AgentMesh 是一个开源的多智能体 (Multi-Agent) 平台，核心目标是解决多个智能体之间的通信和协同问题，真正实现 “1+1>2” 的效果。能够帮助用户快速创造自己的多智能体团队，或是让已有的多个单一智能体获得协同能力，最终解决更为复杂的任务。

Github地址： https://github.com/MinimalFuture/AgentMesh

Demo：Demo视频

背景

单一智能体架构的瓶颈

在介绍多智能体系统之前，首先需要论证的一个问题是，我们是否真的需要多个智能体？目前单智能体技术已经比较成熟，在各个AI平台都可以快速搭建出用于不同场景的Agent，一般来说这些Agent以大模型和提示词为基础，能够检索来自于知识库或数据库中的私有数据，并且能通过工具访问外部服务。

但是随着任务的复杂度提升，单智能体架构也会面临瓶颈：

1. 上下文限制： 复杂任务下，多轮的思考和执行可能带来超长的上下文，超出模型的上下文限制
2. 注意力机制： 将不同场景下的角色定义和规则都写到一个智能体的系统提示词中，会降低指令遵循效果，同样的，给一个智能体配置大量的工具也会导致工具决策的准确性下降
3. 模型能力：不同模型擅长处理不同类型的任务，单个智能体难以实现模型动态的切换
4. 异构Agent：某些场景下处理特定任务的智能体天然就运行在不同的平台（例如你在salesforce运行了一个Agent可以访问你的CRM系统，而在OpenAI搭建了一个Agent并维护你的企业知识库）
5. 可扩展性：在单一智能体中，任务增加新的需求场景会导致已有的智能体设计越来越臃肿，并且变更后需要回归其他场景是否收到影响；而多智能体架构下只需增加新的智能体成员来负责这一需求。

多智能体架构演进

所以在面对复杂任务的场景下，单智能体到多智能体的演进其实是符合现实世界规律的，是一种经典的分而治之的思路。例如在现实工作中，一个团队中会有不同的岗位，每个成员有不同的技能，负责不同的子任务；在软件工程领域的SOLID原则中，这符合"单一职责原则"，复杂的模块应该进行拆分；在微服务架构下，服务拆分后整个系统的可维护性、可扩展性都会得到提升，避免单点故障。

综上，理想的多智能体架构应该支持对每个智能体的模型、提示词、知识、工具进行独立的配置，每个智能体有自己的记忆，也有整个团队的上下文记忆。复杂任务进入后，智能体之间会通过通信和协作处理各自的子任务，单个智能体内部则支持多轮思考和调用工具，最终整个智能体团队将整合并交付完整的输出结果。另外，这些智能体可能分布在不同平台，使用不同的技术栈开发，运行在不同的服务器上。

最后说说与**工作流 (Workflow)**的差异，工作流更多是对各种原子能力的固定编排，优势是执行链路更为准确，缺点是每次新增需求都需要进行配置工作，适合更为明确的任务，例如定时获取指定接口的数据整理后推送，而多智能体则更适合更为发散、创造性的场景，泛化能力更强。

AgentMesh的目标

目前已有的多智能体开源项目大多关注框架层，例如 MetaGPT、Swarm、CamelAI、AgentVerse 等，对于新场景的实现需要通过代码开发来完成，主要用于开发者将多智能体能力集成到已有的系统中，有一定使用门槛。

AgentMesh最终想实现的是一个完整的多智能体平台，不仅可以为开发者提供代码开发框架，还可以让用户通过零代码配置的方式快速自定义自己的智能体团队，通过图形界面进行交互、管理和追踪，并且能够接入到各个常用软件中真正实现多智能体的具象化。AgentMesh可以运行在本地，最大化利用个人计算机的浏览器、文件系统、代码解释器等工具资源；也可以运行在云端，使用虚拟化的设备资源和第三方工具服务。另外AgentMesh还会解决异构Agent的协同问题，让运行在不同平台的Agent能够相互协作，共同解决问题。

整体架构

架构设计

根据上文中的多智能体平台想解决的问题和应用场景，AgentMesh的理想架构如下：

基于分层架构实现，保证每一层都具备可扩展性：

• 模型层： 支持主流商用模型的接入，同时支持通过ollama和vllm接入本地模型
• 框架层： 多智能体核心能力部分，包括Agent所需的工具、记忆、知识、模型，以及负责多Agent交互的Team模块。其中Tools模块将支持通过MCP协议接入MCP Servers，同时支持集成自定义开发的插件；Team模块将支持远程异构Agent的加入和写作。整个核心框架层可通过 agentmesh-sdk 对外提供。
• 应用层： 多智能体团队将支持命令行运行、Web界面运行、通过SDK或API集成到自研应用中，以及提供常用通讯和办公软件的集成。

