AgentLin

通用 Agent 架构，支持多Agent协作和RPC远程调用。

主要特性

• 🤖 多Agent系统: 基于RabbitMQ的消息队列支持多Agent协作
• 🔗 RPC远程调用: 像本地函数一样调用远程Agent方法
• ⏰ 时间同步: 分布式时间协调机制
• 🛠️ 工具集成: 丰富的工具生态系统
• 📊 数据处理: 内置数据分析和可视化工具
• 🔄 自动重连: 健壮的连接管理和故障恢复

开始使用

1. 安装

Python 3.12 及以上

pip install agentlin

本地安装

apt-get install build-essential libssl-dev libffi-dev python3-dev
pip install pip --upgrade
pip install -e .
# plotly 需要额外下载 chrome 内核用于渲染图表
plotly_get_chrome
pip install playwright
playwright install chromium

2. 创建 .env 文件

复制 .env.example 文件为 .env 并填写所需的环境变量。

环境变量定义了访问 o3 模型的 API 密钥和其他配置。

3. 创建软链接

将公共数据目录 /mnt/aime/datasets/agent/agent_data 软链接到你本地项目的 data 目录下

ln -s /mnt/aime/datasets/agent/agent_data data

4. 运行应用程序

streamlit run chart_o3_toolcall.py

注意：如果你不是在交互式建模的容器里运行的，需要挂一个代理服务将本地请求转发到北美：

cd tool_server
bash run_aime_proxy_server.sh

5. 运行 MCP 服务器

HOME_DIR=<your_home_directory> agentlin mcp-server --name file_system --host localhost --port 9999 --path /mcp --debug
agentlin mcp-server --name bash --host localhost --port 9999 --path /mcp --debug
agentlin mcp-server --name memory --host localhost --port 9999 --path /mcp --debug
agentlin mcp-server --name web --host localhost --port 9999 --path /mcp --debug
TODO_FILE_PATH=<your_todo_file_path> agentlin mcp-server --name todo --host localhost --port 7780 --path /mcp --debug

详细文档

参见 RPC消息队列使用指南

目录结构

agentlin/
├── core/                     # 核心架构组件
│   ├── agent_schema.py       # Agent 模式定义
│   ├── simulator.py          # 仿真器
│   ├── multimodal.py         # 多模态支持
│   └── types.py              # 数据类型定义
├── route/                    # 路由和代理管理
│   ├── client.py             # 客户端
│   ├── task_agent_manager.py # agent 会话管理
│   └── task_*_manager.py     # 任务管理器
├── code_interpreter/         # 代码解释器
│   ├── client.py             # 解释器客户端
│   ├── jupyter_*.py          # Jupyter 集成
│   ├── tool_call_display.py  # 工具调用显示
│   └── ...                   # 其他组件
└── tools/                    # 工具集合
    ├── tool_aime.py          # AIME 工具
    ├── tool_code_interpreter.py # 代码解释器工具
    ├── tool_chart.py         # 图表工具
    └── tool_*.py             # 其他工具

tool_server/                  # 工具服务器
docs/                        # 项目文档
assets/                      # 配置文件
data/                        # 数据文件，软链接到 /mnt/aime/datasets/agent/agent_data

