478 lines
22 KiB
Markdown
478 lines
22 KiB
Markdown
# Open Multi-Agent
|
||
|
||
面向 TypeScript 的轻量多智能体编排引擎。3 个运行时依赖，零配置，一次 `runTeam()` 调用从目标到结果。
|
||
|
||
CrewAI 是 Python。LangGraph 需要你自己画图。`open-multi-agent` 是你现有 Node.js 后端里 `npm install` 一下就能用的那一层。当你需要让一支 agent 团队围绕一个目标协作时，只提供这个，不多不少。
|
||
|
||
3 个运行时依赖 · 41 个源文件 · Node.js 能跑的地方都能部署
|
||
|
||
[](https://github.com/JackChen-me/open-multi-agent/stargazers)
|
||
[](./LICENSE)
|
||
[](https://www.typescriptlang.org/)
|
||
[](https://github.com/JackChen-me/open-multi-agent/actions)
|
||
|
||
[English](./README.md) | **中文**
|
||
|
||
## 你真正得到的三件事
|
||
|
||
- **一次调用从目标到结果。** `runTeam(team, "构建一个 REST API")` 启动一个协调者 agent，把目标拆成任务 DAG，解析依赖，独立任务并行执行，最终合成输出。不需要画图，不需要手动连任务。
|
||
- **TypeScript 原生，3 个运行时依赖。** `@anthropic-ai/sdk`、`openai`、`zod`。这就是全部运行时。可嵌入 Express、Next.js、Serverless 函数或 CI/CD 流水线。没有 Python 运行时，没有子进程桥接，没有云端 sidecar。
|
||
- **多模型团队。** Claude、GPT、Gemini、Grok、MiniMax、DeepSeek、Copilot，或任何 OpenAI 兼容的本地模型（Ollama、vLLM、LM Studio、llama.cpp）可以在同一个团队中使用。让架构师用 Opus 4.6，开发者用 GPT-5.4，评审用本地的 Gemma 4，一次 `runTeam()` 调用全部搞定。Gemini 作为 optional peer dependency 提供：使用前需 `npm install @google/genai`。
|
||
|
||
其他能力（MCP 集成、上下文策略、结构化输出、任务重试、人机协同、生命周期钩子、循环检测、可观测性）在下方章节和 [`examples/`](./examples/) 里。
|
||
|
||
## 哲学：我们做什么，不做什么
|
||
|
||
我们的目标是做 TypeScript 生态里最简单的多智能体框架。简单不等于封闭。框架的长期价值不在于功能清单的长度，而在于它连接的网络有多大。
|
||
|
||
**我们做：**
|
||
- 一个协调者，把目标拆成任务 DAG。
|
||
- 一个任务队列，独立任务并行执行，失败级联到下游。
|
||
- 共享内存和消息总线，让 agent 之间能看到彼此的输出。
|
||
- 多模型团队，每个 agent 可以用不同的 LLM provider。
|
||
|
||
**我们不做：**
|
||
- **Agent Handoffs。** 如果 agent A 需要把对话中途交接给 agent B，去用 [OpenAI Agents SDK](https://github.com/openai/openai-agents-python)。在我们的模型里，每个 agent 完整负责自己的任务，不会中途交接。
|
||
- **状态持久化 / 检查点。** 短期内不做。加存储后端会打破 3 个依赖的承诺，而且我们的工作流执行时间是秒到分钟级，不是小时级。如果真实使用场景转向长时间工作流，我们会重新评估。
|
||
|
||
**正在跟踪：**
|
||
- **A2A 协议。** 观望中，等生产级采纳到位再行动。
|
||
|
||
完整理由见 [`DECISIONS.md`](./DECISIONS.md)。
|
||
|
||
## 和 X 有什么不同？
|
||
|
||
**vs. [LangGraph JS](https://github.com/langchain-ai/langgraphjs)。** LangGraph 是声明式图编排：你定义节点、边、条件路由，然后 `compile()` + `invoke()`。`open-multi-agent` 是目标驱动：你声明团队和目标，协调者在运行时把目标拆成任务 DAG。LangGraph 给你完全的拓扑控制（适合固定的生产工作流）。这个框架代码更少、迭代更快（适合探索型多智能体协作）。LangGraph 还有成熟的检查点能力，我们没有。
|
||
|
||
**vs. [CrewAI](https://github.com/crewAIInc/crewAI)。** CrewAI 是成熟的 Python 选择。如果你的技术栈是 Python，用 CrewAI。`open-multi-agent` 是 TypeScript 原生：3 个运行时依赖，直接嵌入 Node.js，不需要子进程桥接。编排能力大致相当，按语言契合度选。
|
||
|
||
