[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-plurai-ai--intellagent":3,"tool-plurai-ai--intellagent":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":23,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":98,"github_topics":99,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":139},2750,"plurai-ai\u002Fintellagent","intellagent","A framework for comprehensive diagnosis and optimization of agents using simulated, realistic synthetic interactions","IntellAgent 是一个专为对话智能体（Agent）打造的评估与优化框架，旨在帮助开发者在真实部署前发现并修复潜在缺陷。它通过模拟成千上万次逼真且充满挑战的用户交互，对智能体进行高强度“压力测试”，从而精准定位那些在常规测试中难以察觉的盲区与失败点。\n\n该工具主要解决了智能体在复杂场景下表现不稳定、边缘案例覆盖不足以及缺乏量化评估标准等痛点。无论是正在构建客服机器人、个人助理还是其他对话系统的开发者与研究人員，都能利用 IntellAgent 获得可操作的改进建议，显著提升智能体的可靠性与用户体验。\n\n其核心技术亮点在于独特的“策略图”机制：系统能自动解析智能体的提示词（Prompt），将其分解为策略图谱，并依据真实对话分布采样生成针对性的边缘案例场景。随后，IntellAgent 利用用户代理模拟交互，并对对话过程进行深度批判与反馈。这种从场景生成、模拟交互到自动评估的闭环流程，不仅支持多种大模型提供商，还通过精细化控制有效降低了测试成本，让智能体迭代更加高效安心。","\u003Cdiv align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_8a02cfb570a9.png\" alt=\"IntellAgent Logo\" width=\"600\">\n \n \u003Cp>\u003Ci>Uncover Your Agent's Blind Spots\u003C\u002Fi>\u003C\u002Fp>\n\n [![Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJoin-Discord-blue.svg)](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)\n [![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache_2.0-green.svg)](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fblob\u002Fmain\u002FLICENSE)\n\n [Documentation](https:\u002F\u002Fintellagent-doc.plurai.ai\u002F) |\n [Quick Start](#fire-quickstart) |\n [Newsletter](https:\u002F\u002Fplurai.substack.com\u002F) |\n [Paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.11067)\n\u003C\u002Fdiv>\n\nSimulate interactions, analyze performance, and gain actionable insights for conversational agents. Test, evaluate, and optimize your agent to ensure reliable real-world deployment.\n\nIntellAgent is an advanced multi-agent framework that transforms the evaluation and optimization of conversational agents. By simulating thousands of realistic, challenging interactions, IntellAgent stress-tests agents to uncover hidden failure points. These insights enhance agent performance, reliability, and user experience.\n\n### Key Features\n\n- 🔬 **Generate Thousands of Edge-Case Scenarios:**  \n  Automatically generate highly realistic edge-case scenarios tailored specifically to your agent.\n\n- 🤖 **Simulate Diverse User Interactions:**  \n  Evaluate your agent across a wide spectrum of scenarios with varying complexity levels.\n\n- 📊 **Comprehensive Performance Evaluations:**  \nAccess detailed analysis to identify performance gaps, prioritize improvements, and compare outcomes across experiments.\n- 💪 **Simple integration:**  \n  Simple integration to your conversational agent.\n\n## How it works\n![simulator_recording](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_d9a373474137.gif)\nIntellAgent framework consists of three steps:\n- Given the user prompt (and optional additional information such as tools and database schema)\n  - The system decomposes the prompt into a policy graph.