STARWARCLOUD STARWAR.AI
返回市场
海神人工智能

海神人工智能

作者：alishangtian9 星标更新：2025-11-20
安装使用来源：spider==github.com

项目介绍

Proteus：多智能体工作流引擎

Proteus 是一款强大的、可扩展的、基于 Python 和 FastAPI 的多智能体工作流引擎。它旨在提供一个灵活且高效的平台，用于构建和管理复杂的自动化任务和智能代理系统。通过集成各种工具，支持灵活的工作流编排和多智能体协作，Proteus 赋予用户从数据收集和分析到决策执行的全流程自动化能力。

项目名称的由来

Proteus 来源于希腊神话中的海神，以其随意变换形态的能力而闻名。这个名称完美地契合了该项目的核心特性：

  • 强变异性：引擎通过不同节点类型的组合实现各种复杂的工作流。
  • 智能适应性：代理系统可以智能选择最合适的工具和执行路径。
  • 灵活性：引擎可以灵活处理各种任务场景和数据流。

核心功能

Proteus 引擎提供了以下核心功能，以满足您的自动化和智能代理需求：

1. 强大的多智能体系统

  • 高级推理能力：基于链式思维（CoT）推理，支持复杂任务分解和决策。
  • 动态工具调用：代理可以根据任务需求动态选择并调用内置或外部工具。
  • 多轮对话和上下文管理：支持多轮对话，维护上下文连贯性，增强交互体验。
  • 多样化的代理模型：提供超级智能代理、自动化工作流代理、MCP代理、多代理协作、深度研究代理和浏览器代理，以满足各种应用场景。
  • 任务交接：支持代理之间的任务交接，实现更复杂的协作过程。

2. 灵活的工作流编排

  • 可视化工作流构建：直观的网页界面支持拖放节点和边，轻松构建复杂的工作流。
  • 完整的生命周期管理：支持工作流的创建、启动、暂停、恢复和取消。
  • 智能调度：处理节点依赖关系，确保正确的数据流和执行顺序。
  • 异步执行和实时监控：基于 SSE（服务器发送事件）实现实时通信，监控节点的执行状态和结果。
  • 高级工作流结构：支持循环执行和工作流嵌套，增强复用性和灵活性。

3. 丰富的内置节点和可扩展性

内置超过 20 种节点类型，涵盖各种操作，并支持轻松扩展：

  • 数据和文件：文件读写（file_read，file_write）、数据库操作（db_query，db_execute）。
  • 信息检索：集成多个搜索引擎（duckduckgo_search，arxiv_search，serper_search）、网络爬虫（web_crawler，web_crawler_local）。
  • 代码和自动化：Python 代码执行（python_execute）、终端命令执行（terminal）、浏览器自动化（browser_agent）。
  • 交互和通信：API 调用（api_call）、聊天（chat）、用户输入（user_input）、邮件发送（email_sender）。
  • 特殊功能：天气预报（weather_forecast）、MCP 客户端（mcp_client）、团队生成（team_generator）、工作流生成（workflow_generate）。

4. 实时监控和可视化

  • SSE 实时通信：使用服务器发送事件实现前端和后端之间实时数据传输。
  • 节点状态实时更新：网页界面实时显示节点的执行进度、状态和结果。
  • 代理思维过程可视化：实时展示代理的思维过程和操作，增强可观测性。
  • 历史记录管理：支持查询、存储、生成摘要和恢复会话历史。

5. MCP（模型上下文协议）支持

  • 标准化外部工具集成：支持 MCP 标准，动态加载和管理外部工具和资源。
  • 远程 MCP 服务器集成：通过 MCP 客户端节点无缝与外部服务交互。
  • 大型语言模型工具理解：标准化工具描述有助于大型语言模型（LLMs）理解和利用工具。

