ix
ix 是一个专为设计和部署自主及半自主大语言模型(LLM)智能体而打造的开源平台。它旨在解决复杂任务自动化中的协作难题,让用户能够轻松构建由多个 AI 智能体组成的团队,这些智能体不仅可以并行处理工作,还能相互沟通协作,从而高效完成代码生成、数据分析、研究辅助等各类流程。
ix 特别适合开发者、技术研究人员以及希望探索 AI 工作流自动化的创新者使用。其核心亮点在于提供了直观的“无代码智能体编辑器”,用户只需通过拖拽节点即可构建代表智能体认知逻辑的流程图,并直接在编辑器内嵌入聊天窗口进行快速测试与调试。此外,ix 支持多智能体聊天界面,允许用户在单一对话框中指挥整个智能体团队,甚至通过"@提及”功能指定特定智能体执行任务。
在技术架构上,ix 采用 Docker 容器化部署并结合 Celery 消息队列驱动后端,实现了出色的水平扩展能力,可支撑大规模智能体集群并行运行。平台不仅兼容 OpenAI 模型,还实验性支持 Google PaLM、Anthropic 及 Llama 等多种主流大模型,配合灵活的组件配置层,为构建高度定制化的 AI 应用提供了坚实基础。
使用场景
某电商数据团队需要每日从多个竞品网站抓取价格、提取关键参数并生成分析报告,同时需将异常数据同步给开发团队修复爬虫。
没有 ix 时
- 工程师需手动编写串联脚本,依次调用爬虫、LLM 提取和分析模型,任一环节失败导致整个流程中断。
- 遇到复杂数据格式时,单个 AI 模型容易出错,缺乏多模型协作校验机制,数据准确率难以保证。
- 任务排队串行执行,处理大量商品数据时耗时极长,无法在晨会前产出最新报表。
- 调试困难,修改逻辑需重新部署代码,无法实时观察各步骤的中间状态和思维链。
使用 ix 后
- 通过无代码编辑器拖拽节点,快速构建包含“爬虫代理”、“数据清洗代理”和“报告撰写代理”的自动化工作流。
- 利用多智能体聊天室,让不同专长的 Agent 并行协作,自动互相校验数据,显著提升了信息提取的准确性。
- 基于消息队列的后端支持水平扩展,数十个代理同时运行,将原本数小时的数据处理时间缩短至分钟级。
- 内置聊天界面允许开发者实时 @特定代理 干预任务或直接查看生成的中间产物(Artifacts),调试效率大幅提升。
ix 将繁琐的串行脚本转化为可平行协作、可视化的智能体网络,让复杂数据流水线具备自我演进与高效执行的能力。
运行环境要求
- Linux
- macOS
- Windows (需通过 WSL)
未说明
未说明(文档提及 worker 数量受限于可用内存和 CPU 容量)

快速开始
iX - 自主 GPT-4 代理平台
在浩瀚宇宙中翻滚的沙尘间,Ix 如一颗神秘而璀璨的宝石,人类智慧的光辉在禁忌之知识的边缘翩然起舞,为整个银河系投下一层充满谜团的阴影。
- 阿特雷德书记官,《伊克尼亚创新编年史》
🌌 关于
构建 AI 驱动的工作流:
- 质疑问答聊天机器人
- 代码生成
- 数据提取
- 数据分析
- 数据增强
- 研究助理
核心功能
🧠 模型
- OpenAI
- Google PaLM(实验性)
- Anthropic(实验性)
- Llama(实验性)
⚒️ 无代码代理编辑器
无代码编辑器,用于创建并测试代理。该编辑器提供了一个界面,可将节点拖拽并连接成图,从而构建代理的认知逻辑。聊天功能内嵌于编辑器中,方便快速测试与调试。
https://github.com/kreneskyp/ix/assets/68635/f43923b9-7bce-4b64-b30e-3204eb1673e4
💬 多代理聊天接口
创建属于您的代理团队,并通过单一界面与它们互动。聊天室支持多代理同时参与对话。默认情况下,会包含 IX 主持人代理,负责将任务委派给其他代理。您还可以通过“@提及”特定代理来完成任务。
https://github.com/kreneskyp/ix/assets/68635/d1418c23-afb5-4aed-91c7-bf99b1c165d5
💡 智能输入
智能输入栏可自动补全代理的“@提及”,并自动填充由任务生成的文件与数据“{artifacts}”。
https://github.com/kreneskyp/ix/assets/68635/27cf7085-7349-4641-9327-d31a3041a94c
⚡ 消息队列驱动的代理工作者
代理运行器后端采用 Docker 方式部署,并通过 Celery 消息队列触发。这一机制使后端能够横向扩展,以支持并行运行的代理集群。

⚙️ 组件配置层
IX 实现了组件配置层,将 LangChain 组件映射至配置图。该配置层为众多其他系统与功能提供了强大支持。例如,组件字段与连接器定义可用于在无代码编辑器中动态渲染节点与表单。
🛠️ 入门指南
前置条件
Windows Linux 子系统(仅限 Windows)
- 打开 PowerShell
- 运行 `wsl --install`,以安装并激活 WSL
Python
需要 Python 3.8 或更高版本才能使用 CLI。应用的 Python 版本由镜像统一管理。Agent-IX CLI
启动 IX 的最快方式是使用 Agent-IX CLI。CLI 会启动一个预先配置好的 Docker 集群,并通过 Docker-compose 进行管理。它会自动下载所需镜像,并启动应用集群。
pip install agent-ix
ix up
通过 scale 命令对代理工作者进行扩展。每个工作者将并行运行代理进程。工作者数量的上限取决于可用内存和 CPU 能力。
ix scale 5
客户端可以启动特定版本,包括基于 master 分支构建的不稳定版 dev 镜像。
ix up --version dev
它是如何工作的
基本用法
您与代理进行对话,代理将根据您的指令展开调查、制定计划并完成各项任务。这些代理能够搜索网络、编写代码、生成图像、与各类 API 和服务交互。只要可以编程实现,就有机会打造代理来协助您完成任务。
设置好服务器,并访问 http://0.0.0.0:8000,系统会自动创建一个新的聊天室,并配备默认代理。
输入请求后,IX 主持人会将任务委派给最适合完成该响应的代理。或者,您可以“@提及”某个代理,请求指定的代理来完成任务。
根据需要,您可以添加或移除自定义代理,以更好地处理您的任务。
