增功能：**\n\n1. EKG 现在支持并行执行。\n2. muAgent-sdk v0.1.0 引入了 model、prompt manager、agent 等基础类，使得继承和自定义开发更加容易，并提供了快速配置选项。\n3. 现已推出 EKG 的 SDK 版本，无需前后端即可体验“谁是卧底”和“狼人杀”。\n\n**新增 Demo：**\n\n1. “谁是卧底”的执行速度得到提升。\n2. 新增“狼人杀”Demo。\n3. muAgent SDK 文档。\n\n--- \n\n中文：\n---\n\n**新增功能**\n\n1. EKG 支持并行执行\n2. muAgent-sdk v0.1.0，更加完善的 model、prompt manager、agent 等基础类，更易继承和自定义开发，可快速配置\n3. EKG 的 SDK 使用版本，无需前后端直接体验谁是卧底、狼人杀！\n\n**新增 Demo**\n\n1. 谁是卧底的执行速度提升\n2. 新增狼人杀 Demo\n3. muAgent sdk 文档\n\n---","2025-01-06T07:46:55",{"id":171,"version":172,"summary_zh":173,"released_at":174},162886,"v0.0.5","1. 更新 LangChain 版本等。\n2. 更新大模型或嵌入服务的配置。\n3. 调试聊天机器人的服务。","2024-06-18T03:50:46",{"id":176,"version":177,"summary_zh":178,"released_at":179},162887,"v0.0.4","Bug修复\n1、https:\u002F\u002Fgithub.com\u002Fcodefuse-ai\u002Fcodefuse-chatbot\u002Fissues\u002F37\n2、修复 `TbaseMemoryManager.append_tools` 中的键错误","2024-05-29T11:14:13",{"id":181,"version":182,"summary_zh":183,"released_at":184},162888,"v0.0.3","+ 更新 Tbase 内存管理器\n+ 更新会话管理器","2024-04-23T11:11:43",{"id":186,"version":187,"summary_zh":188,"released_at":189},162889,"v0.0.1","第一个版本！","2024-04-23T09:45:37"]