企业官网建设流程全解析

AutoAgent 全解析：零代码自然语言驱动的 LLM Agent 框架从安装到实战

【免费下载链接】AutoAgent"AutoAgent: Fully-Automated and Zero-Code LLM Agent Framework"项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgent

AutoAgent 是一款全自动、零代码的 LLM Agent 框架，其核心思想是让用户仅凭自然语言对话即可创建、编排并部署 Agent、工具与工作流，无需编写任何代码。本文将围绕项目官方 README 展开，结合仓库源码（CLI 入口、常量与环境变量解析、元代理实现 等）深入讲解三大使用模式、安装配置、CLI 启动、多 LLM 适配与论文结果复现流程，帮助你从零开始跑通 AutoAgent，并理解其"自开发（Self-Developing）"能力背后的调用链设计。

一、AutoAgent 是什么：核心特性一览

AutoAgent 是原 MetaChain 项目的更名升级版（v0.2.0），定位为Fully-Automated & Zero-Code LLM Agent Framework。它不是一个"给你一堆基座 Agent 让你自己拼装"的框架，而是让LLM 自己根据自然语言需求去生成 Agent、工具与工作流，官方称之为高度"自我开发"（Self-Developing）的框架。

其核心特性（源自 README 的 Key Features）可归纳为五条：

• 自然语言驱动的 Agent 构建（Natural Language-Driven Agent Building）：仅通过自然语言对话，即可自动构建并编排协作式 Agent 系统，彻底省去手工编码与技术配置。
• 零代码框架（Zero-Code Framework）：不要求任何编程经验，任何人都能用自然语言创建、定制自己的 Agent、工具与工作流，从而"民主化" AI 开发。
• 自管理工作流生成（Self-Managing Workflow Generation）：基于高层任务描述动态创建、优化与适配 Agent 工作流——即使你无法完整描述实现细节，系统也能补全。
• 智能资源编排（Intelligent Resource Orchestration）：通过迭代式自我改进，受控地生成代码来创建工具、Agent 与工作流，同时支持单 Agent 创建与多 Agent 工作流生成。
• 自博弈式 Agent 定制（Self-Play Agent Customization）：以"创建→运行测试→失败重试→自我改进"的循环完成 Agent 定制，保证产物可运行、可验证。

这五条特性共同指向一个事实：在 AutoAgent 中，"编程者"是 LLM 本身，用户只负责描述"我想要什么"。

二、三大使用模式：从"现成"到"定制"的三种路径

AutoAgent 在启动页提供三种模式（对应 cli.py 中的single_select_menu分支）：

下面分别结合源码深入剖析。

2.1user mode：开箱即用的深度研究多 Agent 系统

user mode是 AutoAgent 内置的"开箱即用"多 Agent 系统，定位为完整的 AI 研究助理，可用于信息检索、复杂分析任务与综合报告生成。README 总结了它的五个优势：

• 高性能：能力对标 Deep Research（采用 Claude 3.5 级别的模型而非 OpenAI o3）。
• 模型灵活：兼容任意 LLM，包括 DeepSeek-R1、Grok、Gemini 等。
• 高性价比：作为开源方案，可替代约 $200/月的 Deep Research 订阅。
• 易用：提供易于部署的 CLI 交互界面。
• 文件支持：支持文件上传，增强数据交互能力。

源码级印证：从 cli.py 可以看到，user_mode的核心是get_system_triage_agent(model)构建的System Triage Agent（系统分流 Agent），其定义在 system_triage_agent.py。它是一个"调度中枢"，职责是根据当前任务上下文判断哪个子 Agent 最合适，并将对话转移过去，直到任务完成。它管理的三个子 Agent 分别是：

1. File Surfer Agent（filesurfer_agent）：打开并浏览任意类型的本地文件；
2. Web Surfer Agent（websurfer_agent）：打开任意网站并浏览内容；
3. Coding Agent（coding_agent）：编写代码解决复杂任务。

调度通过transfer_to_filesurfer_agent、transfer_to_websurfer_agent、transfer_to_coding_agent三个转移工具完成，子 Agent 完成任务后再通过transfer_back_to_triage_agent把会话交还给分流 Agent——这正是"分流→执行→回流"的三层协作循环。

在交互上，CLI 支持输入@Agent名直接指定由某个 Agent 处理（如@Web_Surfer_Agent），也支持@Upload_files上传本地文件；输入exit即可退出（见 cli.py）。

