flux-agent 0.2.8

面向生产环境的 LLM Agent 与 Workflow 编排框架。通过 JSON 配置或纯代码即可构建多 Agent 协作流，内置四种 Agent 模式、Skill 插件系统、MCP 协议接入、RAG 知识库，以及十余种开箱即用的工作流节点。

Flux-Agent

面向生产环境的 LLM Agent 与 Workflow 编排框架。通过 JSON 配置或纯代码即可构建多 Agent 协作流，内置四种 Agent 模式、Skill 插件系统、MCP 协议接入、RAG 知识库，以及十余种开箱即用的工作流节点。

核心特性

• JSON 配置驱动 - 无需编写代码，通过 JSON 配置即可定义复杂工作流
• 内置通用节点 - LLM 调用、条件分支、工具调用、HTTP 请求等开箱即用
• 多模式 Agent - ReAct / Deep / Plan-Execute / Reflexion 四种单 Agent 模式 + Supervisor 多角色协作编排
• Skill 系统 - 模块化扩展：领域指令注入、脚本执行、参考资料按需加载
• MCP 协议接入 - 支持连接外部 MCP Server，自动将 MCP 工具注入 Agent 工具集
• RAG 能力 - 知识库管理、向量检索、检索增强生成
• 多模态支持 - 支持图片、视频输入
• 可插拔扩展 - 用户可按规范开发自定义节点，注册即可使用
• 并行执行 - 原生支持 map-reduce、并行处理等模式
• 人工介入 - 支持工作流暂停、人工审核、断点恢复
• 子图嵌套 - 支持将工作流作为子图嵌入其他工作流

快速开始

安装

基础安装（仅核心）：

pip install flux-agent

按需安装额外依赖：

# OpenAI LLM 支持
pip install flux-agent[openai]

# Anthropic LLM 支持
pip install flux-agent[anthropic]

# Google LLM 支持
pip install flux-agent[google]

# 多个 LLM 提供商
pip install flux-agent[openai,anthropic]

# RAG 能力（向量存储）
pip install flux-agent[rag]

# 完整安装（所有功能）
pip install flux-agent[all]

安装选项	包含内容
openai	OpenAI GPT 系列模型
anthropic	Anthropic Claude 系列模型
google	Google Gemini 系列模型
chroma	Chroma 向量数据库
faiss	FAISS 向量检索
rag	完整 RAG 支持 (chroma + text-splitters + faiss)
llms	所有 LLM 提供商
agents	Deep Agent 模式
mcp	MCP 协议支持
all	全部功能

工作流执行

from flux_agent import WorkflowRunner

runner = WorkflowRunner("workflow.json")
result = runner.invoke({"data": {"input": "你好"}})
print(result)

JSON 配置示例

{
  "nodes": [
    {
      "id": "llm",
      "type": "llm",
      "config": {
        "model_name": "gpt-4o",
        "system_prompt": "你是一个助手",
        "user_prompt": "${data.input}"
      }
    }
  ],
  "edges": [
    {"from": "START", "to": "llm"},
    {"from": "llm", "to": "END"}
  ]
}

RAG 知识库创建

from flux_agent.rag import (
    KnowledgeBase,
    KnowledgeBaseConfig,
    KnowledgeChunkConfig,
    KnowledgeEmbeddingConfig,
)

config = KnowledgeBaseConfig(
    name="my_docs",
    persist_directory="./kb_data/my_docs",
    embedding_config=KnowledgeEmbeddingConfig(
        model="text-embedding-3-small",
    )
)

kb = KnowledgeBase.create(name="my_docs", config=config)
kb.add_texts(["知识库内容..."])
kb.generate()

