- [2025年5月] 🎉 EvoAgentX 正式发布！
我们建议使用 pip 安装 EvoAgentX：
pip install git+https://github.com/EvoAgentX/EvoAgentX.git对于本地开发或详细设置（例如，使用conda），请参考 EvoAgentX 安装指南。
示例（可选，用于本地开发）：
git clone https://github.com/EvoAgentX/EvoAgentX.git
cd EvoAgentX
# 创建新的conda环境
conda create -n evoagentx python=3.10
# 激活环境
conda activate evoagentx
# 安装包
pip install -r requirements.txt
# 或者以开发模式安装
pip install -e .要在EvoAgentX中使用LLM（如OpenAI），您必须设置API密钥。
选项1：通过环境变量设置API密钥
- Linux/macOS:
export OPENAI_API_KEY=<your-openai-api-key>- Windows命令提示符:
set OPENAI_API_KEY=<your-openai-api-key>- Windows PowerShell:
$env:OPENAI_API_KEY="<your-openai-api-key>" #必要的设置后，您可以在Python代码中访问密钥：
import os
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")选项2：使用.env文件
- 在项目根目录创建.env文件并添加以下内容：
OPENAI_API_KEY=<your-openai-api-key>然后在Python中加载：
from dotenv import load_dotenv
import os
load_dotenv() # 从.env文件加载环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")设置好API密钥后，使用以下方式初始化LLM：
from evoagentx.models import OpenAILLMConfig, OpenAILLM
# 从环境中加载API密钥
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
# 定义LLM配置
openai_config = OpenAILLMConfig(
model="gpt-4o-mini", # 指定模型名称
openai_key=OPENAI_API_KEY, # 直接传递密钥
stream=True, # 启用流式响应
output_response=True # 将响应打印到标准输出
)
# 初始化语言模型
llm = OpenAILLM(config=openai_config)
# 从LLM生成响应
response = llm.generate(prompt="什么是智能体工作流？")📖 有关支持的模型和配置选项的更多详情：LLM模块指南。
配置好API密钥和语言模型后，您可以在EvoAgentX中自动生成和执行多智能体工作流。
🧩 核心步骤：
- 定义自然语言目标
- 使用
WorkFlowGenerator生成工作流 - 使用
AgentManager实例化智能体 - 通过
WorkFlow执行工作流
💡 最小示例：
from evoagentx.workflow import WorkFlowGenerator, WorkFlowGraph, WorkFlow
from evoagentx.agents import AgentManager
goal = "生成可在浏览器中玩的 Tetris（俄罗斯方块）HTML 游戏代码"
workflow_graph = WorkFlowGenerator(llm=llm).generate_workflow(goal)
agent_manager = AgentManager()
agent_manager.add_agents_from_workflow(workflow_graph, llm_config=openai_config)
workflow = WorkFlow(graph=workflow_graph, agent_manager=agent_manager, llm=llm)
output = workflow.execute()
print(output)您还可以：
- 📊 可视化工作流：
workflow_graph.display() - 💾 保存/加载工作流：
save_module()/from_file()
📂 完整的工作示例，请查看
workflow_demo.py
EvoAgentX_demo.mp4
在此演示中，我们通过两个示例展示了EvoAgentX的工作流生成和执行能力：
- 应用1：简历的智能职位推荐
- 应用2：A股股票的视觉分析
 应用1： 职位推荐 |
 应用2： 股票视觉分析 |
我们将一些现有的智能体/工作流进化算法集成到EvoAgentX中，包括TextGrad、MIPRO和AFlow。
为了评估性能，我们使用它们在三个不同任务上优化相同的智能体系统：多跳问答(HotPotQA)、代码生成(MBPP)和推理(MATH)。我们随机抽取50个样本进行验证，另外100个样本用于测试。
提示：我们已将这些基准测试和评估代码集成到EvoAgentX中。有关更多详情，请参考基准测试和评估教程。
| 方法 | HotPotQA (F1%) |
MBPP (Pass@1 %) |
MATH (解题率 %) |
|---|---|---|---|
| 原始 | 63.58 | 69.00 | 66.00 |
| TextGrad | 71.02 | 71.00 | 76.00 |
| AFlow | 65.09 | 79.00 | 71.00 |
| MIPRO | 69.16 | 68.00 | 72.30 |
更多详情请参考examples/optimization文件夹。
我们使用我们的框架在GAIA基准测试中优化现有的多智能体系统。我们选择了来自GAIA排行榜的两个具有代表性的开源且可运行的多智能体框架：Open Deep Research和OWL。
我们应用EvoAgentX来优化它们的提示词。下图显示了优化后的智能体在GAIA基准验证集上的性能。
 Open Deep Research |
 OWL智能体 |
完整优化报告：Open Deep Research和OWL。
💡 EvoAgentX新手？ 从快速入门指南开始，逐步了解基本使用方法。
通过以下资源了解如何有效使用EvoAgentX：
| 指南 | 描述 |
|---|---|
| 构建您的第一个智能体 | 快速创建和管理具有多动作能力的智能体。 |
| 构建您的第一个工作流 | 学习如何使用多个智能体构建协作工作流。 |
| 使用工具 | 掌握 EvoAgentX 强大的工具生态系统，实现智能体交互。 |
| 自动工作流生成 | 从自然语言目标自动生成工作流。 |
| 基准测试与评估教程 | 使用基准数据集评估智能体性能。 |
| TextGrad优化器教程 | 使用TextGrad自动优化多智能体工作流中的提示词。 |
| AFlow优化器教程 | 使用AFlow自动优化多智能体工作流的提示词和结构。 |
🛠️ 通过这些教程构建和优化您的EvoAgentX工作流。
🚀 我们正在积极扩展我们的用例库和优化策略。更多内容即将推出—敬请期待！
- 模块化进化算法：将优化算法抽象为即插即用的模块，便于集成到自定义工作流中。
- 开发任务模板和智能体模块：构建典型任务的可重用模板和标准化智能体组件，以简化应用开发。
- 集成自进化智能体算法：整合更多最新和先进的智能体自进化技术，跨多个维度，包括提示词调整、工作流结构和记忆模块。
- 启用可视化工作流编辑界面：提供工作流结构显示和编辑的可视化界面，以提高可用性和调试能力。
📢 保持联系，成为EvoAgentX旅程的一部分！
🚩 加入我们的社区获取最新更新，分享您的想法，并与全球AI爱好者合作。
- Discord — 实时聊天、讨论和协作。
- X（前Twitter） — 关注我们获取新闻、更新和洞见。
- 微信 — 连接我们的中文社区。
📅 点击下面的链接将EvoAgentX周会（周日，16:30-17:30 GMT+8）添加到您的日历：
👉 下载EvoAgentX_Weekly_Meeting.ics文件
如果您对本项目有任何问题或反馈，请随时联系我们。我们非常感谢您的建议！
- 电子邮件： evoagentx.ai@gmail.com
我们将在2-3个工作日内回复所有问题。
感谢这些优秀的贡献者
我们感谢您对我们开源计划的贡献兴趣。我们提供了贡献指南文档，其中概述了为EvoAgentX做贡献的步骤。请参考此指南以确保顺利协作和成功贡献。 🤝🚀
本项目基于几个杰出的开源项目：AFlow、TextGrad、DSPy、LiveCodeBench等。我们衷心感谢这些框架的开发者和维护者对开源社区的宝贵贡献。
本仓库中的源代码根据MIT许可证提供。