\n  - It samples a subset of policies based on their concurrence in real conversation distributions.\n  - It generates a scenario of user-chatbot interaction (including system databases) to address the selected subset of policies.\n- Simulating the user-chatbot interaction using a user agent.\n- Critiquing the conversation and providing feedback on the tested policies.\n> To better understand the key concepts and how the IntellAgent system operates, refer to the [system overview guide](https:\u002F\u002Fintellagent-doc.plurai.ai\u002FHow_it_Works\u002Fhow-it-works\u002F)\n\n## 🔍 Demo\n\n![simulator_recording](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_5300262e9cb1.gif)\n\n## :fire: Quickstart\n\n> For a more detailed and comprehensive guide, see the [Start Guide](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fquick_start\u002Finstallation\u002F).\n\n\n\n\n\n\n\n\n\nIntellAgent requires `python >= 3.9`\n\u003Cbr \u002F>\n\n#### Step 1 - Download and install\n\n```bash\ngit clone git@github.com:plurai-ai\u002Fintellagent.git\ncd intellagent\n```\n\nYou can use Conda or pip to install the dependencies.\n\nUsing pip: \n```bash\npip install -r requirements.txt\n```\n\n\n#### Step 2 - Set your LLM API Key\n\nEdit the `config\u002Fllm_env.yml` file to set up your LLM configuration (OpenAI\u002FAzure\u002FVertex\u002FAnthropic):\n\n```yaml\nopenai:\n  OPENAI_API_KEY: \"your-api-key-here\"\n```\n\nTo change the default LLM provider or model for either the IntellAgent system or the chatbot, you can easily update the configuration file. For instance, modify the `config\u002Fconfig_education.yml` file:\n\n\n```yaml\nllm_intellagent:\n    type: 'azure'\n\nllm_chat:\n    type: 'azure'\n```\n\nTo change the number of samples in the database you should modify the `num_samples` in the config file:\n```yaml\ndataset:\n    num_samples: 30\n```\n\n> **Tokens Usage**\n> \n> We invest lots of effort in minimizing the total cost of running the simulator \n> - Using the default parameters, the expected cost per sample is approximately $0.10\n> - You can control expenses by modifying the `cost_limit` limit parameter in the config file\n> - We are working on leveraging user data which will significantly reduce the cost per sample\n\n####  Step 3 - Run the Simulator\nIf you're utilizing Azure OpenAI services for the `llm_intellagent`, ensure you [disable](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fai-services\u002Fopenai\u002Fhow-to\u002Fcontent-filters) the default `jailbreak` filter before running the simulator.\n\nFor fast simple environment without a database, run the following command:\n```bash\npython run.py --output_path results\u002Feducation --config_path .\u002Fconfig\u002Fconfig_education.yml \n```\nFor more complex (slower) environment with a database, run the following command:\n```bash\npython run.py --output_path results\u002Fairline --config_path .