内置节点

节点类型	功能	说明
LLMNode	LLM 调用	支持 OpenAI、Anthropic、Gemini，多模态输入
ConditionNode	条件分支	if/else、switch 分支路由
ToolNode	工具调用	执行预定义的工具/函数
TransformNode	数据转换	set/get/filter/map 等操作
JsonNode	JSON 编解码	encode/decode JSON 数据
LoopNode	循环执行	for/while 循环控制
ParallelNode	并行执行	map-reduce 模式
HTTPRequestNode	HTTP 调用	REST API 调用
SubgraphNode	子图嵌套	嵌入其他工作流
HumanInputNode	人工介入	暂停等待人工输入
RagSearchNode	RAG 检索	知识库向量检索
AgentNode	智能Agent	在工作流中调用多模式Agent

智能 Agent 模块

开箱即用的多模式 Agent 能力，所有模式输出格式一致：

from langchain_openai import ChatOpenAI
from flux_agent.agents import create_agent

llm = ChatOpenAI(model="gpt-4o")

# ReAct 模式 - 简单问答
agent = create_agent("react", llm=llm, tools=[search])
result = agent.invoke("今天天气怎么样？")

# Plan-Execute 模式 - 复杂任务
agent = create_agent("plan_execute", llm=llm, enable_replan=True)
result = agent.invoke("分析市场趋势并给出建议")

# Reflexion 模式 - 自我反思改进
agent = create_agent("reflexion", llm=llm, max_iterations=3)
result = agent.invoke("写一个快速排序算法")

# Supervisor 模式 - 多角色协作
from flux_agent.agents import create_agent, WorkerConfig

supervisor = create_agent(
    "supervisor",
    llm=llm,
    workers={
        "researcher": WorkerConfig(mode="react", description="负责搜索和调研"),
        "writer": WorkerConfig(mode="plan_execute", description="负责撰写报告"),
    },
)
result = supervisor.invoke("调研 AI 行业并写一份报告")

# 统一输出
print(result.answer)    # 最终回答
print(result.status)    # 执行状态
print(result.steps)     # 执行过程

模式	说明	适用场景
react	ReAct 模式	简单问答、工具调用
deep	Deep 模式	复杂任务、代码生成
plan_execute	先规划再执行	多步骤任务
reflexion	自我反思改进	高质量输出
supervisor	多角色协作编排	复杂任务分解、多 Agent 协同

详细文档: AGENTS.md

Skill 系统

为 Agent 注入领域知识、执行脚本、引用资料的模块化扩展机制：

skills/
└── code-review/
    ├── SKILL.md          # 主指令（注入 system prompt）
    ├── scripts/          # 可执行脚本（输出作为 observation）
    │   └── check.py
    └── references/       # 参考资料（按需加载）
        └── style-guide.md

基本用法

from flux_agent.agents import create_agent, SkillLoader, AgentInput

# 加载所有 Skill
loader = SkillLoader("skills")
agent = create_agent("react", llm=llm, skills=loader.load_all())

# Agent 自主选择 — Skill 目录摘要注入 system prompt，LLM 自行判断
result = agent.invoke("帮我检查一下代码质量")

# 强制激活指定 Skill
result = agent.invoke(AgentInput(
    query="检查这段代码",
    active_skills=["code-review"],
))

三层渐进式加载

层级	内容	时机
目录摘要	name + description (~100 token/skill)	始终注入 system prompt
完整指令	SKILL.md 正文	Skill 被激活后注入
资源加载	scripts 执行 / references 读取	Agent 按需触发

脚本执行

Skill 脚本输出作为 observation 返回，不消耗 context：

from flux_agent.agents import SkillExecutor

skill = loader.load("code-review")
output = SkillExecutor.execute_script(skill, "check.py", args=["main.py"])

详细文档: SKILLS.md

MCP 协议接入

通过 MCP（Model Context Protocol）连接外部工具服务器，所有 Agent 模式均支持：

from flux_agent.agents import create_agent

agent = create_agent(
    "react",
    llm=llm,
    mcp_servers=[
        {
            "name": "my-mcp-server",
            "transport": "streamable_http",
            "url": "http://localhost:8080/mcp",
            "headers": {"Authorization": "Bearer xxx"},
            "tool_name_prefix": "srv_",
        }
    ],
)

MCP 工具会自动注册到 Agent 工具集，与其他工具无缝协作。示例：

• examples/agents/demo_mcp_agent.py — Agent + MCP 集成演示
• examples/node/demo_mcp.py — MCP 工作流配置

详细文档: SKILLS.md

文档

• 使用文档 - 快速开始、API 参考、完整示例
• 智能 Agent 模块 - 多模式 Agent 开箱即用
• Skill 系统 - Skill 扩展机制完整指南
• RAG 模块 - 知识库创建、检索、过滤
• 配置参考 - JSON 配置完整说明
• 节点开发指南 - 自定义节点开发规范
• 开发指南 - 开发、测试、发布流程
• 技术架构 - 架构设计、核心概念

项目结构

flux-agent/
├── flux_agent/               # 包目录
│   ├── core/                 # 核心引擎
│   │   ├── executor.py       # 执行引擎
│   │   ├── parser.py         # 配置解析器
│   │   ├── registry.py       # 节点注册表
│   │   └── state.py          # 状态模型
│   │
│   ├── nodes/                # 节点模块
│   │   ├── base/             # 基类层
│   │   │   ├── node.py       # 节点基类
│   │   │   └── config.py     # 配置模型
│   │   ├── builtin/          # 内置节点
│   │   │   ├── control/      # condition, loop
│   │   │   ├── llm/          # LLM 调用（支持多模态）
│   │   │   ├── rag/          # RagSearchNode
│   │   │   ├── transform/    # 数据转换
│   │   │   └── io/           # http, tool, parallel, subgraph, human
│   │   └── ...
│   │
│   ├── rag/                  # RAG 模块
│   │   ├── knowledge_base.py # 知识库管理
│   │   ├── document_loader.py # 文档加载
│   │   ├── embeddings.py    # Embedding
│   │   └── vector_store.py  # 向量存储
│   │
│   ├── agents/               # 智能 Agent 模块
│   │   ├── base.py           # 基类、输入输出定义
│   │   ├── skill.py          # Skill 模型、加载器、注册中心、执行器
│   │   ├── registry.py       # Agent 注册中心
│   │   ├── factory.py        # create_agent() 工厂
│   │   ├── react_agent.py    # ReAct 模式
│   │   ├── deep_agent.py     # Deep 模式
│   │   ├── plan_execute_agent.py  # Plan-Execute 模式
│   │   ├── reflexion_agent.py     # Reflexion 模式
│   │   ├── supervisor_agent.py    # Supervisor 多角色编排
│   │   ├── multi/                 # 高级多 Agent 协作
│   │   │   └── mailbox.py         # Mailbox 跨进程协作
│   │
│   ├── utils/                # 工具函数
│   │   └── expression.py     # 表达式解析
│   │
│   └── tools/                # 工具模块
│
├── examples/                 # 示例脚本
│   ├── agents/              # Agent 示例
│   │   ├── demo_agents.py   # 4 种 Agent 模式演示
│   │   └── demo_skills.py   # Skill 系统演示
│   ├── rag/                 # RAG 示例
│   └── node/                # 节点示例
│
├── docs/                     # 文档
│   ├── AGENTS.md            # Agent 模块指南
│   ├── SKILLS.md            # Skill 系统指南
│   ├── RAG.md               # RAG 模块指南
│   ├── USAGE.md             # 使用指南
│   ├── TECHNICAL.md         # 技术架构
│   └── ...
│
├── pyproject.toml            # 包配置
├── CHANGELOG.md              # 变更日志
└── README.md

依赖

• Python >= 3.10
• langgraph >= 0.3
• langchain-core >= 0.3
• pydantic >= 2.0

可选依赖：

• langchain-openai - OpenAI 模型
• langchain-anthropic - Anthropic 模型
• langchain-google-genai - Google 模型
• langchain-chroma - Chroma 向量存储
• faiss-cpu - FAISS 向量存储
• langchain-mcp-adapters / mcp - MCP 协议支持

License

MIT