2.2agent editor：无工作流地"对话式造 Agent"

agent editor是 AutoAgent 最具辨识度的能力：不写一行代码，用自然语言对话创建工具与 Agent。其完整流程可拆解为四个阶段（对应 README 中的四张流程截图）：

1. 输入需求（requirement）：描述你想创建什么样的 Agent；
2. 自动画像（automated agent profiling）：系统生成 XML 格式的 Agent 表单；
3. 输出画像（agent profiles）：展示解析后的 Agent 表单；
4. 创建工具（tools）→ 创建 Agent（agents）：先补齐所需新工具并逐一测试，再创建单个 Agent 或多个 Agent（通过编排器连接），最后用run_agent运行测试，成功后进入下一步。

源码级印证：agent editor的编排逻辑位于 metachain_meta_agent.py，它依次驱动三个元代理（Meta Agent）：

• Agent Former Agent（agent_former.py）：执行agent_profiling，把用户需求转化为<agents>...</agents>包裹的 XML 表单，并用 form_complie.py 中的parse_agent_form解析校验，失败时最多自动重试 3 次（MAX_RETRY = 3）；
• Tool Editor Agent（tool_editor.py）：执行tool_editing，为表单中标记为"新建"的工具逐一调用create_tool，并强制用run_tool测试通过后才能结束（否则走case_not_resolved进入重试）；
• Agent Creator Agent（agent_creator.py）：执行agent_editing，调用create_agent创建单个 Agent；若需多个 Agent，则必须调用create_orchestrator_agent创建编排器，最后用run_agent运行测试。

整个过程采用"必须验证成功才能停止"的策略：case_resolved/case_not_resolved两个哨兵工具决定了循环是否终止，失败会自动携带错误信息重试，最多 3 轮。这正是 README 所说"Self-Play Agent Customization / 迭代式自我改进"的具体实现。

2.3workflow editor：带工作流的自然语言创建

workflow editor与agent editor思路一致，区别在于输出对象是**工作流（Workflow）**而非单个 Agent。README 特别提示：该模式当前不支持工具创建。

源码级印证：编排逻辑位于 metachain_meta_workflow.py，同样分成两步：

1. Workflow Profiling：workflow_profiling让 Workflow Former Agent 输出 XML 格式的工作流表单，由 worklow_form_complie.py 的parse_workflow_form解析为WorkflowForm（失败最多重试 3 次）；
2. Workflow Editing：workflow_editing让 Workflow Creator Agent 先创建工作流表单中标记为new的新 Agent（若指定了工具列表则带上，否则用空工具列表[]），再调用create_workflow创建工作流，最后用run_workflow运行测试，成功后才通过case_resolved结束。

三、Quick Start：安装与环境准备

3.1 安装 AutoAgent

克隆仓库并使用可编辑模式安装：

git clone https://gitcode.com/GitHub_Trending/au/AutoAgent.git cd AutoAgent pip install -e .

安装后即获得auto命令入口。从 setup.cfg 可以看到其注册方式：

[options.entry_points] console_scripts = auto = autoagent.cli:cli

也就是说auto命令最终指向 autoagent/cli.py 中的 Click CLI 组。

3.2 Docker 安装

AutoAgent 使用 Docker 将Agent 交互环境（代码执行环境）容器化，因此需要先安装 Docker。无需手动拉取预构建镜像——AutoAgent 会根据你机器的 CPU 架构自动选择并拉取对应镜像。这一逻辑在 constant.py 中实现：x86/amd64 架构使用tjbtech1/metachain:amd64_latest，ARM 或其他架构使用tjbtech1/metachain:latest；你也可以通过环境变量BASE_IMAGES手动指定镜像。

3.3 API Keys 配置

仿照项目中的.env.template创建环境变量文件.env，填入你需要的 LLM API Key。并非所有 Key 都是必需的，按需配置即可：

# 必填：你自己的 GitHub Token GITHUB_AI_TOKEN= # 可选 API Keys OPENAI_API_KEY= DEEPSEEK_API_KEY= ANTHROPIC_API_KEY= GEMINI_API_KEY= HUGGINGFACE_API_KEY= GROQ_API_KEY= XAI_API_KEY=

其中GITHUB_AI_TOKEN是agent editor / workflow editor 模式所必需的：AutoAgent 会在容器内克隆一份 AutoAgent 仓库镜像，让框架"自我更新"（自动新增工具、Agent、工作流），因此需要该 Token 完成拉取操作。.env文件会在导入时被自动加载（见 constant.py 的load_dotenv()）。

