本仓库是基于 FareedKhan-dev/all-agentic-architectures 的中文初版，感谢原作者 Fareed Khan 的贡献。
欢迎来到一门关于现代 AI 智能体（agent）设计的系统化、动手实践的课程。本仓库包含 17+ 种前沿智能体架构 的详细实现，基于 LangChain 与 LangGraph 构建。它被设计成一本“活的教科书”，将理论概念与可运行、可复用的工程代码连接起来。
- 从理论到可运行代码： 每一种架构不仅有解释，还有端到端、可运行的 Jupyter Notebook。
- 结构化学习路径： 笔记本按难度循序渐进，从基础模式到高级的多智能体与具备自我监督能力的系统。
- 强调评估： 我们不仅构建智能体，还对其进行度量。多数笔记本采用
LLM-as-a-Judge模式，对智能体性能进行量化、客观的评估，这在生产级 AI 中非常关键。 - 贴近真实场景： 示例覆盖财务分析、编程、社媒管理、医疗分诊等实用场景，概念更具落地性。
- 一致且现代的框架： 以
LangGraph为核心编排，你将学习一种强大、可持久化、可循环的 agent 设计方式，正在成为行业标准。
本集合覆盖现代智能体设计的完整谱系：从单体增强到复杂协作、再到自我改进系统。
| # | 架构 | 核心概念 / TL;DR | 主要用途 | Notebook |
|---|---|---|---|---|
| 01 | Reflection（反思） | 通过自我批判与自我改进，将单次生成升级为多步推理。 | 高质量代码生成、复杂总结 | 01_reflection.ipynb |
| 02 | Tool Use（工具使用） | 让智能体通过调用外部 API/函数突破知识截止并与真实世界交互。 | 实时研究助手、企业机器人 | 02_tool_use.ipynb |
| 03 | ReAct | 在一个自适应循环中动态交替“思考（reasoning）”与“工具使用（action）”。 | 多跳问答、网页导航与研究 | 03_ReAct.ipynb |
| 04 | Planning（规划） | 在执行之前主动将复杂任务分解为详细步骤，确保结构化与可追踪。 | 可预测报告生成、项目管理 | 04_planning.ipynb |
| 05 | Multi-Agent Systems（多智能体） | 专家团队协同分工，提升深度、质量与结构化输出。 | 软件开发流水线、创造性头脑风暴 | 05_multi_agent.ipynb |
| 06 | PEV（Plan, Execute, Verify） | 通过 Verifier 逐步校验执行结果，实现自我纠错与动态恢复。 | 高风险自动化、金融、工具不可靠场景 | 06_PEV.ipynb |
| 07 | Blackboard（黑板系统） | 通过共享中心内存“黑板”进行机会式协作，由动态控制器引导。 | 复杂诊断、动态意义建构 | 07_blackboard.ipynb |
| 08 | Episodic + Semantic Memory（情景+语义记忆） | 向量库承载会话历史（情景），图数据库承载结构化事实（语义），实现长期个性化。 | 长期个人助手、个性化导师 | 08_episodic_with_semantic.ipynb |
| 09 | Tree of Thoughts（思维树） | 以树结构探索多条推理路径，评估并剪枝以系统化找到最优解。 | 逻辑谜题、受约束规划 | 09_tree_of_thoughts.ipynb |
| 10 | Mental Loop（心理模拟器） | 在内部“心理模型/模拟器”中预演动作，预测结果并评估风险。 | 机器人、量化交易、安全关键系统 | 10_mental_loop.ipynb |
| 11 | Meta-Controller（元控制器） | 监督代理分析任务并在专家池中选择最合适的子代理。 | 多服务 AI 平台、自适应助手 | 11_meta_controller.ipynb |
| 12 | Graph（图式世界模型记忆） | 以实体与关系构建结构化图谱，通过连接遍历进行复杂多跳推理。 | 企业情报、高级研究 | 12_graph.ipynb |
| 13 | Ensemble（集成） | 多个独立智能体从不同视角分析，最终由聚合器综合以更稳健、少偏见结论。 | 高风险决策支持、事实核查 | 13_ensemble.ipynb |
| 14 | Dry-Run Harness（演练护栏） | 先对拟执行动作进行模拟（dry run），需人/检查器批准后再上线执行。 | 生产级部署、调试 | 14_dry_run.ipynb |
| 15 | RLHF（自我提升） | “编辑”代理批改输出并迭代修订，高质量结果被保存以提升未来表现。 | 高质量内容生成、持续学习 | 15_RLHF.ipynb |
| 16 | Cellular Automata（元胞自动机） | 大量简单、去中心化的网格智能体的局部交互，产生复杂涌现行为。 | 空间推理、物流、复杂系统仿真 | 16_cellular_automata.ipynb |
| 17 | Reflexive Metacognitive（反身元认知） | 具备自我模型，能权衡自身能力与限制，选择行动、调用工具或上报人类以确保安全。 | 高风险咨询（医疗、法律、金融） | 17_reflexive_metacognitive.ipynb |
本仓库带你从简单增强逐步走向多智能体与自我意识系统。
