https://github.com/EvoAgentX/EvoAgentX

🚀 EvoAgentX: Building a Self-Evolving Ecosystem of AI Agents
https://github.com/EvoAgentX/EvoAgentX

Last synced: 5 months ago
JSON representation

🚀 EvoAgentX: Building a Self-Evolving Ecosystem of AI Agents

Host: GitHub
URL: https://github.com/EvoAgentX/EvoAgentX
Owner: EvoAgentX
License: other
Created: 2025-04-15T21:48:15.000Z (7 months ago)
Default Branch: main
Last Pushed: 2025-06-11T05:07:04.000Z (5 months ago)
Last Synced: 2025-06-11T05:32:45.933Z (5 months ago)
Language: Python
Homepage: https://evoagentx.github.io/EvoAgentX/
Size: 123 MB
Stars: 747
Watchers: 10
Forks: 71
Open Issues: 6
Metadata Files:
- Readme: README-zh.md
- Contributing: CONTRIBUTING.md
- License: LICENSE

Awesome Lists containing this project

awesome-agents - EvoAgentX - EvoAgentX is building a Self-Evolving Ecosystem of AI Agents, it will give you automated framework for evaluating and evolving agentic workflows. ![GitHub Repo stars](https://img.shields.io/github/stars/EvoAgentX/EvoAgentX?style=social) (Testing and Evaluation)
awesome-LLM-resources - EvoAgentX - Evolving Ecosystem of AI Agents. (智能体 Agents)
Awesome-AI-Agents - EvoAgentX - EvoAgentX is building a Self-Evolving Ecosystem of AI Agents, it will give you automated framework for evaluating and evolving agentic workflows. ![GitHub Repo stars](https://img.shields.io/github/stars/EvoAgentX/EvoAgentX?style=social) (Applications / Multi-Agent Task Solver Projects)
awesome-production-genai - EvoAgentX - EvoAgentX is an open-source framework for building, evaluating, and evolving LLM-based agents or agentic workflows in an automated, modular, and goal-driven manner. (Agent Development)
StarryDivineSky - EvoAgentX/EvoAgentX
awesome-llm-agents - EvoAgentX - Building a Self-Evolving (Frameworks)

README

          


  

    

  





    构建自进化的 AI 智能体生态系统





[![EvoAgentX 主页](https://img.shields.io/badge/EvoAgentX-主页-blue?logo=homebridge)](https://evoagentx.org/)

[![文档](https://img.shields.io/badge/-文档-0A66C2?logo=readthedocs&logoColor=white&color=7289DA&labelColor=grey)](https://EvoAgentX.github.io/EvoAgentX/)

[![Discord](https://img.shields.io/badge/Chat-Discord-5865F2?&logo=discord&logoColor=white)](https://discord.gg/w3x2YrCa)

[![Twitter](https://img.shields.io/badge/Follow-@EvoAgentX-e3dee5?&logo=x&logoColor=white)](https://x.com/EvoAgentX)

[![Wechat](https://img.shields.io/badge/微信-EvoAgentX-brightgreen?logo=wechat&logoColor=white)](./assets/wechat_info.md)

[![GitHub star chart](https://img.shields.io/github/stars/EvoAgentX/EvoAgentX?style=social)](https://star-history.com/#EvoAgentX/EvoAgentX)

[![GitHub fork](https://img.shields.io/github/forks/EvoAgentX/EvoAgentX?style=social)](https://github.com/EvoAgentX/EvoAgentX/fork)

[![License](https://img.shields.io/badge/License-MIT-blue.svg?)](https://github.com/EvoAgentX/EvoAgentX/blob/main/LICENSE)







English | 简体中文







  面向 Agent 工作流评估与演化的自动化框架





  



## 🔥 最新消息

- **[2025年5月]** 🎉 **EvoAgentX** 正式发布！

## ⚡ 快速开始

- [🔥 最新消息](#-最新消息)

- [⚡ 快速开始](#-快速开始)

- [安装](#安装)

- [LLM配置](#llm配置)

  - [API密钥配置](#api密钥配置)

  - [配置并使用LLM](#配置并使用llm)

- [自动工作流生成](#自动工作流生成)

- [演示视频](#演示视频)

  - [✨ 最终结果](#-最终结果)

- [进化算法](#进化算法)

  - [📊 结果](#-结果)

- [应用案例](#应用案例)

- [教程与使用案例](#教程与使用案例)

- [🎯 路线图](#-路线图)

- [🙋 支持](#-支持)

  - [加入社区](#加入社区)

  - [联系信息](#联系信息)

- [🙌 为EvoAgentX做贡献](#-为evoagentx做贡献)

- [📚 致谢](#-致谢)

- [📄 许可证](#-许可证)

## 安装

我们建议使用 `pip` 安装 EvoAgentX：

```bash

pip install git+https://github.com/EvoAgentX/EvoAgentX.git

```

对于本地开发或详细设置（例如，使用conda），请参考 [EvoAgentX 安装指南](./docs/zh/installation.md)。

示例（可选，用于本地开发）：

```bash

git clone https://github.com/EvoAgentX/EvoAgentX.git

cd EvoAgentX

# 创建新的conda环境

conda create -n evoagentx python=3.10

# 激活环境

conda activate evoagentx

# 安装包

pip install -r requirements.txt

# 或者以开发模式安装

pip install -e .