**vs. [Vercel AI SDK](https://github.com/vercel/ai)。** AI SDK 是 LLM 调用层：统一的 TypeScript 客户端，支持 60+ provider，带流式、tool calls、结构化输出。它不做多智能体编排。`open-multi-agent` 需要多 agent 时叠在它之上。两者互补：单 agent 用 AI SDK，需要团队用这个。
|
||
|
||
## 谁在用
|
||
|
||
`open-multi-agent` 是一个新项目（2026-04-01 发布，MIT 许可，5,500+ stars）。生态还在成形，下面这份列表很短，但都真实：
|
||
|
||
- **[temodar-agent](https://github.com/xeloxa/temodar-agent)**（约 50 stars）。WordPress 安全分析平台，作者 [Ali Sünbül](https://github.com/xeloxa)。在 Docker runtime 里直接使用我们的内置工具（`bash`、`file_*`、`grep`）。已确认生产环境使用。
|
||
- **家用服务器 Cybersecurity SOC。** 本地完全离线运行 Qwen 2.5 + DeepSeek Coder（通过 Ollama），在 Wazuh + Proxmox 上构建自主 SOC 流水线。早期用户，未公开。
|
||
|
||
你在生产环境或 side project 里用 `open-multi-agent` 吗？[开一个 Discussion](https://github.com/JackChen-me/open-multi-agent/discussions)，我们会把你列上来。
|
||
|
||
## 快速开始
|
||
|
||
需要 Node.js >= 18。
|
||
|
||
```bash
|
||
npm install @jackchen_me/open-multi-agent
|
||
```
|
||
|
||
根据使用的 Provider 设置对应的 API key。通过 Ollama 使用本地模型无需 API key — 参见 [`providers/ollama`](examples/providers/ollama.ts)。
|
||
|
||
- `ANTHROPIC_API_KEY`
|
||
- `OPENAI_API_KEY`
|
||
- `GEMINI_API_KEY`
|
||
- `XAI_API_KEY`（Grok）
|
||
- `MINIMAX_API_KEY`（MiniMax）
|
||
- `MINIMAX_BASE_URL`（MiniMax — 可选，用于选择接入端点）
|
||
- `DEEPSEEK_API_KEY`（DeepSeek）
|
||
- `GITHUB_TOKEN`（Copilot）
|
||
|
||
**CLI (`oma`)。** 面向 shell 和 CI，包自带一个 JSON-first 的二进制。`oma run`、`oma task`、`oma provider`、退出码和文件格式见 [docs/cli.md](./docs/cli.md)。
|
||
|
||
三个智能体，一个目标——框架处理剩下的一切：
|
||
|
||
```typescript
|
||
import { OpenMultiAgent } from '@jackchen_me/open-multi-agent'
|
||
import type { AgentConfig } from '@jackchen_me/open-multi-agent'
|
||
|
||
const architect: AgentConfig = {
|
||
name: 'architect',
|
||
model: 'claude-sonnet-4-6',
|
||
systemPrompt: 'You design clean API contracts and file structures.',
|
||
tools: ['file_write'],
|
||
}
|
||
|
||
const developer: AgentConfig = { /* 同样结构，tools: ['bash', 'file_read', 'file_write', 'file_edit'] */ }
|
||
const reviewer: AgentConfig = { /* 同样结构，tools: ['file_read', 'grep'] */ }
|
||
|
||
const orchestrator = new OpenMultiAgent({
|
||
defaultModel: 'claude-sonnet-4-6',
|
||
onProgress: (event) => console.log(event.type, event.agent ?? event.task ?? ''),
|
||
})
|
||
|
||
const team = orchestrator.createTeam('api-team', {
|
||
name: 'api-team',
|
||
agents: [architect, developer, reviewer],
|
||
sharedMemory: true,
|
||
})
|
||
|
||
// 描述一个目标——框架将其拆解为任务并编排执行
|
||
const result = await orchestrator.runTeam(team, 'Create a REST API for a todo list in /tmp/todo-api/')
|
||
|
||
console.log(`Success: ${result.success}`)