创建自定义代理与链
IX 提供了主持人代理 IX、编码器代理以及其他示例代理。您可以使用链编辑器或 Python API 来构建自定义代理。
链编辑器
- 导航至 链编辑器
- 点击根连接器,打开组件搜索界面
- 将代理、链、工具及其他组件拖拽至编辑器中
- 将各组件连接起来,构建一条链
- 打开测试聊天,体验其功能!
Python API
🧙 开发环境搭建
1. 前置条件
在开始之前,请确保您的系统已安装以下软件:
Windows Linux 子系统(仅限 Windows)
- 打开 PowerShell
- 运行 `wsl --install`,以安装并激活 WSL
Git & Make
- Mac:
brew install git make - Linux:
apt install git make - Windows(WSL):
apt install git make
2. 克隆仓库
git clone https://github.com/kreneskyp/ix.git
cd ix
3. 设置环境变量
在 .env 文件中配置环境变量。
cp .env.template .env
OPENAI_API_KEY=YOUR_KEY_HERE
4. 构建并初始化 IX 集群
在大多数情况下,镜像会自动构建。若需跳过镜像的重新构建,请将 NO_IMAGE_BUILD=1 设置为真。
使用 image 目标来构建并启动 IX 镜像。dev_setup 目标将构建前端并初始化数据库。更多用于管理开发环境的命令,请参阅“开发者工具”部分。
make dev_setup
5. 运行 IX 集群
IX 集群通过 Docker Compose 运行。它会启动 Web 服务器、应用服务器、代理工作者、数据库、Redis 以及其他辅助服务的容器。
make cluster
6. 查看日志
Web 和应用容器的日志:
make server
代理工作者容器的日志:
make worker
7. 打开用户界面
访问 http://0.0.0.0:8000 即可进入用户界面。在此界面中,您可以创建并编辑代理和链。 平台会根据需要自动启动代理进程,以完成各项任务。
扩展工作者数量
使用 scale 目标调整活跃代理工作者的数量。默认情况下,系统会启动 1 个代理工作者来处理任务。代理的数量没有硬性限制,但工作者的数量受可用内存和 CPU 资源的限制。
make scale N=5
开发者工具
以下是一些对开发者非常有帮助的命令,可用于设置和管理开发环境:
运行:
make up/make cluster:以开发模式启动应用程序,地址为 http://0.0.0.0:8000。make server:实时监控 Web 和应用容器的日志。make worker:实时监控代理工作者容器的日志。
构建:
make image:构建 Docker 镜像。make frontend:重新构建前端(GraphQL、Relay、Webpack)。make webpack:仅重新构建 JavaScript。make webpack-watch:在文件变更时自动重新构建 JavaScript。make dev_setup:构建前端并生成数据库。make node_types_fixture:为组件类型定义生成数据库 fixture。
数据库
make migrate:执行 Django 数据库迁移。make migrations:生成新的 Django 数据库迁移文件。
实用工具
make bash:在 Docker 容器中打开 Bash shell。make shell:打开 Django shell_plus 会话。
代理 fixture
使用 dump_agent Django 命令导出 fixture。该命令会收集并导出代理和链,包括组件图。
make bash./manage.py dump_agent -a alias
版本历史
v0.19.12024/02/08v0.18.22024/02/03v0.18.12024/02/03v0.18.02024/02/03v0.17.02024/01/27v0.16.12024/01/23v0.16.02024/01/22v0.16.0.rc12024/01/22v0.15.12024/01/15v0.15.02024/01/07v0.15.0.rc12024/01/07v0.14.02024/01/02v0.14.0.rc12024/01/02v0.13.02023/12/20v0.12.12023/10/19v0.12.02023/10/19v0.11.02023/10/13v0.10.22023/10/08v0.10.12023/10/07v0.10.02023/10/06常见问题
相似工具推荐
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。
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
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。
NextChat
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。 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。 NextChat 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。
ML-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。 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。
ragflow
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。 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。 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。