点击展开学习路径
- 从 Reflection 提升输出质量开始。
- 赋予智能体 Tool Use 与外界互动能力。
- ReAct 将“思考 + 工具使用”组合为动态循环。
- Planning 为行动加入前瞻与结构化。
- Multi-Agent Systems 引入专家团队分工。
- Meta-Controller 充当智能路由，分派任务给专家团队。
- Blackboard 提供共享工作区以进行动态协作。
- Ensemble 并行多代理分析，获得更稳健的结论。
- Episodic + Semantic Memory 构建类人记忆系统。
- Graph 支持在互联知识上进行复杂推理。
- Tree of Thoughts 系统化探索多路径以解决难题。
- Dry-Run Harness 引入关键的“人机协同”安全层。
- Mental Loop（Simulator） 让代理“先思后行”。
- PEV 内置自动错误检测与恢复。
- Reflexive Metacognitive 让代理理解自身限制，适用于高风险领域。
- RLHF / Self-Improvement Loop 让代理从反馈中持续学习。
- Cellular Automata 展示复杂全局行为如何由简单局部规则涌现。
示例架构图：Meta-Controller
下图来自 11_meta_controller.ipynb，用于编排专家代理的常见模式。
graph TD
A[User Request] --> B{Meta-Controller};
B -- Analyzes Request --> C{Routes to Specialist};
C --> D[Generalist Agent];
C --> E[Research Agent];
C --> F[Coding Agent];
D --> G[Final Response];
E --> G[Final Response];
F --> G[Final Response];
style B fill:#f9f,stroke:#333,stroke-width:2px
style C fill:#bbf,stroke:#333,stroke-width:2px
| 组件 | 作用 |
|---|---|
| Python 3.10+ | 项目的核心编程语言 |
| LangChain | 与 LLM 与工具交互的基础积木 |
| LangGraph | 搭建复杂、可持久、可循环的 agent 工作流的关键编排框架 |
| Nebius AI Models | 高性能 LLM（如 Mixtral-8x22B-Instruct-v0.1）为代理提供推理能力 |
| Jupyter Notebooks | 交互式开发与逐步讲解的载体 |
| Pydantic | 提供可靠的结构化数据建模，确保与 LLM 的通信稳健 |
| Tavily Search | 研究型代理的搜索工具 API |
| Neo4j | 业界标准图数据库，用于语义与世界模型记忆 |
| FAISS | 高效向量库，用于相似度检索实现情景记忆 |
git clone https://github.com/your-username/all-agentic-architectures.git
cd all-agentic-architectures强烈建议使用虚拟环境管理依赖。
# Unix/macOS
python3 -m venv venv
source venv/bin/activate
# Windows
python -m venv venv
.\venv\Scripts\activatepip install -r requirements.txt若需可视化 LangGraph 的图形，你可能需要安装 pygraphviz。
代理需要 API Key 才能工作。请在项目根目录创建 .env 文件，并填入你的凭证。
# .env
# Nebius AI API Key（用于 LLM 访问）
NEBIUS_API_KEY="your_nebius_api_key_here"
# LangSmith API Key（用于 tracing / 调试）
LANGCHAIN_API_KEY="your_langsmith_api_key_here"
LANGCHAIN_TRACING_V2="true"
LANGCHAIN_PROJECT="All-Agentic-Architectures" # 可选：项目名
# Tavily Search API Key（Research agent 的工具）
TAVILY_API_KEY="your_tavily_api_key_here"
# Neo4j（用于 Graph 与 Memory 架构）
NEO4J_URI="bolt://localhost:7687"
NEO4J_USERNAME="neo4j"
NEO4J_PASSWORD="your_neo4j_password_here"jupyter notebook开源社区因贡献而精彩。欢迎你的任何贡献！
- Fork 仓库
- 创建分支（如
feature/new-architecture或bugfix/fix-typo） - 实现改动（确保代码清晰、Notebook 讲解明确）
- 提交 Pull Request（附详细改动说明）
也欢迎通过 Issue 报告 Bug、提出改进建议或提议新架构。
本项目采用 MIT 许可证。详见 LICENSE。