|
||
console.log(`Tokens: ${result.totalTokenUsage.output_tokens} output tokens`)
|
||
```
|
||
|
||
执行过程：
|
||
|
||
```
|
||
agent_start coordinator
|
||
task_start architect
|
||
task_complete architect
|
||
task_start developer
|
||
task_start developer // 无依赖的任务并行执行
|
||
task_complete developer
|
||
task_complete developer
|
||
task_start reviewer // 实现完成后自动解锁
|
||
task_complete reviewer
|
||
agent_complete coordinator // 综合所有结果
|
||
Success: true
|
||
Tokens: 12847 output tokens
|
||
```
|
||
|
||
## 三种运行模式
|
||
|
||
| 模式 | 方法 | 适用场景 |
|
||
|------|------|----------|
|
||
| 单智能体 | `runAgent()` | 一个智能体，一个提示词——最简入口 |
|
||
| 自动编排团队 | `runTeam()` | 给一个目标，框架自动规划和执行 |
|
||
| 显式任务管线 | `runTasks()` | 你自己定义任务图和分配 |
|
||
|
||
如果需要 MapReduce 风格的扇出而不涉及任务依赖，直接使用 `AgentPool.runParallel()`。参见 [`patterns/fan-out-aggregate`](examples/patterns/fan-out-aggregate.ts)。
|
||
|
||
## 示例
|
||
|
||
[`examples/`](./examples/) 按类别组织——basics、providers、patterns、integrations、production。完整索引见 [`examples/README.md`](./examples/README.md)。推荐起步：
|
||
|
||
- [`basics/team-collaboration`](examples/basics/team-collaboration.ts)：`runTeam()` 协调者模式。
|
||
- [`providers/ollama`](examples/providers/ollama.ts)：通过 `baseURL` 把 Ollama 和 Claude 放在同一条管线。
|
||
- [`patterns/structured-output`](examples/patterns/structured-output.ts)：任意 agent 产出 Zod 校验过的 JSON。
|
||
- [`patterns/agent-handoff`](examples/patterns/agent-handoff.ts)：`delegate_to_agent` 同步子智能体委派。
|
||
- [`integrations/trace-observability`](examples/integrations/trace-observability.ts)：`onTrace` 回调，为 LLM 调用、工具、任务发出结构化 span。
|
||
- [`integrations/mcp-github`](examples/integrations/mcp-github.ts)：通过 `connectMCPTools()` 把 MCP 服务器的工具暴露给 agent。
|
||
- [`providers/minimax`](examples/providers/minimax.ts)、[`providers/deepseek`](examples/providers/deepseek.ts)、[`providers/groq`](examples/providers/groq.ts)：各 provider 的三智能体团队。
|
||
- [`integrations/with-vercel-ai-sdk`](examples/integrations/with-vercel-ai-sdk/)：Next.js 应用 — OMA `runTeam()` + AI SDK `useChat` 流式输出。
|
||
|
||
用 `npx tsx examples/basics/team-collaboration.ts` 运行脚本示例。
|
||
|
||
## 架构
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ OpenMultiAgent (Orchestrator) │
|
||
│ │
|
||
│ createTeam() runTeam() runTasks() runAgent() getStatus() │
|
||
└──────────────────────┬──────────────────────────────────────────┘
|
||
│
|
||
┌──────────▼──────────┐
|
||
│ Team │
|
||
│ - AgentConfig[] │
|
||
│ - MessageBus │
|
||
│ - TaskQueue │
|
||
│ - SharedMemory │