四、CLI 模式启动：auto main与auto deep-research

4.1 两个入口命令

• auto main：启动 AutoAgent 完整功能，包含user mode、agent editor、workflow editor三种模式（cli.py）；
• auto deep-research：只启动轻量版user mode，对标独立的 Auto-Deep-Research 项目（cli.py）。

启动后你会看到 AutoAgent 的启动页，随后通过方向键选择模式进入交互。

4.2 命令行选项详解

关于FN_CALL的自动推断：在 constant.py 中定义了一组模型名单——NOT_SUPPORT_FN_CALL（如o1-mini、deepseek-reasoner、deepseek-r1、llama、grok-2）和NOT_USE_FN_CALL（在上一组基础上追加deepseek-chat）。当COMPLETION_MODEL命中这些名单时，FN_CALL会被自动置为False，并进入"非函数调用"模式；ADD_USER也会根据MUST_ADD_USER名单（deepseek-reasoner、o1-mini、deepseek-r1）自动开启。因此 README 建议"大多数情况下可以忽略这个选项"。

关于git_clone与test_pull_name的细节：在agent editor与workflow editor模式下，AutoAgent 需要克隆一份仓库镜像到本地 Agent 交互环境，以便"自我更新"（自动新增工具、Agent、工作流）。因此若想使用这两种模式，应保持git_clone=True，并将test_pull_name设为autoagent_mirror或其它你指定的分支。

4.3 不同 LLM Provider 的启动示例

以下命令均以auto main为例（auto deep-research用法类似，细节可参考 Auto-Deep-Research 项目）。

Anthropic（Claude，默认）

在.env中设置：

ANTHROPIC_API_KEY=your_anthropic_api_key

启动（默认模型即为 Claude）：

auto main

OpenAI

OPENAI_API_KEY=your_openai_api_key

COMPLETION_MODEL=gpt-4o auto main

Mistral

MISTRAL_API_KEY=your_mistral_api_key

COMPLETION_MODEL=mistral/mistral-large-2407 auto main

Gemini（Google AI Studio）

GEMINI_API_KEY=your_gemini_api_key

COMPLETION_MODEL=gemini/gemini-2.0-flash auto main

Hugging Face

HUGGINGFACE_API_KEY=your_huggingface_api_key

COMPLETION_MODEL=huggingface/meta-llama/Llama-3.3-70B-Instruct auto main

Groq

GROQ_API_KEY=your_groq_api_key

COMPLETION_MODEL=groq/deepseek-r1-distill-llama-70b auto main

OpenAI 兼容端点（如 Grok）

OPENAI_API_KEY=your_api_key_for_openai_compatible_endpoints

COMPLETION_MODEL=openai/grok-2-latest API_BASE_URL=https://api.x.ai/v1 auto main

OpenRouter（如 DeepSeek-R1）

建议：暂时推荐使用 OpenRouter 作为 DeepSeek-R1 的 LLM 提供方，因为 DeepSeek-R1 官方 API 目前无法高效使用。

OPENROUTER_API_KEY=your_openrouter_api_key

COMPLETION_MODEL=openrouter/deepseek/deepseek-r1 auto main

DeepSeek

DEEPSEEK_API_KEY=your_deepseek_api_key

COMPLETION_MODEL=deepseek/deepseek-chat auto main

需要说明：上述.env中的 Provider 对应 Key 在 constant.py 中会通过os.getenv读取（如ANTHROPIC_API_KEY、GEMINI_API_KEY等），最终交给底层的 LiteLLM 统一调用，因此模型命名必须遵循 LiteLLM 规范（如mistral/...、gemini/...、openrouter/...的前缀约定）。

4.4 CLI 交互体验

启动后，user mode与三个元代理模式都支持输入@直接提及某个 Agent、Tab 自动补全 Agent 名称；所有模式的退出方式均为输入exit。auto main启动时还会初始化三类运行环境（见 cli.py）：代码环境（DockerEnv，执行代码）、网页环境（BrowserEnv，浏览网页）、文件环境（RequestsMarkdownBrowser，读写文件），并把它们作为context_variables注入 Agent 上下文。