\u002Fconfig\u002Fconfig_airline.yml \n```\n\n> **Troubleshooting**  \n> - **Rate limit messages** → Decrease `num_workers` variables in the `config_default` file.  \n> - **Frequent timeout errors** → Increase the `timeout` values in the `config_default` file.\n\n\nExplore the [Customization](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fcustomization\u002Fcustom_environment\u002F) options to configure the simulation for your environment, or delve into the [examples](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fexamples\u002Feducation\u002F) we provide to learn more about its capabilities.\n#### Step 4 - See the Results\n\nTo visualize the simulation results using streamlit, run:\n```bash \nstreamlit run simulator\u002Fvisualization\u002FSimulator_Visualizer.py\n```\nThis will launch a[ Streamlit dashboard](.\u002FREADME.md#-demo) showing detailed analytics and visualizations of your simulation results.\n\n## Roadmap\n\n- [x] **Beta Release**\n- [ ] Integration Agent Platforms\n    - [X] LangGraph\n    - [ ] CrewAI\n    - [ ] AutoGen\n- [ ] Enable Event Generation from Existing Databases\n- [ ] Implement API Integration for External Conversational Agents\n- [ ] Add Personality Dimensions to User Agents\n- [ ] Optimize Conversational Agent Performance Using Simulator Diagnostics (Available now with [premium](https:\u002F\u002Fplurai.ai\u002Fcontact-us) access)\n    - [ ] System Prompt Optimization\n    - [ ] Tools Optimization\n    - [ ] Graph structure Optimization\n\n**Join our [Discord community](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau) to shape our roadmap!**\n\n\n## 🚀 Community & Contributing\n\nYour contributions are greatly appreciated! If you're eager to contribute, kindly refer to our [Contributing Guidelines](docs\u002Fcontributing.md)) for detailed information. We’re particularly keen on receiving new examples and environments to enrich the project.\n\nIf you wish to be part of our journey, join our [Discord Community](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau) and subscribe to our [Newsletter](https:\u002F\u002Fplurai.substack.com\u002F). Stay updated on the latest advancements, open-source releases, and cutting-edge tools driving the future of Reliable Conversational AI. We're excited to have you with us!\n\n## Citation\n\nIf you have used our code in your research, please cite our [paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.11067):\n\n```\n@misc{2501.11067,\nAuthor = {Elad Levi and Ilan Kadar},\nTitle = {IntellAgent: A Multi-Agent Framework for Evaluating Conversational AI Systems},\nYear = {2025},\nEprint = {arXiv:2501.11067},\n}\n```\n\n\n\n## 🔍 Open Analytics\n\nWe collect basic usage metrics to better understand our users' needs and improve our services. As a transparent startup, we are committed to open-sourcing all the data we collect. **Plurai does not track any information that can identify you or your company.** You can review the specific metrics we track in the [code](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fhealthcare_analytics.py).