|
||
└──────────┬──────────┘
|
||
│
|
||
┌─────────────┴─────────────┐
|
||
│ │
|
||
┌────────▼──────────┐ ┌───────────▼───────────┐
|
||
│ AgentPool │ │ TaskQueue │
|
||
│ - Semaphore │ │ - dependency graph │
|
||
│ - runParallel() │ │ - auto unblock │
|
||
└────────┬──────────┘ │ - cascade failure │
|
||
│ └───────────────────────┘
|
||
┌────────▼──────────┐
|
||
│ Agent │
|
||
│ - run() │ ┌──────────────────────┐
|
||
│ - prompt() │───►│ LLMAdapter │
|
||
│ - stream() │ │ - AnthropicAdapter │
|
||
└────────┬──────────┘ │ - OpenAIAdapter │
|
||
│ │ - CopilotAdapter │
|
||
│ │ - GeminiAdapter │
|
||
│ │ - GrokAdapter │
|
||
│ │ - MiniMaxAdapter │
|
||
│ │ - DeepSeekAdapter │
|
||
│ └──────────────────────┘
|
||
┌────────▼──────────┐
|
||
│ AgentRunner │ ┌──────────────────────┐
|
||
│ - conversation │───►│ ToolRegistry │
|
||
│ loop │ │ - defineTool() │
|
||
│ - tool dispatch │ │ - 6 built-in tools │
|
||
└───────────────────┘ └──────────────────────┘
|
||
```
|
||
|
||
## 内置工具
|
||
|
||
| 工具 | 说明 |
|
||
|------|------|
|
||
| `bash` | 执行 Shell 命令。返回 stdout + stderr。支持超时和工作目录设置。 |
|
||
| `file_read` | 读取指定绝对路径的文件内容。支持偏移量和行数限制以处理大文件。 |
|
||
| `file_write` | 写入或创建文件。自动创建父目录。 |
|
||
| `file_edit` | 通过精确字符串匹配编辑文件。 |
|
||
| `grep` | 使用正则表达式搜索文件内容。优先使用 ripgrep，回退到 Node.js 实现。 |
|
||
| `glob` | 按 glob 模式查找文件。返回按修改时间排序的匹配路径。 |
|
||
|
||
## 工具配置
|
||
|
||
可以通过预设、白名单和黑名单对 agent 的工具访问进行精细控制。
|
||
|
||
### 工具预设
|
||
|
||
为常见场景预定义的工具组合：
|
||
|
||
```typescript
|
||
const readonlyAgent: AgentConfig = {
|
||
name: 'reader',
|
||
model: 'claude-sonnet-4-6',
|
||
toolPreset: 'readonly', // file_read, grep, glob
|
||
}
|
||
|
||
const readwriteAgent: AgentConfig = {
|
||
name: 'editor',
|
||
model: 'claude-sonnet-4-6',
|
||
toolPreset: 'readwrite', // file_read, file_write, file_edit, grep, glob
|
||
}
|
||
|
||
const fullAgent: AgentConfig = {
|
||
name: 'executor',
|
||
model: 'claude-sonnet-4-6',
|
||
toolPreset: 'full', // file_read, file_write, file_edit, grep, glob, bash
|
||
}
|
||
```
|
||
|
||
### 高级过滤
|
||
|
||
将预设与白名单、黑名单组合，实现精确控制：
|
||
|
||
```typescript
|
||
const customAgent: AgentConfig = {
|
||
name: 'custom',
|
||
model: 'claude-sonnet-4-6',
|
||
toolPreset: 'readwrite', // 起点：file_read, file_write, file_edit, grep, glob
|
||
tools: ['file_read', 'grep'], // 白名单：与预设取交集 = file_read, grep
|
||
disallowedTools: ['grep'], // 黑名单：再减去 = 只剩 file_read
|
||
}
|
||
```
|
||
|
||
**解析顺序：** preset → allowlist → denylist → 框架安全护栏。
|
||
|
||
