fdu-micro-agent 2.0.0

为什么选择 Micro-Agent

如果你需要为特定行业快速构建一个专业 Agent 并以 API 服务形式交付，Micro-Agent 是最短路径。

各框架定位： Micro-Agent 面向垂域专业 Agent 服务交付 · LangGraph 面向复杂多步工作流编排 · AutoGen 面向多角色智能体协作 · OpenClaw 面向个人效率自动化

架构

核心组件：

• LLM Layer — 通过 litellm 统一接口，一套代码切换 OpenAI / DeepSeek / Claude / Ollama 等任意模型
• Agent Core — ReAct 执行引擎（Think → Act → Observe 循环），支持 SubAgent 子任务分发与 REPL 沙箱执行
• Memory — 会话记忆系统，支持短期记忆、文件持久化、跨会话恢复
• Skills — 将领域规范、编码标准等知识注入 Agent 的 system prompt，使其具备专业能力
• RAG — 从领域知识库中检索相关文档，为推理提供上下文
• Knowledge Graph — 基于图结构的领域知识表示与关联推理
• MCP / Tools — 通过 Model Context Protocol 连接外部工具和数据源

快速开始

环境要求

• Python ≥ 3.11
• 任意 LLM API Key（OpenAI / DeepSeek / Claude / Ollama / OpenRouter 等）

安装

git clone https://github.com/fdueblab/Micro-Agent.git
cd Micro-Agent

pip install -e ".[dev]"

配置

cp .env.example .env

编辑 .env，填入 API Key：

LLM_MODEL=deepseek/deepseek-chat
LLM_API_KEY=sk-xxx

支持任何 litellm 兼容的模型格式，如 openai/gpt-4o、ollama/qwen2.5、openrouter/qwen/qwen3-coder-flash 等。

启动

uvicorn api.app:app --host 0.0.0.0 --port 8010 --reload

访问 http://localhost:8010/docs 查看 API 文档。

Docker 部署

docker-compose up -d

定义垂域任务

只需三步，即可将通用 Agent 转化为面向特定领域的专业智能体：

1. 编写 Prompt 模板

{# task/templates/code_review.md.j2 #}
请对以下代码进行审查，重点关注安全性和性能：

代码路径: {{ code_path }}
审查标准: {{ standards }}

2. 注册任务

# task/builtin.py
register_task(TaskConfig(
    name="code_review",
    prompt_template="code_review.md.j2",
    system_prompt="你是一名资深代码审查工程师。",
    llm_profile="reasoning",
    max_steps=20,
))

3. 调用

curl -X POST http://localhost:8010/api/tasks \
  -H "Content-Type: application/json" \
  -d '{"prompt": "审查 src/main.py", "agent_name": "code_review"}'

多 LLM Profile

为不同场景配置不同的模型策略：

# config/config.toml

[llm.default]
model = "deepseek/deepseek-chat"
temperature = 0.0
max_tokens = 8192

[llm.fast]
model = "deepseek/deepseek-chat"
max_tokens = 4096
timeout = 30

[llm.reasoning]
model = "openai/o1-mini"
max_tokens = 16384
timeout = 120

任务中通过 llm_profile 指定：

register_task(TaskConfig(
    name="my_task",
    llm_profile="reasoning",  # 使用推理模型
    ...
))

内置示例任务

项目内置了多个真实场景的 Agent 任务作为参考实现：

这些任务展示了如何通过组合 Skills、RAG、MCP 等组件，将通用 Agent 打造为垂域专业智能体。你可以参考它们的实现来构建自己的任务。

扩展点

项目结构

Micro-Agent/
├── core/                 # Agent 核心引擎
│   ├── agent.py          # ReAct 循环执行引擎
│   ├── llm.py            # LLM 统一调用层 (litellm)
│   ├── config.py         # 配置管理 (TOML + 环境变量)
│   ├── memory/           # 记忆系统 (短期 / 持久化)
│   ├── rag/              # 检索增强 (Embedding)
│   ├── skill/            # 技能系统 (注册 / 发现 / 注入)
│   └── schema.py         # 数据模型 (Event / Message / ToolCall)
├── tool/                 # 工具层
│   ├── base.py           # Tool 抽象接口
│   ├── bash.py           # Bash 命令执行
│   ├── mcp/              # MCP 工具 (stdio / SSE)
│   └── registry.py       # 工具注册表
├── task/                 # 任务定义
│   ├── base.py           # TaskConfig + 模板渲染
│   ├── builtin.py        # 内置任务注册
│   └── templates/        # Jinja2 Prompt 模板
├── api/                  # API 服务层
│   ├── app.py            # FastAPI 入口
│   ├── routes/           # 路由 (任务管理 / Agent 端点)
│   └── services/         # SSE 流 / 文件处理
├── workspace/            # 工作区
│   ├── knowledge/        # RAG 知识库文档
│   └── skills/           # Skill 定义 (SKILL.md)
├── config/               # 配置文件
├── tests/                # 测试
└── deploy/               # Docker 部署

许可

MIT