6. 安全沙箱环境

  • 提供独立的沙箱环境，安全执行 Python 代码和终端命令，隔离潜在风险。

7. 用户友好的界面和工具

  • 网页可视化界面：提供直观的网页界面，用于工作流构建、代理交互和状态监控。
  • 命令行界面（CLI）：强大的 CLI 工具，使开发者和用户可以直接在终端中与 Proteus AI 系统交互，支持快速测试和自动化脚本编写。

实际效果

请查看 examples 文件夹中的示例研究报告，展示 Proteus 在复杂信息收集和分析方面的能力：

快速开始

环境要求

  • Python 3.11+
  • Docker（可选，用于容器化部署）
  • LLM API 密钥（支持多种 LLM 服务，默认配置为 Deepseek Chat）

安装步骤

  1. 克隆项目

    git clone https://github.com/yourusername/proteus-ai.git
cd proteus-ai

  2. 创建并激活虚拟环境

    python -m venv venv
source venv/bin/activate  # Linux/macOS
venv\Scripts\activate     # Windows

  3. 安装核心依赖

    pip install -r proteus/requirements.txt

  4. 配置环境变量 复制 .env.example 到 .env 并根据需要编辑 .env 文件，设置必要的环境变量（如 API_KEY）。

    cp .env.example .env

  5. 浏览器自动化依赖（可选） 如果需要浏览器自动化功能（如 browser_agent 或 web_crawler_local），请安装 Playwright：

    playwright install

启动服务

本地开发

# 确保已安装所有依赖
pip install -r proteus/requirements.txt
playwright install # 如果需要浏览器自动化功能

# 启动服务
python proteus/main.py

服务启动后，访问 http://localhost:8000 可打开网页界面。

使用 Docker 部署

# 构建 Docker 镜像（在项目根目录执行）
docker build -t proteus -f proteus/Dockerfile .

# 使用 Docker Compose 启动所有服务
docker-compose -f proteus/docker/docker-compose.yml up -d

服务启动后，访问 http://localhost:8000 可打开网页界面，或者通过 https://localhost:9443 访问位于 Nginx 代理后面的 HTTPS 服务。

命令行界面（CLI）

此项目提供了一个强大的命令行工具，使开发者和用户可以直接在终端中与 Proteus AI 系统交互。

  • 快速开始： 
    # 安装 CLI 依赖
pip install -r cli/requirements_cli.txt
# 运行 CLI 工具进行聊天
python cli/proteus-cli.py chat "你好"
  • 更多信息： 有关 CLI 工具的详细用法和高级功能，请参阅 cli/CLI_README.md。

配置说明

主要配置项在 .env 文档中，需从 .env.example 复制并配置：

  • API_KEY：LLM API 密钥（必需）。
  • MODEL_NAME：使用的模型名称（默认为 deepseek-chat）。
  • REASONER_MODEL_NAME：推理模型名称（可选）。
  • SERPER_API_KEY：用于网络搜索的 Serper API 密钥（可选）。
  • MCP_CONFIG_PATH：MCP 配置文件路径（默认为 ./proteus/proteus_mcp_config.json）。
  • REDIS_HOST：Redis 服务器地址（默认为 localhost）。
  • REDIS_PORT：Redis 服务器端口（默认为 [6379]）。
  • REDIS_DB：Redis 数据库索引（默认为 0）。
  • REDIS_PASSWORD：Redis 密码（可选）。
  • SANDBOX_URL：沙箱服务 URL（默认为 http://localhost:8001）。

使用示例

示例 1：创建一个简单的研究工作流

这是一个简单的研究工作流示例，用于收集和分析主题信息：

name: 简单研究流程
description: 一个简单的研究工作流示例
nodes:
  - type: user_input
    id: input
    params:
      question: "请输入研究主题"
  - type: duckduckgo_search
    id: search
    params:
      query: "{{input.output}}"
      max_results: 5
  - type: web_crawler
    id: crawler
    params:
      urls: "{{search.output}}"
  - type: chat
    id: analysis
    params:
      prompt: |
        请基于以下内容进行分析总结：
        {{crawler.output}}
  - type: file_write
    id: output
    params:
      path: "./research_output.md"
      content: "{{analysis.output}}"