```

## LLM配置

### API密钥配置 

要在EvoAgentX中使用LLM（如OpenAI），您必须设置API密钥。

选项1：通过环境变量设置API密钥 

- Linux/macOS: 

```bash

export OPENAI_API_KEY=

```

- Windows命令提示符: 

```cmd 

set OPENAI_API_KEY=

```

- Windows PowerShell:

```powershell

$env:OPENAI_API_KEY="" #必要的

```

设置后，您可以在Python代码中访问密钥：

```python

import os

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

```

选项2：使用.env文件 

- 在项目根目录创建.env文件并添加以下内容：

```bash

OPENAI_API_KEY=

```

然后在Python中加载：

```python

from dotenv import load_dotenv 

import os 

load_dotenv() # 从.env文件加载环境变量

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

```

### 配置并使用LLM

设置好API密钥后，使用以下方式初始化LLM：

```python

from evoagentx.models import OpenAILLMConfig, OpenAILLM

# 从环境中加载API密钥

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# 定义LLM配置

openai_config = OpenAILLMConfig(

    model="gpt-4o-mini",       # 指定模型名称

    openai_key=OPENAI_API_KEY, # 直接传递密钥

    stream=True,               # 启用流式响应

    output_response=True       # 将响应打印到标准输出

)

# 初始化语言模型

llm = OpenAILLM(config=openai_config)

# 从LLM生成响应

response = llm.generate(prompt="什么是智能体工作流？")

```

> 📖 有关支持的模型和配置选项的更多详情：[LLM模块指南](./docs/zh/modules/llm.md)。

## 自动工作流生成

配置好API密钥和语言模型后，您可以在EvoAgentX中自动生成和执行多智能体工作流。

🧩 核心步骤：

1. 定义自然语言目标

2. 使用`WorkFlowGenerator`生成工作流

3. 使用`AgentManager`实例化智能体

4. 通过`WorkFlow`执行工作流

💡 最小示例：

```python

from evoagentx.workflow import WorkFlowGenerator, WorkFlowGraph, WorkFlow

from evoagentx.agents import AgentManager

goal = "生成可在浏览器中玩的 Tetris（俄罗斯方块）HTML 游戏代码"

workflow_graph = WorkFlowGenerator(llm=llm).generate_workflow(goal)

agent_manager = AgentManager()

agent_manager.add_agents_from_workflow(workflow_graph, llm_config=openai_config)

workflow = WorkFlow(graph=workflow_graph, agent_manager=agent_manager, llm=llm)

output = workflow.execute()

print(output)

```

您还可以：

- 📊 可视化工作流：`workflow_graph.display()`

- 💾 保存/加载工作流：`save_module()` / `from_file()`

> 📂 完整的工作示例，请查看[`workflow_demo.py`](https://github.com/EvoAgentX/EvoAgentX/blob/main/examples/workflow_demo.py)

## 演示视频

[![在YouTube上观看](https://img.shields.io/badge/-在YouTube上观看-red?logo=youtube&labelColor=grey)](https://www.youtube.com/watch?v=Wu0ZydYDqgg)

[![在bilibili上观看](https://img.shields.io/badge/-在bilibili上观看-00A1D6?logo=bilibili&labelColor=white)](https://www.bilibili.com/video/BV1mEJizyE7H/?vd_source=02f8f3a7c8865b3af6378d9680393f5a)



  

    您的浏览器不支持视频标签。

  



在此演示中，我们通过两个示例展示了EvoAgentX的工作流生成和执行能力：

- 应用1：简历的智能职位推荐

- 应用2：A股股票的视觉分析

### ✨ 最终结果

  

    

      


      应用1：
职位推荐

    

    

      


      应用2：
股票视觉分析

    

  

## 进化算法

我们将一些现有的智能体/工作流进化算法集成到EvoAgentX中，包括[TextGrad](https://www.nature.com/articles/s41586-025-08661-4)、[MIPRO](https://arxiv.org/abs/2406.11695)和[AFlow](https://arxiv.org/abs/2410.10762)。

为了评估性能，我们使用它们在三个不同任务上优化相同的智能体系统：多跳问答(HotPotQA)、代码生成(MBPP)和推理(MATH)。我们随机抽取50个样本进行验证，另外100个样本用于测试。

> 提示：我们已将这些基准测试和评估代码集成到EvoAgentX中。有关更多详情，请参考[基准测试和评估教程](https://github.com/EvoAgentX/EvoAgentX/blob/main/docs/zh/tutorial/benchmark_and_evaluation.md)。