Agent 能力扩展

我们通过多个层级对 agent 能力进行扩展：

1. 原子工具（Atomic Tools）: 最基本的功能单元，足够通用才能成为原子工具，如代码解释器、结构化数据生成器作为工具、子智能体能力作为工具、动态加载技能的能力作为工具、MCP 能力作为工具。
   1. 代码解释器（Code Interpreter）: 通过代码解释器执行代码的能力，可以在代码里调用其他工具、函数
   2. 子智能体（SubAgent）: 组合多个工具，具有独立上下文，形成特定能力的智能体
   3. 技能（Skills）: 按需加载的技能包，包含一些工具、关于使用这些工具的提示词和示例
   4. 结构化数据生成器（Structured Data Generators）: 用户要求返回结构化数据时，专门用于生成结构化数据的工具。可以利用 LLM 约束解码能力，确保数据结构正确。
   5. MCP 能力（MCP Capabilities）: 通过 MCP 协议调用远程服务的能力，允许 agent 使用分布式资源和服务
   6. 智能体作为工具（Agent-as-Tool）: 将完整的智能体封装为工具
2. 环境（Environment）: 预定义的任务环境，集成了多种工具和技能，环境的描述和提示词注入到系统提示词中，环境的工具注册为原子工具
   1. 通用环境（General Environments）: 面向广泛任务的环境，如有状态浏览器环境、文件系统环境、沙盒环境
   2. 专用环境（Specialized Environments）: 面向特定任务的环境，如量化交易环境、漏洞挖掘环境
3. 基于 Bash 扩展的工具（Tools-in-Bash）: 定义在 Bash 环境中运行的工具，agent 需要通过 ls、cat、--help 等命令来探索和使用这些工具
4. 基于 MCP 扩展的工具（Tools-in-MCP）: 定义在 MCP 服务器中运行的工具，agent 通过 MCP 协议的 list_tools，call_tool 等方法来调用这些工具
5. 基于代码执行的工具（Tools-in-CodeInterpreter）: 定义在代码执行环境中运行的工具，agent 通过代码调用这些工具
6. 基于浏览器扩展的工具（Tools-in-Browser）: 定义在浏览器环境中运行的工具、插件、扩展，agent 通过 browser-use 工具来调用这些浏览器工具
7. 基于计算机扩展的工具（Tools-in-Computer）: 定义在计算机环境中运行的工具、APP，agent 通过 computer-use 工具来调用这些计算机工具
8. 基于手机扩展的工具（Tools-in-Mobile）: 定义在手机环境中运行的工具、APP，agent 通过 mobile-use 工具来调用这些手机工具

同时，按权限级别对工具进行分类：

1. 系统级工具（System-level Tools）: 内建于 agentlin 框架中的原子工具
2. 开发者级工具（Developer-level Tools）: 由环境或 MCP 服务器注册的工具
3. 用户级工具（User-level Tools, Client-Side Tools）: 由用户自定义并注册的工具

agentlin CLI 工具

使用 agentlin --help 查看命令行工具的帮助信息：

agentlin mcp-server

启动 MCP 服务器，注册工具供 agent 调用

agentlin mcp-server --name <tool_name> --host <host> --port <port> --path <path> [--debug]

agentlin env （agent-env）

管理和运行环境，提供环境服务

agentlin env list
agentlin env info <env_name>
agentlin env play --env <env_name> --env-args '{"arg1": "value1", "arg2": "value2"}'

如果环境是带工具的，即继承自 IToolEnvironment，则可以将环境转换为 MCP server，后续可注册环境内的工具供 agent 调用。

agentlin env-as-mcp-server --env <env_name> --port <port> --env-args '{"arg1": "value1", "arg2": "value2"}'

agentlin tool （agent-tool）

管理和运行工具，提供工具服务

agentlin tool list
agentlin tool --name <tool_name> --tool-args '{"arg1": "value1", "arg2": "value2"}'

agentlin skill （agent-skill）

管理和运行技能，提供技能服务

agentlin skill list
agentlin skill info <skill_name>
agentlin skill --name <skill_name> --skill-args '{"arg1": "value1", "arg2": "value2"}'

调试和使用

首先，确保你已经正确配置了 .env 文件。

然后，运行 agent server，这个已经包含了所需的 Agent 服务、LLM 服务、MCP 服务和环境服务。例如：

agent-server

现在，我们可以运行一个简单的 agent 来测试系统：

agent-run -a assets/data_agent -i "列出A股上市公司在南美洲各个国家有业务的？并列出在这些国家的业务产生的收入占比"

Todo

• 主 agent 的 continue
• 子 agent 的完全异步
• 多 agent 协作的任务管理: 定时任务、后台任务
• imo 环境样例
• 自我进化
• 前端带 UI Diff 的 event 设计