### 自定义工具
|
||
|
||
两种方式给 agent 装一个不在内置工具集里的工具。
|
||
|
||
**配置时注入**：通过 `AgentConfig.customTools` 传入。适合编排层统一挂工具的场景。这里定义的工具会绕过 preset / 白名单过滤，但仍受 `disallowedTools` 约束。
|
||
|
||
```typescript
|
||
import { defineTool } from '@jackchen_me/open-multi-agent'
|
||
import { z } from 'zod'
|
||
|
||
const weatherTool = defineTool({
|
||
name: 'get_weather',
|
||
description: '查询某城市当前天气。',
|
||
schema: z.object({ city: z.string() }),
|
||
execute: async ({ city }) => ({ content: await fetchWeather(city) }),
|
||
})
|
||
|
||
const agent: AgentConfig = {
|
||
name: 'assistant',
|
||
model: 'claude-sonnet-4-6',
|
||
customTools: [weatherTool],
|
||
}
|
||
```
|
||
|
||
**运行时注册**：`agent.addTool(tool)`。这种方式添加的工具始终可用，不受任何过滤规则影响。
|
||
|
||
### 工具输出控制
|
||
|
||
工具返回过长会迅速撑大对话体积和成本。两个控制点互相配合。
|
||
|
||
**截断** — 把单次工具结果压到 head + tail 摘要（中间放一个标记）：
|
||
|
||
```typescript
|
||
const agent: AgentConfig = {
|
||
// ...
|
||
maxToolOutputChars: 10_000, // 该 agent 所有工具的默认上限
|
||
}
|
||
|
||
// 单工具覆盖（优先级高于 AgentConfig.maxToolOutputChars）：
|
||
const bigQueryTool = defineTool({
|
||
// ...
|
||
maxOutputChars: 50_000,
|
||
})
|
||
```
|
||
|
||
**消费后压缩** — agent 在后续轮次已经用完某个工具结果后，把历史副本压缩，避免每轮都重复消耗输入 token。错误结果永不压缩。
|
||
|
||
```typescript
|
||
const agent: AgentConfig = {
|
||
// ...
|
||
compressToolResults: true, // 默认阈值 500 字符
|
||
// 或：compressToolResults: { minChars: 2_000 }
|
||
}
|
||
```
|
||
|
||
### MCP 工具（Model Context Protocol）
|
||
|
||
`open-multi-agent` 可以连接任意 MCP 服务器，并把它的工具直接暴露给 agent。
|
||
|
||
```typescript
|
||
import { connectMCPTools } from '@jackchen_me/open-multi-agent/mcp'
|
||
|
||
const { tools, disconnect } = await connectMCPTools({
|
||
command: 'npx',
|
||
args: ['-y', '@modelcontextprotocol/server-github'],
|
||
env: { GITHUB_TOKEN: process.env.GITHUB_TOKEN },
|
||
namePrefix: 'github',
|
||
})
|
||
|
||
// 把每个 MCP 工具注册进你的 ToolRegistry，然后在 AgentConfig.tools 里引用它们的名字
|
||
// 用完别忘了清理
|
||
await disconnect()
|
||
```
|
||
|
||
注意事项：
|
||
- `@modelcontextprotocol/sdk` 是 optional peer dependency，只在用 MCP 时才需要装。
|
||
- 当前仅支持 stdio transport。
|
||
- MCP 的入参校验交给 MCP 服务器自身（`inputSchema` 是 `z.any()`）。
|
||
|
||
完整可运行示例见 [`integrations/mcp-github`](examples/integrations/mcp-github.ts)。
|
||
|
||
## 上下文管理
|
||
|
||
长时间运行的 agent 很容易撞上输入 token 上限。在 `AgentConfig` 上设置 `contextStrategy` 来控制对话在成长过程中如何收缩：
|
||
|
||
```typescript
|
||
const agent: AgentConfig = {
|
||
name: 'long-runner',
|
||
model: 'claude-sonnet-4-6',
|
||
// 选一种：
|
||