\n\nIf you prefer not to have your usage tracked, you can disable this feature by setting the `PLURAI_DO_NOT_TRACK` flag to true.\n\n## ✉️ Support \u002F Contact us\n- Join our Community for discussions, updates and announcements [Community Discord](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)\n- Contact us: [‫Plurai‬](https:\u002F\u002Fplurai.ai\u002Fcontact-us)\n- [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fissues) for bug reports and feature requests\n\n\n","\u003Cdiv align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_8a02cfb570a9.png\" alt=\"IntellAgent Logo\" width=\"600\">\n \n \u003Cp>\u003Ci>揭示您的对话智能体的盲点\u003C\u002Fi>\u003C\u002Fp>\n\n [![Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FJoin-Discord-blue.svg)](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)\n [![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache_2.0-green.svg)](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fblob\u002Fmain\u002FLICENSE)\n\n [文档](https:\u002F\u002Fintellagent-doc.plurai.ai\u002F) |\n [快速入门](#fire-quickstart) |\n [新闻通讯](https:\u002F\u002Fplurai.substack.com\u002F) |\n [论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.11067)\n\n\u003C\u002Fdiv>\n\n模拟交互、分析性能并为对话智能体获取可操作的洞察。测试、评估和优化您的智能体，以确保其在真实场景中的可靠部署。\n\nIntellAgent 是一个先进的多智能体框架，能够彻底改变对话智能体的评估与优化方式。通过模拟数千种逼真且具有挑战性的交互场景，IntellAgent 可以对智能体进行压力测试，从而发现潜在的故障点。这些洞察将显著提升智能体的性能、可靠性和用户体验。\n\n### 核心功能\n\n- 🔬 **生成数千种边缘场景：**  \n  自动生成高度逼真的边缘场景，专为您的智能体量身定制。\n\n- 🤖 **模拟多样化的用户交互：**  \n  在不同复杂度的场景中全面评估您的智能体。\n\n- 📊 **全面的性能评估：**  \n  提供详细的分析报告，帮助您识别性能瓶颈、优先改进方向，并比较不同实验的结果。\n- 💪 **简单集成：**  \n  轻松集成到您的对话智能体中。\n\n## 工作原理\n![simulator_recording](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_d9a373474137.gif)\nIntellAgent 框架分为三个步骤：\n- 给定用户提示（以及可选的额外信息，如工具和数据库模式）：\n  - 系统会将提示分解为策略图。\n  - 根据真实对话分布中各策略的共现频率，采样出一部分策略子集。\n  - 生成包含系统数据库在内的用户-聊天机器人交互场景，以覆盖所选策略子集。\n- 使用用户代理模拟用户-聊天机器人交互过程。\n- 对对话进行评价，并针对被测试的策略提供反馈。\n> 若要更好地理解核心概念及 IntellAgent 系统的工作方式，请参阅[系统概述指南](https:\u002F\u002Fintellagent-doc.plurai.ai\u002FHow_it_Works\u002Fhow-it-works\u002F)。\n\n## 🔍 演示\n\n![simulator_recording](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_readme_5300262e9cb1.gif)\n\n## :fire: 快速入门\n\n> 如需更详细和全面的指南，请参阅[入门指南](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fquick_start\u002Finstallation\u002F)。\n\nIntellAgent 需要 `python >= 3.9`。\n\u003Cbr \u002F>\n\n#### 第一步 - 下载并安装\n\n```bash\ngit clone git@github.com:plurai-ai\u002Fintellagent.git\ncd intellagent\n```\n\n您可以使用 Conda 或 pip 安装依赖项。\n\n使用 pip：\n```bash\npip install -r requirements.txt\n```\n\n\n#### 第二步 - 设置您的 LLM API 密钥\n\n编辑 `config\u002Fllm_env.yml` 文件，配置您的 LLM 参数（OpenAI\u002FAzure\u002FVertex\u002FAnthropic）：\n\n```yaml\nopenai:\n  OPENAI_API_KEY: \"your-api-key-here\"\n```\n\n若要更改 IntellAgent 系统或聊天机器人的默认 LLM 提供商或模型，只需更新配置文件即可。例如，修改 `config\u002Fconfig_education.yml` 文件：\n\n```yaml\nllm_intellagent:\n    type: 'azure'\n\nllm_chat:\n    type: 'azure'\n```\n\n若要调整数据库中的样本数量，可在配置文件中修改 `num_samples`：\n\n```yaml\ndataset:\n    num_samples: 30\n```\n\n> **Token 使用**\n> \n> 我们致力于最大限度地降低模拟器运行的总成本。