自我进化的多智能体自动化系统EvoAgentX


 

项目简介

酷,一款具备自我进化能力的多智能体自动化系统:EvoAgentX,对需要持续优化及多步协作的复杂AI应用场景非常适用

比如说,医疗诊断辅助、科研助手、电商平台订单处理、自动化客服、个性化推荐、简历智能职位推荐、股票视觉分析等等

EvoAgentX是一个具备自动工作流生成、任务调度执行、并集成了MCP能力的一款多智能体系统工具

除了构建,核心是它通过集成多种进化算法,可以自动调整智能体的参数、优化工作流结构,使AI智能体处理重复任务时更高效,同时也能自动优化自我行为

在Open Deep Research和OWL上,通过EvoAgentX优化其在某些任务上的表现得到了提升


安装

我们建议使用 pip 安装 EvoAgentX:

pip install git+https://github.com/EvoAgentX/EvoAgentX.git

对于本地开发或详细设置(例如,使用conda),请参考 EvoAgentX 安装指南

示例(可选,用于本地开发):

LLM配置

API密钥配置

要在EvoAgentX中使用LLM(如OpenAI),您必须设置API密钥。

选项1:通过环境变量设置API密钥 选项2:使用.env文件

配置并使用LLM

设置好API密钥后,使用以下方式初始化LLM:

from evoagentx.models import OpenAILLMConfig, OpenAILLM

# 从环境中加载API密钥
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# 定义LLM配置
openai_config = OpenAILLMConfig(
    model="gpt-4o-mini",       # 指定模型名称
    openai_key=OPENAI_API_KEY, # 直接传递密钥
    stream=True,               # 启用流式响应
    output_response=True       # 将响应打印到标准输出
)

# 初始化语言模型
llm = OpenAILLM(config=openai_config)

# 从LLM生成响应
response = llm.generate(prompt="什么是智能体工作流?")

📖 有关支持的模型和配置选项的更多详情:LLM模块指南

自动工作流生成

配置好API密钥和语言模型后,您可以在EvoAgentX中自动生成和执行多智能体工作流。

🧩 核心步骤:

  1. 1. 定义自然语言目标
  2. 2. 使用WorkFlowGenerator生成工作流
  3. 3. 使用AgentManager实例化智能体
  4. 4. 通过WorkFlow执行工作流

💡 最小示例:

from evoagentx.workflow import WorkFlowGenerator, WorkFlowGraph, WorkFlow
from evoagentx.agents import AgentManager

goal = "生成可在浏览器中玩的 Tetris(俄罗斯方块)HTML 游戏代码"
workflow_graph = WorkFlowGenerator(llm=llm).generate_workflow(goal)

agent_manager = AgentManager()
agent_manager.add_agents_from_workflow(workflow_graph, llm_config=openai_config)

workflow = WorkFlow(graph=workflow_graph, agent_manager=agent_manager, llm=llm)
output = workflow.execute()
print(output)

您还可以:

  • • 📊 可视化工作流:workflow_graph.display()
  • • 💾 保存/加载工作流:save_module() / from_file()

📂 完整的工作示例,请查看workflow_demo.py

进化算法

我们将一些现有的智能体/工作流进化算法集成到EvoAgentX中,包括TextGradMIPROAFlow

为了评估性能,我们使用它们在三个不同任务上优化相同的智能体系统:多跳问答(HotPotQA)、代码生成(MBPP)和推理(MATH)。我们随机抽取50个样本进行验证,另外100个样本用于测试。

提示:我们已将这些基准测试和评估代码集成到EvoAgentX中。有关更多详情,请参考基准测试和评估教程

📊 结果

方法
HotPotQA
(F1%)
MBPP
(Pass@1 %)
MATH
(解题率 %)
原始
63.58
69.00
66.00
TextGrad
71.02
71.00
76.00
AFlow
65.09
79.00
71.00
MIPRO
69.16
68.00
72.30

更多详情请参考examples/optimization文件夹。


教程与使用案例

💡 EvoAgentX新手? 从快速入门指南开始,逐步了解基本使用方法。

通过以下资源了解如何有效使用EvoAgentX:

指南
描述
构建您的第一个智能体
快速创建和管理具有多动作能力的智能体。
构建您的第一个工作流
学习如何使用多个智能体构建协作工作流。
自动工作流生成
从自然语言目标自动生成工作流。
基准测试与评估教程
使用基准数据集评估智能体性能。
TextGrad优化器教程
使用TextGrad自动优化多智能体工作流中的提示词。
AFlow优化器教程
使用AFlow自动优化多智能体工作流的提示词和结构。

🛠️ 通过这些教程构建和优化您的EvoAgentX工作流。

🚀 我们正在积极扩展我们的用例库和优化策略。更多内容即将推出—敬请期待!

 





扫码加入技术交流群,备注「开发语言-城市-昵称

(文:GitHubStore)

发表评论

×

下载每时AI手机APP

 

和大家一起交流AI最新资讯!

立即前往