Wuyu-Agent 是一个强大的多智能体协作系统，专为解决复杂的研究、企业和政府问题而设计。系统集成了先进的LLM技术、多Agent协作框架、专业工具集和领域知识库，能够高效完成复杂问题分析、长篇报告撰写等专业任务。
通过多个专业Agent的协作，深度分析和解决研究、企业和政府领域的复杂问题。
自动化生成高质量的专业分析报告、研究报告、技术评估等长篇文档。
- 多种Agent类型：PlannerAgent（规划）、ReActAgent（推理-行动）
- 多Agent协作：支持辩论、投票、共识等协作模式
- 消息总线：统一的Agent间通信机制
- 速率限制：防止API过载的智能限流
- 双协议支持：同时支持OpenAI Function Calling和MCP协议
- 内置工具：代码执行、文件处理、网络搜索
- 领域工具：排放计算、LCA分析、数据可视化
- 工具注册中心：灵活的工具管理和调用
- 固废知识库：废物分类、处理方法、废物层级
- 专业术语库：60+ 术语，中英互译，缩写展开
- 标准规范库：30+ 国家/国际标准、法规政策
- 领域提示词：8种专业场景的优化提示词
- 科研工作流：文献调研 → 研究设计 → 数据分析 → 论文撰写
- 报告工作流：需求分析 → 数据收集 → 内容撰写 → 质量检查
- 分析工作流：数据导入 → 清洗 → 统计分析 → 可视化
- 编码工作流：需求分析 → 设计 → 编码 → 测试 → 文档
- 多模型支持：OpenAI、本地模型、Azure
- 自定义base_url：支持本地部署的兼容API
- 流式响应：支持流式对话
- Function Calling：原生支持工具调用
- 状态图工作流：类似 LangGraph 的声明式工作流定义
- 多种节点类型：支持同步/异步函数、装饰器模式
- 灵活的边定义：固定边、条件边、并行边
- 循环支持：支持迭代处理模式
- 状态持久化：检查点保存和恢复
- 错误处理：可配置的重试策略和退避算法
┌─────────────────────────────────────────────────────────────┐
│ 应用层 (Application) │
│ CLI / Examples / Interactive Agent │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 工作流层 (Workflow) │
│ StateGraph Engine │ Research │ Report │ Analysis │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Agent层 (Multi-Agent) │
│ BaseAgent │ ReActAgent │ PlannerAgent │ Orchestrator │
│ MessageBus (通信) │
└─────────────────────────────────────────────────────────────┘
│
┌───────────────┼───────────────┐
▼ ▼ ▼
┌───────────────────┐ ┌─────────────┐ ┌─────────────────────┐
│ 工具层 (Tools) │ │ 领域层 │ │ LLM接口层 │
│ ToolRegistry │ │ Knowledge │ │ OpenAI/Local/Azure │
│ Builtin/Domain │ │ Terminology │ │ Function Calling │
│ OpenAI+MCP协议 │ │ Standards │ │ Streaming │
└───────────────────┘ └─────────────┘ └─────────────────────┘
| 层级 | 模块 | 职责 |
|---|---|---|
| LLM接口层 | llm/ |
统一的LLM调用接口，支持多种模型 |
| Agent层 | agent/ |
Agent生命周期、多Agent协作 |
| 工具层 | tools/ |
工具注册、执行、双协议支持 |
| 领域层 | domain/ |
专业知识库、术语、标准 |
| 工作流层 | workflows/, stategraph/ |
预定义流程、状态图引擎 |
用户输入 → Agent → LLM调用 → 工具调用(可选) → 响应生成 → 用户输出
↓
领域知识增强
swagent/ # 主包目录
├── __init__.py
├── agents/ # Agent实现
│ ├── planner_agent.py # 规划Agent
│ └── react_agent.py # ReAct Agent
│
├── core/ # 核心模块
│ ├── base_agent.py # Agent基类
│ ├── communication.py # 通信模块
│ ├── context.py # 上下文管理
│ ├── message.py # 消息定义
│ └── orchestrator.py # 多Agent编排器
│
├── llm/ # LLM接口层
│ ├── base_llm.py # LLM基类
│ └── openai_client.py # OpenAI客户端
│
├── tools/ # 工具系统
│ ├── base_tool.py # 工具基类
│ ├── tool_registry.py # 工具注册中心
│ ├── builtin/ # 内置工具
│ │ ├── code_executor.py # 代码执行
│ │ ├── file_handler.py # 文件处理
│ │ └── web_search.py # 网络搜索
│ └── domain/ # 领域工具
│ ├── emission_calculator.py # 排放计算
│ ├── imagery_tool.py # 卫星影像
│ ├── lca_analyzer.py # LCA分析
│ ├── location_tool.py # 位置服务
│ ├── visualizer.py # 数据可视化
│ └── weather_tool.py # 天气查询
│
├── domain/ # 领域增强
│ ├── knowledge_base.py # 知识库
│ ├── terminology.py # 术语库
│ ├── standards.py # 标准库
│ └── prompts.py # 领域提示词
│
├── workflows/ # 工作流模板
│ ├── base_workflow.py # 工作流基类
│ ├── workflow_manager.py # 工作流管理器
│ ├── research_workflow.py # 科研工作流
│ ├── report_workflow.py # 报告工作流
│ ├── analysis_workflow.py # 分析工作流
│ └── coding_workflow.py # 编码工作流
│
├── stategraph/ # StateGraph 工作流引擎
│ ├── state.py # 状态管理
│ ├── node.py # 节点定义
│ ├── edge.py # 边定义
│ ├── graph.py # 图核心
│ ├── persistence.py # 状态持久化
│ ├── errors.py # 错误处理
│ └── integrations/ # 集成模块
│ ├── llm_nodes.py # LLM 节点
│ ├── agent_nodes.py # Agent 节点
│ └── tool_nodes.py # Tool 节点
│
└── utils/ # 工具模块
├── config.py # 配置管理
└── logger.py # 日志模块
- Python 3.8+
- pip
# 克隆仓库
git clone https://github.com/xxy33/Wuyu-agent.git
cd Wuyu-agent
# 安装依赖
pip install -r requirements.txt
# （可选）安装可选依赖
pip install matplotlib # 用于数据可视化创建 .env 文件并配置：
# OpenAI配置
OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=https://api.openai.com/v1 # 或你的自定义URL
# 模型配置
DEFAULT_MODEL=gpt-4
DEFAULT_TEMPERATURE=0.7import asyncio
from swagent.agent import ReActAgent
from swagent.llm import OpenAIClient, LLMConfig
# 配置LLM
config = LLMConfig(
provider="openai",
model="gpt-4",
api_key="your_api_key",
base_url="https://api.openai.com/v1"
)
llm = OpenAIClient(config)
# 创建Agent
agent = ReActAgent("助手", llm=llm)
# 执行任务
async def main():
result = await agent.execute("帮我分析一下塑料回收的环境效益")
print(result)
asyncio.run(main())from swagent.tools import ToolRegistry
from swagent.tools.domain import EmissionCalculator
# 创建工具注册中心
registry = ToolRegistry()
# 注册工具
calculator = EmissionCalculator()
registry.register(calculator)
# 使用工具
result = await registry.execute_tool(
"emission_calculator",
waste_type="food_waste",
treatment_method="composting",
quantity=100
)
print(f"碳排放: {result.data['total_emission_kgCO2e']} kg CO2e")from swagent.domain import get_knowledge_base, get_terminology_db
# 知识库查询
kb = get_knowledge_base()
food_waste = kb.get_waste_category('food_waste')
print(f"适合的处理方式: {food_waste['suitable_treatments']}")
# 术语翻译
term_db = get_terminology_db()
translation = term_db.translate('MSW', 'zh')
print(f"MSW = {translation}")from swagent.workflows import get_workflow_manager
# 获取工作流管理器
manager = get_workflow_manager()
# 执行科研工作流
result = await manager.execute_workflow(
'research',
initial_context={
'research_topic': '固体废物厌氧消化技术',
'keywords': ['厌氧消化', '沼气', '有机废物']
}
)
print(f"完成率: {result.completion_rate * 100}%")import asyncio
from swagent.stategraph import StateGraph, START, END
from typing import TypedDict
# 定义状态类型
class PipelineState(TypedDict):
input: str
processed: str
result: str
# 创建图
graph = StateGraph(PipelineState)
# 定义节点
@graph.node()
async def preprocess(state: PipelineState) -> dict:
return {"processed": state["input"].strip().lower()}
@graph.node()
async def analyze(state: PipelineState) -> dict:
return {"result": f"分析结果: {state['processed']}"}
# 设置流程
graph.set_entry_point("preprocess")
graph.add_edge("preprocess", "analyze")
graph.set_exit_point("analyze")
# 编译并执行
app = graph.compile()
async def main():
result = await app.invoke({"input": " HELLO WORLD "})
print(result.state["result"]) # "分析结果: hello world"
asyncio.run(main())系统提供了一个终端交互式 GIS Agent，可以查询天气和获取卫星影像。
# 方式 1: 使用启动脚本
./start_gis_agent.sh
# 方式 2: 直接运行
python examples/interactive_gis_agent.py- 天气查询: 查询全球任意位置的实时天气数据
- 卫星影像: 获取 Google Earth、吉林一号、Sentinel-2 卫星图像
- 双模式支持: 智能模式（LLM）和简化模式（关键词匹配）
- 灵活输入: 支持城市名称和坐标格式
城市查询:
👤 您: 查询北京的天气
🤖 Agent:
📍 北京 当前天气:
🌡️ 温度: -7.5°C
💧 湿度: 18%
🌧️ 降水: 0.0 mm
💨 风速: 12.5 km/h
坐标查询:
👤 您: 查询(51.30, 00.07)这个位置的天气
🤖 Agent:
📍 坐标 (51.30, 0.07) 当前天气:
🌡️ 温度: 7.9°C
💧 湿度: 95%
🌧️ 降水: 0.0 mm
💨 风速: 18.5 km/h
影像下载:
👤 您: 下载上海的卫星影像
🤖 Agent:
📍 上海 卫星影像:
🗺️ 数据源: google
📐 影像尺寸: 1000x1000 像素
💾 已保存到: ./satellite_images/上海_satellite.png
- 预定义城市: 北京、上海、广州、深圳、成都、杭州
- 坐标格式:
(纬度, 经度)例如(51.30, 00.07) - 全球覆盖: 支持任意经纬度坐标
# 1. PlannerAgent - 任务规划
from swagent.agent import PlannerAgent
planner = PlannerAgent("规划师", llm=llm)
plan = await planner.plan("设计一个厨余垃圾处理方案")
# 2. ReActAgent - 推理-行动循环
from swagent.agent import ReActAgent
react = ReActAgent("分析师", llm=llm)
result = await react.execute("分析填埋和焚烧的优缺点")
# 3. 多Agent协作
from swagent.agent import Orchestrator
orchestrator = Orchestrator(llm=llm)
orchestrator.add_agent(planner)
orchestrator.add_agent(react)
result = await orchestrator.debate(
"应该优先选择填埋还是焚烧？",
rounds=2
)# 1. 排放计算
from swagent.tools.domain import EmissionCalculator
calculator = EmissionCalculator()
result = await calculator.execute(
waste_type="plastic",
treatment_method="recycling",
quantity=100,
include_transport=True,
transport_distance=20
)
# 2. LCA分析
from swagent.tools.domain import LCAAnalyzer
analyzer = LCAAnalyzer()
result = await analyzer.execute(
treatment_method="recycling",
quantity=100,
impact_categories=["climate_change", "energy_consumption"]
)
# 3. 数据可视化
from swagent.tools.domain import Visualizer
visualizer = Visualizer()
result = await visualizer.execute(
chart_type="bar",
data={"labels": ["填埋", "焚烧", "回收"], "values": [580, 450, -800]},
title="不同处理方式的碳排放"
)# 1. 知识库查询
from swagent.domain import get_knowledge_base
kb = get_knowledge_base()
# 获取处理方法
method = kb.get_treatment_method('anaerobic_digestion')
print(method['advantages'])
# 比较处理方式
comparison = kb.compare_treatments('food_waste')
# 搜索
results = kb.search_by_keyword('回收')
# 2. 术语库
from swagent.domain import get_terminology_db
term_db = get_terminology_db()
# 翻译术语
term_db.translate('WTE', 'zh') # 垃圾焚烧发电
# 展开缩写
term_db.expand_abbreviation('LCA', 'zh') # 生命周期评估
# 解释术语
explanation = term_db.explain_term('biogas', detailed=True)
# 3. 标准规范
from swagent.domain import get_standards_db
std_db = get_standards_db()
# 查询标准
standard = std_db.get_standard('GB18485-2014')
print(standard['key_requirements']['emission_limits'])
# 查询政策
policy = std_db.get_policy('carbon_neutrality_target')
# 最佳实践
practice = std_db.get_best_practice('circular_economy')from swagent.workflows import (
ResearchWorkflow,
ReportWorkflow,
DataAnalysisWorkflow,
CodingWorkflow
)
# 1. 科研工作流
research_wf = ResearchWorkflow()
result = await research_wf.execute({
'research_topic': '固废处理技术',
'keywords': ['技术', '环境', '经济']
})
# 2. 报告工作流
report_wf = ReportWorkflow()
result = await report_wf.execute({
'report_type': 'technical',
'report_purpose': '年度总结'
})
# 3. 数据分析工作流
analysis_wf = DataAnalysisWorkflow()
result = await analysis_wf.execute({
'data_source': 'data.csv',
'file_format': 'csv'
})
# 4. 代码开发工作流
coding_wf = CodingWorkflow()
result = await coding_wf.execute({
'feature_request': '实现资源管理API'
})完整示例请查看 examples/ 目录：
01_basic_agent_demo.py- Agent基础使用02_multi_agent_demo.py- 多Agent协作03_tool_calling_demo.py- 工具调用演示04_domain_enhancement_demo.py- 领域增强演示
运行示例：
python examples/01_basic_agent_demo.py运行测试套件：
# 运行所有测试
python -m pytest tests/
# 运行特定阶段测试
python tests/test_phase1_llm.py # LLM接口层
python tests/test_phase2_agents.py # Agent系统
python tests/test_phase3_multi_agent.py # 多Agent协作
python tests/test_phase4_tools.py # 工具系统
python tests/test_phase4_domain.py # 领域增强
python tests/test_phase5_workflows.py # 工作流模板详细文档请查看 docs/ 目录：
- 用户指南 - 完整使用指南
- API参考 - API文档
- 架构设计 - 系统架构说明
- 开发指南 - 开发者指南
- StateGraph 工作流引擎 - 状态图工作流引擎文档
- Phase 1: LLM接口层
- Phase 2: Agent基础框架
- Phase 3: 多Agent协作
- Phase 4: 工具系统
- Phase 4: 领域增强
- Phase 5: 工作流模板
- Phase 6: StateGraph 工作流引擎
- 状态管理（TypedDict、合并策略）
- 节点定义（装饰器、重试、超时）
- 边定义（固定边、条件边、并行边）
- 图执行（编译、invoke、stream）
- 循环支持（最大迭代次数保护）
- 状态持久化（内存、文件）
- 错误处理（重试策略、退避算法）
- 集成模块（LLM、Agent、Tool 节点）
- Phase 7: 高级功能
- 多模型支持（Anthropic, Cohere等）
- 持久化存储（对话历史、知识库更新）
- Web UI界面
- API服务
- 监控和日志系统
- 性能优化
- 更多领域工具
- 更多工作流模板
欢迎贡献！请查看 CONTRIBUTING.md 了解如何参与项目。
- Fork 项目
- 创建功能分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 提交 Pull Request
本项目采用 MIT 许可证 - 详见 LICENSE 文件
- OpenAI - GPT模型和Function Calling
- IPCC - 温室气体排放因子数据
- ISO - LCA标准（ISO 14040/14044）
- 中国国家标准 - 固废管理标准规范
https://github.com/xxy33/Wuyu-agent
如果这个项目对你有帮助，请给它一个 ⭐️！