示例 2：使用 MCP 工具查询天气

此示例演示如何使用 mcp_client 节点调用外部 MCP 服务器提供的工具来查询天气。

name: 天气查询
description: 使用MCP工具查询天气
nodes:
  - type: user_input
    id: input
    params:
      question: "请输入城市名称"
  - type: mcp_client
    id: weather
    params:
      server_name: "amap-maps" # 假设已配置名为 "amap-maps" 的 MCP 服务器
      tool_name: "maps_weather" # 调用该服务器上的 "maps_weather" 工具
      arguments: |
        {
          "city": "{{input.output}}"
        }
  - type: chat
    id: format
    params:
      prompt: |
        将天气数据格式化为友好回复：
        {{weather.output}}

开发指南

1. 添加新的节点类型

  1. 在 proteus/src/nodes/ 目录下创建一个新的节点文件。
  2. 继承 BaseNode 类并实现必要的方法。
  3. 在 proteus/src/nodes/node_config.yaml 中注册节点配置。

2. 扩展代理功能

  1. 在 proteus/src/agent/prompt/ 中间添加新的提示模板。
  2. 修改 proteus/src/agent/agent.py 实现新的推理方法。
  3. 注册新的工具到代理系统。

3. 前端开发

  1. 静态资源位于 proteus/static/ 目录。
  2. 使用 SSE 接收实时更新： 
    const eventSource = new EventSource(`/stream/${chatId}`);
eventSource.onmessage = (event) => {
    const data = JSON.parse(event.data);
    // 处理实时数据
};

4. 测试指南

  • 单元测试：python -m pytest tests/unit/
  • 集成测试：python -m pytest tests/integration/
  • 端到端测试：python -m pytest tests/e2e/

5. 使用 MCP 功能

  1. 配置 MCP 服务器： 在 proteus/proteus_mcp_config.json 中间配置 MCP 服务器信息，例如：

    {
    "mcpServers": {
        "server-name": {
            "type": "sse",
            "url": "https://your-mcp-server-url"
        }
    }
}

  2. 在代码中使用 MCP 管理器：

    from proteus.src.manager.mcp_manager import get_mcp_manager, initialize_mcp_manager

# 初始化 MCP 管理器
await initialize_mcp_manager()

# 获取 MCP 管理器实例
mcp_manager = get_mcp_manager()

# 获取所有工具
tools = mcp_manager.get_all_tools()

# 获取所有资源
resources = mcp_manager.get_all_resources()

  3. 在代理中使用 MCP 工具：

    • 选择“MCP 代理”模式。
    • 或者在自定义代理中配置 MCP 工具。

未来计划

我们致力于不断改进 Proteus 引擎，以下是未来可能优先考虑的功能和优化：

  • 增强核心功能：改进工作流的暂停和恢复机制，引入工作流模板系统，实现工作流版本控制，增加节点执行超时机制。
  • 节点类型扩展：集成更多主流 AI 模型和第三方服务 API，实现文件格式转换节点，增加邮件和消息通知节点。
  • 代理系统优化：进一步优化链式思维推理，增强多代理协作机制，实现代理记忆系统和知识共享，提高错误处理和恢复能力。
  • 用户体验提升：优化网页界面交互，增加工作流调试工具，实现工作流执行日志导出功能，增强性能监控仪表盘。
  • 部署和运维：增加集群部署支持，实现自动化测试框架，优化资源利用率效率，增强监控和告警机制。

贡献指南

欢迎提交 Issue 和 Pull Request 来帮助改进项目。在提交代码之前，请确保：

  • 代码符合项目的编码标准。
  • 添加必要的测试用例。
  • 更新相关文档。
  • 遵循 Git 提交规范。
  • 通过所有 CI 检查。

许可证

本项目采用 MIT 许可证，详情见 LICENSE 文档。