\n> - 使用默认参数时，每个样本的预计成本约为 0.10 美元。\n> - 您可以通过修改配置文件中的 `cost_limit` 参数来控制费用。\n> - 我们正在研究利用用户数据的方法，这将显著降低每个样本的成本。\n\n#### 第三步 - 运行模拟器\n如果您使用 Azure OpenAI 服务作为 `llm_intellagent`，请务必在运行模拟器前[禁用](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fai-services\u002Fopenai\u002Fhow-to\u002Fcontent-filters)默认的“越狱”过滤器。\n\n对于不含数据库的快速简单环境，运行以下命令：\n```bash\npython run.py --output_path results\u002Feducation --config_path .\u002Fconfig\u002Fconfig_education.yml \n```\n\n对于包含数据库的复杂（较慢）环境，运行以下命令：\n```bash\npython run.py --output_path results\u002Fairline --config_path .\u002Fconfig\u002Fconfig_airline.yml \n```\n\n> **故障排除**  \n> - **速率限制消息** → 减少 `config_default` 文件中的 `num_workers` 变量。  \n> - **频繁超时错误** → 增加 `config_default` 文件中的 `timeout` 值。\n\n\n探索[自定义](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fcustomization\u002Fcustom_environment\u002F)选项，以根据您的需求配置模拟环境；或者查看我们提供的[示例](https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fexamples\u002Feducation\u002F)，进一步了解其功能。\n#### 第四步 - 查看结果\n\n要使用 Streamlit 可视化模拟结果，运行：\n```bash \nstreamlit run simulator\u002Fvisualization\u002FSimulator_Visualizer.py\n```\n这将启动一个[Streamlit 仪表板](.\u002FREADME.md#-demo)，展示您模拟结果的详细分析和可视化图表。\n\n## 路线图\n\n- [x] **Beta 版发布**\n- [ ] 集成对话智能体平台\n    - [X] LangGraph\n    - [ ] CrewAI\n    - [ ] AutoGen\n- [ ] 支持从现有数据库生成事件\n- [ ] 实现对外部对话智能体的 API 集成\n- [ ] 为用户代理添加人格维度\n- [ ] 利用模拟器诊断优化对话智能体性能（现已可通过[高级版](https:\u002F\u002Fplurai.ai\u002Fcontact-us)访问）\n    - [ ] 系统提示优化\n    - [ ] 工具优化\n    - [ ] 图结构优化\n\n**加入我们的[Discord 社区](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)，共同塑造我们的路线图！**\n\n\n## 🚀 社区与贡献\n\n我们非常欢迎您的贡献！如果您有意参与，请参阅我们的[贡献指南](docs\u002Fcontributing.md)，以获取详细信息。我们尤其期待收到新的示例和环境，以丰富项目内容。\n\n如果您希望加入我们的旅程，请加入我们的[Discord 社区](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)，并订阅我们的[新闻通讯](https:\u002F\u002Fplurai.substack.com\u002F)。及时了解最新进展、开源发布以及推动可靠对话式 AI 发展的前沿工具。我们非常期待与您携手同行！\n\n## 引用\n\n如果您在研究中使用了我们的代码，请引用我们的[论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.11067)：\n\n```\n@misc{2501.11067,\n作者 = {Elad Levi 和 Ilan Kadar},\n标题 = {IntellAgent：用于评估对话式 AI 系统的多智能体框架},\n年份 = {2025},\n预印本 = {arXiv:2501.11067},\n}\n```\n\n## 🔍 开放式分析\n\n我们收集基本的使用指标，以便更好地了解用户需求并改进我们的服务。作为一家秉持透明原则的初创公司，我们承诺将所收集的所有数据开源。**Plurai 不会追踪任何可识别您或贵公司身份的信息。** 您可以在[代码](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fhealthcare_analytics.py)中查看我们具体追踪的指标。\n\n如果您不希望自己的使用情况被追踪，可以将 `PLURAI_DO_NOT_TRACK` 标志设置为 `true` 来禁用此功能。\n\n## ✉️ 支持 \u002F 联系我们\n- 加入我们的社区，参与讨论、获取最新动态和公告：[社区 Discord](https:\u002F\u002Fdiscord.gg\u002FYWbT87vAau)\n- 联系我们：[‫Plurai‬](https:\u002F\u002Fplurai.ai\u002Fcontact-us)\n- 如有 bug 报告或功能请求，请访问 [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fissues)","# IntellAgent 快速上手指南\n\nIntellAgent 是一个先进的多智能体框架，旨在通过模拟数千种真实且具有挑战性的交互场景，帮助开发者发现对话智能体（Conversational Agents）的盲点，从而评估和优化其性能与可靠性。\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**：`Python >= 3.9`\n*   **依赖管理工具**：推荐使用 `pip` 或 `Conda`\n*   **LLM API Key**：需要准备 OpenAI、Azure、Vertex 或 Anthropic 的 API 密钥\n\n## 安装步骤\n\n### 1. 