contextStrategy: { type: 'sliding-window', maxTurns: 20 },
|
||
// contextStrategy: { type: 'summarize', maxTokens: 80_000, summaryModel: 'claude-haiku-4-5' },
|
||
// contextStrategy: { type: 'compact', maxTokens: 100_000, preserveRecentTurns: 4 },
|
||
// contextStrategy: { type: 'custom', compress: (messages, estimatedTokens, ctx) => ... },
|
||
}
|
||
```
|
||
|
||
| 策略 | 什么时候用 |
|
||
|------|------------|
|
||
| `sliding-window` | 最省事。只保留最近 N 轮，其余丢弃。 |
|
||
| `summarize` | 把老对话交给一个摘要模型，用摘要替代原文。 |
|
||
| `compact` | 基于规则：截断过长的 assistant 文本块和 tool 结果，保留最近若干轮。不额外调用 LLM。 |
|
||
| `custom` | 传入自己的 `compress(messages, estimatedTokens, ctx)` 函数。 |
|
||
|
||
搭配上面的 `compressToolResults` 和 `maxToolOutputChars` 使用效果更好。
|
||
|
||
## 支持的 Provider
|
||
|
||
| Provider | 配置 | 环境变量 | 状态 |
|
||
|----------|------|----------|------|
|
||
| Anthropic (Claude) | `provider: 'anthropic'` | `ANTHROPIC_API_KEY` | 已验证 |
|
||
| OpenAI (GPT) | `provider: 'openai'` | `OPENAI_API_KEY` | 已验证 |
|
||
| Grok (xAI) | `provider: 'grok'` | `XAI_API_KEY` | 已验证 |
|
||
| MiniMax（全球） | `provider: 'minimax'` | `MINIMAX_API_KEY` | 已验证 |
|
||
| MiniMax（国内） | `provider: 'minimax'` + `MINIMAX_BASE_URL` | `MINIMAX_API_KEY` | 已验证 |
|
||
| DeepSeek | `provider: 'deepseek'` | `DEEPSEEK_API_KEY` | 已验证 |
|
||
| GitHub Copilot | `provider: 'copilot'` | `GITHUB_TOKEN` | 已验证 |
|
||
| Gemini | `provider: 'gemini'` | `GEMINI_API_KEY` | 已验证 |
|
||
| Ollama / vLLM / LM Studio | `provider: 'openai'` + `baseURL` | — | 已验证 |
|
||
| Groq | `provider: 'openai'` + `baseURL` | `GROQ_API_KEY` | 已验证 |
|
||
| llama.cpp server | `provider: 'openai'` + `baseURL` | — | 已验证 |
|
||
|
||
Gemini 需要 `npm install @google/genai`（optional peer dependency）。
|
||
|
||
已验证支持 tool-calling 的本地模型：**Gemma 4**（见 [`providers/gemma4-local`](examples/providers/gemma4-local.ts)）。
|
||
|
||
任何 OpenAI 兼容 API 均可通过 `provider: 'openai'` + `baseURL` 接入（Mistral、Qwen、Moonshot、Doubao 等）。Groq 已在 [`providers/groq`](examples/providers/groq.ts) 中验证。**Grok、MiniMax 和 DeepSeek 现已原生支持**，分别使用 `provider: 'grok'`、`provider: 'minimax'` 和 `provider: 'deepseek'`。
|
||
|
||
### 本地模型 Tool-Calling
|
||
|
||
框架支持通过 Ollama、vLLM、LM Studio 或 llama.cpp 运行的本地模型进行 tool-calling。Tool-calling 由这些服务通过 OpenAI 兼容 API 原生处理。
|
||
|
||
**已验证模型：** Gemma 4、Llama 3.1、Qwen 3、Mistral、Phi-4。完整列表见 [ollama.com/search?c=tools](https://ollama.com/search?c=tools)。
|
||
|
||
**兜底提取：** 如果本地模型以文本形式返回工具调用，而非使用 `tool_calls` 协议格式（常见于 thinking 模型或配置不当的服务），框架会自动从文本输出中提取。
|
||
|
||