五、进阶技巧：Cookies 导入与第三方工具平台

5.1 将浏览器 Cookies 导入浏览器环境

为了让 Agent 更好地访问某些特定网站（如需要登录的学术站点），你可以把真实浏览器的 Cookies 导入 AutoAgent 的浏览器环境。具体步骤（详见 autoagent/environment/cookie_json/README.md）：

1. 使用 Google Chrome 浏览器安装扩展"Export cookie JSON file for Puppeteer"；
2. 登录目标网站后，用扩展导出 Cookies，将 JSON 文件保存到autoagent/environment/cookie_json/目录；
3. 执行转换命令，将所有 JSON 合并生成 Python 代码文件：

cd path/to/AutoAgent && python autoagent/environment/browser_cookies.py

该脚本（browser_cookies.py）会遍历cookie_json目录下所有*.json文件，汇总为cookies_data.py中的COOKIES_LIST，供浏览器环境加载。

README 建议优先导出的站点包括：archive.org、github.com、nature.com、orcid.org、collinsdictionary.com、jstor.org、ncbi.nlm.nih.gov、pnas.org、reddit.com、researchgate.net、youtube.com 等。

5.2 为第三方工具平台（如 RapidAPI）添加自己的 API Key

若想从第三方工具平台（如 RapidAPI）创建工具，需要先在平台上订阅相应工具，然后运行 process_tool_docs.py 把你的 API Key 写入工具文档：

python process_tool_docs.py

脚本会读取tool_docs.csv，列出所有 RapidAPI 工具，交互式询问你的 RapidAPI API Key，并把文档中所有YOUR_RAPID_API_KEY占位符替换为真实 Key 后写回（process_tool_docs.py）。更方便的工具平台（如 Composio）集成正在开发中。

六、复现论文结果：GAIA 与 Agentic-RAG

AutoAgent 论文的实验结果可通过仓库中的评测脚本复现。注意评测环境变量会覆盖默认配置（如EVAL_MODE=True、BASE_IMAGES=tjbtech1/gaia-bookworm:v2），具体可见评测脚本头部。

6.1 GAIA Benchmark

运行推理：

cd path/to/AutoAgent && sh evaluation/gaia/scripts/run_infer.sh

该脚本（run_infer.sh）设置COMPLETION_MODEL=claude-3-5-sonnet-20241022、agent_func=get_system_triage_agent（即复用user mode的分流 Agent 架构）等环境变量后，调用 evaluation/gaia/run_infer.py 执行评测。

评分：

cd path/to/AutoAgent && python evaluation/gaia/get_score.py

6.2 Agentic-RAG（MultiHopRAG）

Step 1：前往 Hugging Face 数据集页面下载 MultiHopRAG 数据集，保存到你的数据路径。

Step 2：运行推理脚本：

cd path/to/AutoAgent && sh evaluation/multihoprag/scripts/run_rag.sh

脚本（run_rag.sh）同样通过环境变量指定评测容器与模型（默认gpt-4o-mini-2024-07-18），随后调用 evaluation/multihoprag/run_rag.py。

Step 3：结果将保存到evaluation/multihoprag/result.json。

七、路线图与引用

AutoAgent 仍在持续演进，README 公布了以下开发计划：扩展SWE-bench、WebArena等更多基准评测；支持Computer-Use类型的 GUI Agent；集成Composio等更多工具平台；支持E2B等更多代码沙箱环境；以及开发完整的Web GUI 界面。

如果你在研究或工程中使用 AutoAgent，可按如下方式引用（节选自 README）：

@misc{AutoAgent, title={{AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents}}, author={Jiabin Tang, Tianyu Fan, Chao Huang}, year={2025}, eprint={202502.05957}, archivePrefix={arXiv}, primaryClass={cs.AI}, }

八、总结

AutoAgent 的价值在于把"创建 Agent"这件事本身也交给了 LLM：user mode提供开箱即用的深度研究多 Agent 系统，agent editor与workflow editor则通过"表单画像 → 工具创建与测试 → Agent/工作流创建与运行验证"的元代理流水线，让零代码用户也能获得可运行、经过实测的自定义 Agent。从 constant.py 的环境变量自动推断、cli.py 的三模式编排，到 metachain_meta_agent.py 与 metachain_meta_workflow.py 的"必须运行成功才停止"重试机制，整个框架都贯彻了"全自动、自我开发"的设计哲学——你只需要描述需求，剩下的交给 AutoAgent。

【免费下载链接】AutoAgent"AutoAgent: Fully-Automated and Zero-Code LLM Agent Framework"项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgent