Multi-Agent Orchestrator 快速入门5分钟搭建你的第一个多代理对话系统【免费下载链接】agent-squadFlexible and powerful framework for managing multiple AI agents and handling complex conversations项目地址: https://gitcode.com/GitHub_Trending/mu/agent-squadMulti-Agent Orchestrator 是一个用于多代理编排的开源框架它能智能地把用户对话路由给最合适的 AI 代理并在整个会话中维持上下文。本教程作为 Multi-Agent Orchestrator 的快速入门带你从克隆仓库到跑通第一次多代理协作对话全程只需几条命令和一段十几行的代码。一个对话框背后是一支专家团队想象这样一个场景客服系统要同时处理技术问题、健康咨询和天气查询。给每一类问题都单独做一个聊天机器人意味着你要维护 N 套提示词、N 套存储、N 套接口——而且用户问A 话题顺便聊聊 B时就断了线。Multi-Agent Orchestrator 的做法是把所有专业代理注册进一个编排器用户只需要和一个入口对话。编排器根据代理各自的描述和会话历史自动判断这条消息该交给谁处理。你负责写代理路由、上下文、会话存储这些脏活它全包了。框架同时提供 Python 与 TypeScript 两套 SDK部署在 AWS Lambda 或本地都能跑。一次请求的旅程先看懂三块积木上手之前花两分钟理解框架的三个核心组件后面所有示例都绕不开它们分类器Classifiers请求到达后的第一站。它阅读用户输入、各代理的自我介绍description以及历史会话决定把任务派给谁。框架内置 BedrockClassifier、OpenAIClassifier、AnthropicClassifier 三种实现也可以接自己的分类逻辑。代理Agents真正干活的角色。每个代理有名字和能力描述内置实现覆盖常见场景——BedrockLLMAgent、AnthropicAgent、OpenAIAgent、LambdaAgent、LexBotAgent、BedrockFlowsAgent 等全部在 python/src/multi_agent_orchestrator/agents/ 和 typescript/src/agents/ 下可以找到。会话存储Storage对话历史的落盘方案支持内存、DynamoDB 和 SQL 后端见 python/src/multi_agent_orchestrator/storage/保证多轮对话中各代理共享同一份上下文。请求的完整路径是用户输入 → 分类器选型 → 代理处理 → 编排器保存会话并回传响应。看懂这条链路框架的所有配置项就都有了归宿。五分钟上手从克隆到第一次多代理对话环境准备与安装步骤你只需要以下任一语言环境Python 3.8含 pipNode.js 14含 npm拉取仓库并进入git clone https://gitcode.com/GitHub_Trending/mu/agent-squad cd agent-squad然后按语言安装 SDK# Python pip install multi-agent-orchestrator[all] # TypeScript npm install multi-agent-orchestrator 如果只用到特定模型Python 端可以按需安装multi-agent-orchestrator[anthropic]或multi-agent-orchestrator[openai]减少依赖体积。三步跑通第一次多代理对话以 Python 为例整个流程只有三步建编排器、注册代理、发起请求。from multi_agent_orchestrator.orchestrator import MultiAgentOrchestrator, OrchestratorConfig from multi_agent_orchestrator.agents import BedrockLLMAgent, BedrockLLMAgentOptions # 1. 创建编排器 orchestrator MultiAgentOrchestrator(optionsOrchestratorConfig( LOG_AGENT_CHATTrue, LOG_CLASSIFIER_OUTPUTTrue, )) # 2. 注册两个能力互补的代理 orchestrator.add_agent(BedrockLLMAgent(BedrockLLMAgentOptions( nameTech Agent, description专注软件开发、云计算、AI 等技术话题, ))) orchestrator.add_agent(BedrockLLMAgent(BedrockLLMAgentOptions( nameHealth Agent, description专注健康、营养、医疗话题, ))) # 3. 发送请求分类器会自动选择代理 response await orchestrator.route_request(最新的 AI 趋势有哪些, user-1, session-1) print(response.output)注意第二步里的description字段——它不是注释而是分类器的决策依据。写得越清晰路由越准。如果你想跳过从零起步仓库里有一个交互式终端示例 examples/local-demo/local-orchestrator.ts展示了如何同时挂载技术代理、天气工具代理、Lex 机器人和 Lambda 代理并开一个本地会话循环。开箱即用的演示应用不想看代码仓库自带两个可视化演示装上依赖就能启动。聊天演示应用CDK Astro TypeScript一个完整的前后端工程包含多代理 Lambda、数学/天气工具、知识库同步等模块入口在 examples/chat-demo-app/详细部署说明见其 README。Python Streamlit 演示一条命令启动内置AI 电影制作和AI 旅行规划两个场景cd examples/python python -m venv venv source venv/bin/activate pip install -r requirements.txt streamlit run main-app.py两个演示分别依赖 Amazon Bedrock 访问权限和 Anthropic API Key配置方式在 examples/python/readme.md 里写得很细。从单代理到代理团队工作流与 Supervisor 协调单代理各自为战还远远不够时框架提供了两层团队协作机制。BedrockFlowsAgent工作流把一段固定的处理链路输入节点 → 提示节点 → 输出节点封装成 Bedrock Flow再作为一个整体代理接入编排器适合确定性流程。SupervisorAgent监督者采用agent-as-tools架构由一个主管代理把其他专业代理当作可调用的工具并行分派子任务并汇总结果全程保持上下文连贯。适合先研究、再创作、最后统稿这类需要编排多个专家的复杂任务。真实案例电影制作助手与旅行规划Streamlit 演示里的两个场景恰好展示了多代理协作的两类典型形态电影制作助手ScriptWriter 写故事大纲、CastingDirector 基于实时检索推荐演员、MovieProducer 统筹协调全部由一个自定义 Supervisor 代理调度。完整代码在 examples/python/movie-production/。✈️旅行规划系统输入目的地和天数多个代理分工检索景点、住宿与活动输出逐日行程。代码在 examples/python/travel-planner/。这两个案例的共同点没有任何一处手写 if-else 路由逻辑分工完全靠代理描述 分类器完成。这正是框架想让你养成的建模方式。扩展自己的代理十行代码的自定义入门接入一个非 LLM 的能力内部 API、规则引擎、数据处理管道时只需继承基类Agent实现processRequestTypeScript或process_requestPythonclass SimpleGreetingAgent(Agent): async def process_request(self, input_text, user_id, session_id, chat_history): return ConversationMessage( roleParticipantRole.ASSISTANT.value, content[{text: fHello! You said: {inputText}}] )写好后orchestrator.add_agent(...)注册再配上一句描述能力的话分类器就能把它纳入路由候选。完整结构含 TypeScript 版、可选参数、继承内置代理等写法见 docs/src/content/docs/agents/custom-agents.mdx。资源入口继续深入官方文档概念、配置、FAQdocs/全部示例演示应用、Lambda、监控、最佳实践examples/Python SDK 源码与测试python/TypeScript SDK 源码与测试typescript/新手起步文档docs/src/content/docs/general/quickstart.mdx 建议路径先跑通上面的最小示例 → 打开 local-demo 体验交互式路由日志 → 挑一个 Streamlit 演示看懂真实分工 → 最后写一个自己的自定义代理。走完这四步你就拥有了一个可随时扩展的多代理编排系统。【免费下载链接】agent-squadFlexible and powerful framework for managing multiple AI agents and handling complex conversations项目地址: https://gitcode.com/GitHub_Trending/mu/agent-squad创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Multi-Agent Orchestrator 快速入门：5分钟搭建你的第一个多代理对话系统
Multi-Agent Orchestrator 快速入门5分钟搭建你的第一个多代理对话系统【免费下载链接】agent-squadFlexible and powerful framework for managing multiple AI agents and handling complex conversations项目地址: https://gitcode.com/GitHub_Trending/mu/agent-squadMulti-Agent Orchestrator 是一个用于多代理编排的开源框架它能智能地把用户对话路由给最合适的 AI 代理并在整个会话中维持上下文。本教程作为 Multi-Agent Orchestrator 的快速入门带你从克隆仓库到跑通第一次多代理协作对话全程只需几条命令和一段十几行的代码。一个对话框背后是一支专家团队想象这样一个场景客服系统要同时处理技术问题、健康咨询和天气查询。给每一类问题都单独做一个聊天机器人意味着你要维护 N 套提示词、N 套存储、N 套接口——而且用户问A 话题顺便聊聊 B时就断了线。Multi-Agent Orchestrator 的做法是把所有专业代理注册进一个编排器用户只需要和一个入口对话。编排器根据代理各自的描述和会话历史自动判断这条消息该交给谁处理。你负责写代理路由、上下文、会话存储这些脏活它全包了。框架同时提供 Python 与 TypeScript 两套 SDK部署在 AWS Lambda 或本地都能跑。一次请求的旅程先看懂三块积木上手之前花两分钟理解框架的三个核心组件后面所有示例都绕不开它们分类器Classifiers请求到达后的第一站。它阅读用户输入、各代理的自我介绍description以及历史会话决定把任务派给谁。框架内置 BedrockClassifier、OpenAIClassifier、AnthropicClassifier 三种实现也可以接自己的分类逻辑。代理Agents真正干活的角色。每个代理有名字和能力描述内置实现覆盖常见场景——BedrockLLMAgent、AnthropicAgent、OpenAIAgent、LambdaAgent、LexBotAgent、BedrockFlowsAgent 等全部在 python/src/multi_agent_orchestrator/agents/ 和 typescript/src/agents/ 下可以找到。会话存储Storage对话历史的落盘方案支持内存、DynamoDB 和 SQL 后端见 python/src/multi_agent_orchestrator/storage/保证多轮对话中各代理共享同一份上下文。请求的完整路径是用户输入 → 分类器选型 → 代理处理 → 编排器保存会话并回传响应。看懂这条链路框架的所有配置项就都有了归宿。五分钟上手从克隆到第一次多代理对话环境准备与安装步骤你只需要以下任一语言环境Python 3.8含 pipNode.js 14含 npm拉取仓库并进入git clone https://gitcode.com/GitHub_Trending/mu/agent-squad cd agent-squad然后按语言安装 SDK# Python pip install multi-agent-orchestrator[all] # TypeScript npm install multi-agent-orchestrator 如果只用到特定模型Python 端可以按需安装multi-agent-orchestrator[anthropic]或multi-agent-orchestrator[openai]减少依赖体积。三步跑通第一次多代理对话以 Python 为例整个流程只有三步建编排器、注册代理、发起请求。from multi_agent_orchestrator.orchestrator import MultiAgentOrchestrator, OrchestratorConfig from multi_agent_orchestrator.agents import BedrockLLMAgent, BedrockLLMAgentOptions # 1. 创建编排器 orchestrator MultiAgentOrchestrator(optionsOrchestratorConfig( LOG_AGENT_CHATTrue, LOG_CLASSIFIER_OUTPUTTrue, )) # 2. 注册两个能力互补的代理 orchestrator.add_agent(BedrockLLMAgent(BedrockLLMAgentOptions( nameTech Agent, description专注软件开发、云计算、AI 等技术话题, ))) orchestrator.add_agent(BedrockLLMAgent(BedrockLLMAgentOptions( nameHealth Agent, description专注健康、营养、医疗话题, ))) # 3. 发送请求分类器会自动选择代理 response await orchestrator.route_request(最新的 AI 趋势有哪些, user-1, session-1) print(response.output)注意第二步里的description字段——它不是注释而是分类器的决策依据。写得越清晰路由越准。如果你想跳过从零起步仓库里有一个交互式终端示例 examples/local-demo/local-orchestrator.ts展示了如何同时挂载技术代理、天气工具代理、Lex 机器人和 Lambda 代理并开一个本地会话循环。开箱即用的演示应用不想看代码仓库自带两个可视化演示装上依赖就能启动。聊天演示应用CDK Astro TypeScript一个完整的前后端工程包含多代理 Lambda、数学/天气工具、知识库同步等模块入口在 examples/chat-demo-app/详细部署说明见其 README。Python Streamlit 演示一条命令启动内置AI 电影制作和AI 旅行规划两个场景cd examples/python python -m venv venv source venv/bin/activate pip install -r requirements.txt streamlit run main-app.py两个演示分别依赖 Amazon Bedrock 访问权限和 Anthropic API Key配置方式在 examples/python/readme.md 里写得很细。从单代理到代理团队工作流与 Supervisor 协调单代理各自为战还远远不够时框架提供了两层团队协作机制。BedrockFlowsAgent工作流把一段固定的处理链路输入节点 → 提示节点 → 输出节点封装成 Bedrock Flow再作为一个整体代理接入编排器适合确定性流程。SupervisorAgent监督者采用agent-as-tools架构由一个主管代理把其他专业代理当作可调用的工具并行分派子任务并汇总结果全程保持上下文连贯。适合先研究、再创作、最后统稿这类需要编排多个专家的复杂任务。真实案例电影制作助手与旅行规划Streamlit 演示里的两个场景恰好展示了多代理协作的两类典型形态电影制作助手ScriptWriter 写故事大纲、CastingDirector 基于实时检索推荐演员、MovieProducer 统筹协调全部由一个自定义 Supervisor 代理调度。完整代码在 examples/python/movie-production/。✈️旅行规划系统输入目的地和天数多个代理分工检索景点、住宿与活动输出逐日行程。代码在 examples/python/travel-planner/。这两个案例的共同点没有任何一处手写 if-else 路由逻辑分工完全靠代理描述 分类器完成。这正是框架想让你养成的建模方式。扩展自己的代理十行代码的自定义入门接入一个非 LLM 的能力内部 API、规则引擎、数据处理管道时只需继承基类Agent实现processRequestTypeScript或process_requestPythonclass SimpleGreetingAgent(Agent): async def process_request(self, input_text, user_id, session_id, chat_history): return ConversationMessage( roleParticipantRole.ASSISTANT.value, content[{text: fHello! You said: {inputText}}] )写好后orchestrator.add_agent(...)注册再配上一句描述能力的话分类器就能把它纳入路由候选。完整结构含 TypeScript 版、可选参数、继承内置代理等写法见 docs/src/content/docs/agents/custom-agents.mdx。资源入口继续深入官方文档概念、配置、FAQdocs/全部示例演示应用、Lambda、监控、最佳实践examples/Python SDK 源码与测试python/TypeScript SDK 源码与测试typescript/新手起步文档docs/src/content/docs/general/quickstart.mdx 建议路径先跑通上面的最小示例 → 打开 local-demo 体验交互式路由日志 → 挑一个 Streamlit 演示看懂真实分工 → 最后写一个自己的自定义代理。走完这四步你就拥有了一个可随时扩展的多代理编排系统。【免费下载链接】agent-squadFlexible and powerful framework for managing multiple AI agents and handling complex conversations项目地址: https://gitcode.com/GitHub_Trending/mu/agent-squad创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