克隆项目\n首先，从 GitHub 克隆 IntellAgent 仓库并进入项目目录：\n\n```bash\ngit clone git@github.com:plurai-ai\u002Fintellagent.git\ncd intellagent\n```\n\n### 2. 安装依赖\n使用 pip 安装所需的 Python 依赖包：\n\n```bash\npip install -r requirements.txt\n```\n\n### 3. 配置 LLM 密钥\n编辑 `config\u002Fllm_env.yml` 文件，填入您的 LLM API 密钥。以下以 OpenAI 为例：\n\n```yaml\nopenai:\n  OPENAI_API_KEY: \"your-api-key-here\"\n```\n\n> **提示**：如果您需要使用 Azure、Vertex 或 Anthropic，可以在该文件中配置相应的密钥，并在后续的配置文件中指定 `type`。\n\n### 4. 调整配置（可选）\n如需更改默认的 LLM 提供商、模型或生成的样本数量，可编辑对应的配置文件（例如 `config\u002Fconfig_education.yml`）：\n\n```yaml\n# 修改 LLM 提供商 (例如改为 azure)\nllm_intellagent:\n    type: 'azure'\n\nllm_chat:\n    type: 'azure'\n\n# 修改生成样本的数量\ndataset:\n    num_samples: 30\n```\n\n> **成本控制提示**：默认参数下每个样本的成本约为 $0.10。您可以通过修改配置文件中的 `cost_limit` 参数来控制总花费。\n\n## 基本使用\n\n### 运行模拟器\n\n根据您的测试场景复杂度，选择以下命令之一运行模拟器：\n\n**场景 A：简单环境（无数据库，速度快）**\n适用于教育类对话代理测试：\n```bash\npython run.py --output_path results\u002Feducation --config_path .\u002Fconfig\u002Fconfig_education.yml \n```\n\n**场景 B：复杂环境（包含数据库，速度较慢）**\n适用于航空类等需要查询数据库的对话代理测试：\n```bash\npython run.py --output_path results\u002Fairline --config_path .\u002Fconfig\u002Fconfig_airline.yml \n```\n\n> **注意**：如果您使用的是 Azure OpenAI 服务作为 `llm_intellagent`，请在运行前确保已[禁用](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fai-services\u002Fopenai\u002Fhow-to\u002Fcontent-filters) 默认的 `jailbreak` 内容过滤器，否则可能导致模拟失败。\n\n### 查看结果可视化\n\n模拟完成后，可以使用 Streamlit 启动本地仪表盘，查看详细的分析图表和评估报告：\n\n```bash\nstreamlit run simulator\u002Fvisualization\u002FSimulator_Visualizer.py\n```\n\n运行后，浏览器将自动打开一个界面，展示智能体在不同边缘案例下的表现、失败点分析及性能对比数据。","某电商团队正在开发一款处理复杂售后流程（如退换货、赔偿协商）的 AI 客服助手，需在上线前确保其应对突发状况的可靠性。\n\n### 没有 intellagent 时\n- **测试覆盖不足**：人工编写的测试用例仅能覆盖常规流程，难以模拟用户情绪激动或逻辑混乱等极端边缘场景。\n- **盲区发现滞后**：代理在真实环境中遇到未预料的对话分支时容易“胡言乱语”，导致客诉升级，问题往往在上线后才暴露。\n- **优化缺乏依据**：团队仅凭少量失败案例凭经验调整提示词，无法量化评估改进效果，陷入“修好一个 bug 冒出两个”的循环。\n- **仿真成本高昂**：雇佣真人进行大规模压力测试耗时耗力，且难以复现特定的高难度对话情境。\n\n### 使用 intellagent 后\n- **自动生成边缘场景**：intellagent 基于策略图自动衍生出数千种包含恶意刁难、多轮逻辑陷阱的真实仿真对话，全面覆盖业务盲区。\n- **提前拦截故障**：通过高强度压力测试，团队在部署前就定位了代理在处理“跨部门政策冲突”时的失效点并予以修复。\n- **数据驱动迭代**：系统提供详细的性能分析报告，精准指出哪类策略执行率最低，让团队能优先优化最关键的业务短板。\n- **低成本高效验证**：利用合成用户代理自动完成数千次交互演练，将原本需要数周的测试周期缩短至几小时，大幅降低试错成本。\n\nintellagent 通过将不可控的真实风险转化为可量化的仿真数据，帮助团队在零客诉风险下打造出高鲁棒性的智能代理。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fplurai-ai_intellagent_8a02cfb5.png","plurai-ai","plurai.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fplurai-ai_1358678f.png","",null,"https:\u002F\u002Fplurai.ai\u002F","https:\u002F\u002Fgithub.com\u002Fplurai-ai",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1168,142,"2026-04-02T15:46:51","Apache-2.0","未说明",{"notes":93,"python":94,"dependencies":95},"1. 需配置 LLM API 密钥（支持 OpenAI\u002FAzure\u002FVertex\u002FAnthropic），若使用 Azure OpenAI 需手动禁用默认的'jailbreak'内容过滤器。\n2. 默认运行成本约为每个样本 0.10 美元，可通过配置文件中的 cost_limit 参数控制费用。\n3. 遇到速率限制错误可减少 config_default 中的 num_workers，遇到超时错误可增加 timeout 值。\n4. 提供 Streamlit 可视化面板用于查看模拟结果。",">=3.9",[96,97],"requirements.txt 中定义的依赖包","streamlit",[26,54,51,15],[100,101,102,103,104],"agent","evaluation","llmops","simulator","synthetic-data","2026-03-27T02:49:30.150509","2026-04-06T08:45:18.808835",[108,113,118,123,127,131,135],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},12734,"可视化报告中的“策略评分表”在运行多次实验后报错（TypeError: '>' not supported between instances of 'NoneType' and 'int'），如何解决？","这是一个已修复的 Bug。当运行示例多次并尝试在 Streamlit UI 中可视化结果时，如果数据库路径设置正确但表格渲染失败，通常是因为内部数据处理逻辑问题。维护者已确认该错误并在后续版本中修复。请确保您使用的是最新版本的代码库。如果问题仍然存在，请尝试清理结果文件夹并重新运行实验。","https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fissues\u002F74",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},12735,"Experiments Report 页面显示“所选数据库不包含任何实验”，即使路径正确也无法加载数据，怎么办？","此问题通常由路径配置不当引起。请注意以下几点：\n1. 可视化器默认查找 `results` 文件夹中的最新数据集。如果您的输出目录不同（例如 `C:\\Users\\...\\output\\run_0`），必须在文本框中显式输入完整的数据库路径。\n2. 建议删除 `results` 文件夹的所有内容，仅放入您需要分析的实验文件夹（如 `airline`）。\n3. 确保路径指向包含 `.pickle` 文件的 `datasets` 目录，且文件名与界面中选择的日期匹配。\n示例命令：`streamlit run simulator\u002Fvisualization\u002FSimulator_Visualizer.py`，然后在界面输入完整路径如 `C:\\Users\\user\\Desktop\\VS_CODE\\Intellagent\\examples\\airline\\output\\run_0\\datasets\\dataset__19_11_2024_11_09_37`。","https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fissues\u002F77",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},12736,"模拟生成的事件场景和用户查询冗余度很高（25 个事件只有 3 种不同场景），如何增加多样性？","高冗余度是由一个已修复的 Bug 引起的（无数据库代理的迷你批次中场景完全相同）。目前维护者正在开发两项功能以显著提升事件多样性：\n1. 为用户代理添加“性格”（personality）和其他随机上下文增强。\n2. 支持添加用户数据并利用这些数据生成更丰富的场景。\n此外，您可以直接提供一组种子查询（seed queries）作为初始用户查询，以便更好地评估特定用例下的系统表现。请更新至最新版本以获取 Bug 修复，并关注后续关于自定义数据输入的功能更新。","https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fissues\u002F80",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},12737,"默认递归限制（recursion_limit）为 25 导致大量对话未完成即失败，且无法查看失败详情，如何调整？","默认的 `recursion_limit` 实际上已更新为 **35**，这在大多数实验（包括教育代理）中已足够。如果您的代理需要更多交互轮次，可以轻松在配置文件中修改此参数。\n关于失败的对话详情：目前系统主要保存成功结束的对话（以 `###stop###` 结尾）。若需调试失败流程，建议检查日志或考虑集成 LangSmith 等工具进行全链路追踪。对于高失败率的情况，请首先尝试增加 `recursion_limit` 值。",{"id":128,"question_zh":129,"answer_zh":130,"source_url":122},12738,"如何使用 Intellagent 框架评估我们自己的聊天机器人系统（通过 API 接收请求并返回响应）？","集成方式取决于您的代理是否与数据库交互：\n1. **如果不涉及数据库**：您可以将您的代理包装为一个自定义 LLM（Custom LLM）直接集成到框架中。\n2. **如果涉及数据库**：目前系统支持基于工具（vanilla tool-based）的代理或基于 LangGraph 的代理。具体集成方法可参考官方文档中的“自定义环境”部分：https:\u002F\u002Fintellagent-doc.plurai.ai\u002Fcustomization\u002Fcustom_environment\u002F。\n通过这种方式，框架可以调用您的 API 并模拟用户对话进行评估。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":122},12739,"如何在评估中添加自定义指标（例如特定的 JSON 结构）？","您可以轻松修改代码以添加自定义指标。具体做法是修改 `simulator_executor.py` 文件中的相关逻辑（参考代码行：https:\u002F\u002Fgithub.com\u002Fplurai-ai\u002Fintellagent\u002Fblob\u002Fbce45c3eee74738cf4b78063df606a2032eab7fb\u002Fsimulator\u002Fsimulator_executor.py#L169），在此处添加您的指标计算逻辑，然后对所有测试用例运行该指标。仪表盘随后会展示这些新指标的数据。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":122},12740,"多语言支持情况如何？生成的事件是英文的，会导致非英语聊天机器人混淆吗？","目前确实存在多语言问题，因为生成的事件默认为英文，这可能导致非英语聊天机器人在对话中混淆或错误地使用英语回复。维护者已意识到此问题，并计划优化提示词（prompt）以修复该问题，从而更好地支持多语言场景。在修复发布前，建议暂时仅用于英语环境的评估，或手动调整生成事件的提示词以指定语言。",[140],{"id":141,"version":142,"summary_zh":143,"released_at":144},69098,"0.0.1","初始发布","2025-01-22T06:31:41"]