**超时设置：** 本地推理可能较慢。使用 `AgentConfig` 上的 `timeoutMs` 防止无限等待：
|
||
|
||
```typescript
|
||
const localAgent: AgentConfig = {
|
||
name: 'local',
|
||
model: 'llama3.1',
|
||
provider: 'openai',
|
||
baseURL: 'http://localhost:11434/v1',
|
||
apiKey: 'ollama',
|
||
tools: ['bash', 'file_read'],
|
||
timeoutMs: 120_000, // 2 分钟后中止
|
||
}
|
||
```
|
||
|
||
**常见问题：**
|
||
- 模型不调用工具？确保该模型出现在 Ollama 的 [Tools 分类](https://ollama.com/search?c=tools)中。并非所有模型都支持 tool-calling。
|
||
- 使用 Ollama？更新到最新版（`ollama update`）——旧版本有已知的 tool-calling bug。
|
||
- 代理干扰？本地服务使用 `no_proxy=localhost`。
|
||
|
||
### LLM 配置示例
|
||
|
||
```typescript
|
||
const grokAgent: AgentConfig = {
|
||
name: 'grok-agent',
|
||
provider: 'grok',
|
||
model: 'grok-4',
|
||
systemPrompt: 'You are a helpful assistant.',
|
||
}
|
||
```
|
||
|
||
（设置 `XAI_API_KEY` 环境变量即可，无需 `baseURL`。）
|
||
|
||
```typescript
|
||
const minimaxAgent: AgentConfig = {
|
||
name: 'minimax-agent',
|
||
provider: 'minimax',
|
||
model: 'MiniMax-M2.7',
|
||
systemPrompt: 'You are a helpful assistant.',
|
||
}
|
||
```
|
||
|
||
设置 `MINIMAX_API_KEY`。适配器通过 `MINIMAX_BASE_URL` 选择接入端点：
|
||
|
||
- `https://api.minimax.io/v1` 全球端点，默认
|
||
- `https://api.minimaxi.com/v1` 中国大陆端点
|
||
|
||
也可在 `AgentConfig` 中直接传入 `baseURL` 覆盖环境变量。
|
||
|
||
```typescript
|
||
const deepseekAgent: AgentConfig = {
|
||
name: 'deepseek-agent',
|
||
provider: 'deepseek',
|
||
model: 'deepseek-chat',
|
||
systemPrompt: '你是一个有用的助手。',
|
||
}
|
||
```
|
||
|
||
设置 `DEEPSEEK_API_KEY`。可用模型：`deepseek-chat`（DeepSeek-V3，推荐用于编码任务）和 `deepseek-reasoner`（思考模式）。
|
||
|
||
## 参与贡献
|
||
|
||
欢迎提 Issue、功能需求和 PR。以下方向的贡献尤其有价值：
|
||
|
||
- **示例** — 真实场景的工作流和用例。
|
||
- **文档** — 指南、教程和 API 文档。
|
||
|
||
## 贡献者
|
||
|
||
<a href="https://github.com/JackChen-me/open-multi-agent/graphs/contributors">
|
||
<img src="https://contrib.rocks/image?repo=JackChen-me/open-multi-agent&max=20&v=20260411" />
|
||
</a>
|
||
|
||
## Star 趋势
|
||
|
||
<a href="https://star-history.com/#JackChen-me/open-multi-agent&Date">
|
||
<picture>
|
||
<source media="(prefers-color-scheme: dark)" srcset="https://api.star-history.com/svg?repos=JackChen-me/open-multi-agent&type=Date&theme=dark" />
|
||
<source media="(prefers-color-scheme: light)" srcset="https://api.star-history.com/svg?repos=JackChen-me/open-multi-agent&type=Date" />
|
||
<img alt="Star History Chart" src="https://api.star-history.com/svg?repos=JackChen-me/open-multi-agent&type=Date" />
|
||
</picture>
|
||
</a>
|
||
|
||
## 许可证
|
||
|
||
MIT
|