### 📊 结果 

| 方法     | HotPotQA
(F1%) | MBPP
(Pass@1 %) | MATH
(解题率 %) |

|----------|--------------------|---------------------|--------------------------|

| 原始     | 63.58              | 69.00               | 66.00                    |

| TextGrad | 71.02              | 71.00               | 76.00                    |

| AFlow    | 65.09              | 79.00               | 71.00                    |

| MIPRO    | 69.16              | 68.00               | 72.30       

更多详情请参考`examples/optimization`文件夹。

## 应用案例 

我们使用我们的框架在[GAIA](https://huggingface.co/spaces/gaia-benchmark/leaderboard)基准测试中优化现有的多智能体系统。我们选择了来自GAIA排行榜的两个具有代表性的开源且可运行的多智能体框架：[Open Deep Research](https://github.com/huggingface/smolagents/tree/main/examples/open_deep_research)和[OWL](https://github.com/camel-ai/owl)。

我们应用EvoAgentX来优化它们的提示词。下图显示了优化后的智能体在GAIA基准验证集上的性能。

  

    

      


      Open Deep Research

    

    

      


      OWL智能体

    

  

> 完整优化报告：[Open Deep Research](https://github.com/eax6/smolagents)和[OWL](https://github.com/TedSIWEILIU/owl)。  

## 教程与使用案例

> 💡 **EvoAgentX新手？** 从[快速入门指南](./docs/zh/quickstart.md)开始，逐步了解基本使用方法。

通过以下资源了解如何有效使用EvoAgentX：

| 指南 | 描述 |

|:---|:---|

| **[构建您的第一个智能体](./docs/zh/tutorial/first_agent.md)** | 快速创建和管理具有多动作能力的智能体。 |

| **[构建您的第一个工作流](./docs/zh/tutorial/first_workflow.md)** | 学习如何使用多个智能体构建协作工作流。 |

| **[使用工具](./docs/zh/tutorial/tools.md)** | 掌握 EvoAgentX 强大的工具生态系统，实现智能体交互。 |

| **[自动工作流生成](./docs/zh/quickstart.md#automatic-workflow-generation-and-execution)** | 从自然语言目标自动生成工作流。 |

| **[基准测试与评估教程](./docs/zh/tutorial/benchmark_and_evaluation.md)** | 使用基准数据集评估智能体性能。 |

| **[TextGrad优化器教程](./docs/zh/tutorial/textgrad_optimizer.md)** | 使用TextGrad自动优化多智能体工作流中的提示词。 |

| **[AFlow优化器教程](./docs/zh/tutorial/aflow_optimizer.md)** | 使用AFlow自动优化多智能体工作流的提示词和结构。 |

🛠️ 通过这些教程构建和优化您的EvoAgentX工作流。

🚀 我们正在积极扩展我们的用例库和优化策略。**更多内容即将推出—敬请期待！**

## 🎯 路线图

- [ ] **模块化进化算法**：将优化算法抽象为即插即用的模块，便于集成到自定义工作流中。 

- [ ] **开发任务模板和智能体模块**：构建典型任务的可重用模板和标准化智能体组件，以简化应用开发。

- [ ] **集成自进化智能体算法**：整合更多最新和先进的智能体自进化技术，跨多个维度，包括提示词调整、工作流结构和记忆模块。 

- [ ] **启用可视化工作流编辑界面**：提供工作流结构显示和编辑的可视化界面，以提高可用性和调试能力。 

## 🙋 支持

### 加入社区

📢 保持联系，成为**EvoAgentX**旅程的一部分！  

🚩 加入我们的社区获取最新更新，分享您的想法，并与全球AI爱好者合作。

- [Discord](https://discord.gg/w3x2YrCa) — 实时聊天、讨论和协作。

- [X（前Twitter）](https://x.com/EvoAgentX) — 关注我们获取新闻、更新和洞见。

- [微信](https://github.com/EvoAgentX/EvoAgentX/blob/main/assets/wechat_info.md) — 连接我们的中文社区。

### 联系信息

如果您对本项目有任何问题或反馈，请随时联系我们。我们非常感谢您的建议！

- **电子邮件：** evoagentx.ai@gmail.com

我们将在2-3个工作日内回复所有问题。

## 🙌 为EvoAgentX做贡献

感谢这些优秀的贡献者



  



我们感谢您对我们开源计划的贡献兴趣。我们提供了[贡献指南](https://github.com/EvoAgentX/EvoAgentX/blob/main/CONTRIBUTING.md)文档，其中概述了为EvoAgentX做贡献的步骤。请参考此指南以确保顺利协作和成功贡献。 🤝🚀

[![Star历史图表](https://api.star-history.com/svg?repos=EvoAgentX/EvoAgentX&type=Date)](https://www.star-history.com/#EvoAgentX/EvoAgentX&Date)

## 📚 致谢 

本项目基于几个杰出的开源项目：[AFlow](https://github.com/FoundationAgents/MetaGPT/tree/main/metagpt/ext/aflow)、[TextGrad](https://github.com/zou-group/textgrad)、[DSPy](https://github.com/stanfordnlp/dspy)、[LiveCodeBench](https://github.com/LiveCodeBench/LiveCodeBench)等。我们衷心感谢这些框架的开发者和维护者对开源社区的宝贵贡献。

## 📄 许可证

本仓库中的源代码根据[MIT许可证](./LICENSE)提供。