运行流程

任务运行时的决策处理流程如下，第一层是多Agent的规划策略，第二层是Agent内部工具的ReACT多轮决策：

已实现功能

• 基础的多Agent协同策略： 支持零代码的Agent定义、复杂任务拆解、多Agent间决策和Agent内多轮工具决策
• 多种模型选择： 支持 OpenAI、Claude、DeepSeek、Qwen 等主流大模型，可为不同agent设置不同模型
• 内置工具： 支持浏览器、搜索引擎、文件系统、终端等多种内置工具
• 多种运行方式： 支持命令行、Docker、SDK 等多种运行和集成方式

后续规划

• WebUI： 用户友好的多Agent管理和追踪界面
• 支持MCP协议： 获得无限扩展的工具能力
• 异构Agent通信： 支持打通不同Agent平台，与远程Agent共同协作
• 更多模型： 支持更多模型厂商及本地开源模型

快速开始

项目提供三种使用方式快速构建并运行你的 Agent Team：

1. 终端运行

在终端中命令行中快速运行多智能体团队:

1.1 安装

环境准备： 支持 Linux、MacOS、Windows 系统，需要安装 python。

python 版本推荐使用 3.11+ (如需使用浏览器工具)，至少需要3.7以上
以上。下载地址：python官网。

下载项目源码并进入项目目录：

git clone https://github.com/MinimalFuture/AgentMesh
cd AgentMesh

核心依赖安装：

pip install -r requirements.txt

如需使用浏览器工具，还需要额外安装依赖 (可选，需要 python3.11+):

pip install browser-use
playwright install

1.2 配置

配置文件为根目录下的 config.yaml，包含模型配置和Agent配置，可以从模板文件复制后修改：

cp config-template.yaml config.yaml

填写需要用到的模型 api_key，支持 openai、claude、deepseek、qwen 等模型。

配置模板中预置了两个示例：

• general_team：通用智能体，适用于搜索和研究任务。
• software_team：开发团队，包含产品、工程和测试三个角色，可通过协作开发web网站，交付完整的项目代码和文档

你可以基于配置模板修改或添加自己的自定义团队，为每个智能体设置不同的模型、工具、系统提示词。

1.3 运行

你可以直接通过命令运行任务，通过 -t 参数指定配置文件中的团队，通过 -q 参数指定需要提出的问题：

python main.py -t general_team -q "帮我分析多智能体技术发展趋势"
python main.py -t software_team -q "帮我为AgentMesh项目开发一个预约体验的表单页面"

同时也可以进入命令行交互模式，通过输入问题进行多轮对话：

python main.py -l                               # 查看可用agent team
python main.py -t general_team                  # 指定一个team后开始多轮对话

2. Docker运行

下载 docker compose 配置文件：

curl -O https://raw.githubusercontent.com/MinimalFuture/AgentMesh/main/docker-compose.yml

下载配置模板，参考 1.2 中的配置说明，填写config.yaml配置文件中的模型API Key：

curl -o config.yaml https://raw.githubusercontent.com/MinimalFuture/AgentMesh/main/config-template.yaml

运行docker容器：

docker-compose run --rm agentmesh bash

容器启动后将进入命令行，与 1.3 中的使用方式相同，指定team后进入交互模式后即可开始对话：

python main.py -l                               # 查看可用agent team
python main.py -t general_team                  # 指定一个team后开始多轮对话

3. SDK集成

Agentmesh的核心模块通过SDK对外提供，开发者可基于该SDK构建智能体及多智能体团队，适用于在已有应用中快速获得多智能体协作能力。

安装SDK依赖:

pip install agentmesh-sdk

以下是一个简单的使用示例，使用前请替换 YOUR_API_KEY 为你的实际API密钥：

from agentmesh import AgentTeam, Agent, LLMModel
from agentmesh.tools import *# model
model = LLMModel(model="gpt-4.1", api_key="YOUR_API_KEY")# team build and add agents
team = AgentTeam(name="software_team", description="A software development team", model=model)team.add(Agent(name="PM", description="Responsible for product requirements and documentation",system_prompt="You are an experienced product manager who creates clear and comprehensive PRDs"))team.add(Agent(name="Developer", description="Implements code based on PRDs", model=model,system_prompt="You are a proficient developer who writes clean, efficient, and maintainable code. Follow the PRD requirements precisely.",tools=[Calculator(), GoogleSearch()]))# run user task
result = team.run(task="Write a Snake client game")

项目地址： https://github.com/MinimalFuture/AgentMesh