AgentVerse：部署多智能体协作与模拟的开源框架

AgentVerse 是一个开源项目，旨在帮助用户快速部署基于大语言模型（LLM）的多智能体系统。它提供两种核心框架：任务解决和模拟环境。任务解决框架通过多个智能体协作，自动完成复杂任务，例如软件开发或咨询服务。模拟框架允许用户创建自定义环境，观察多个智能体的行为或与它们互动，适用于游戏或社会行为研究。AgentVerse 支持主流大语言模型（如 GPT-3.5 和 LLaMA），并提供命令行和图形界面两种操作方式。项目由 OpenBMB 团队开发，已在 ICLR 2024 会议上发表论文，并持续更新以支持更多功能，如本地模型集成和工具使用。

功能列表

• 多智能体任务解决：支持多个智能体协作完成任务，如软件开发、数据分析或咨询系统。
• 模拟环境搭建：允许用户创建自定义场景，观察智能体行为或与之互动，适用于游戏或社会研究。
• 支持主流大语言模型：兼容 OpenAI API、Azure OpenAI 以及本地模型（如 LLaMA、Vicuna）。
• 命令行与图形界面：提供 CLI 和 GUI 两种操作方式，便于用户快速上手。
• 工具集成：支持智能体使用外部工具（如网页浏览器、Jupyter Notebook）完成复杂任务。
• 开源与可扩展：代码完全开源，用户可根据需求修改或扩展功能。
• 丰富的示例与文档：提供多种演示案例，如 NLP 课堂、囚徒困境和软件设计，方便学习与使用。

使用帮助

安装流程

AgentVerse 支持 Python 3.9 及以上版本，推荐通过手动安装以获取最新功能。以下是详细的安装步骤：

1. 克隆代码库：
   使用 Git 克隆 AgentVerse 代码库到本地：

   git clone https://github.com/OpenBMB/AgentVerse.git --depth 1
   cd AgentVerse
   

2. 安装依赖：
   在项目目录下运行以下命令安装核心依赖：

   pip install -e .
   

   如果需要使用本地模型（如 LLaMA），额外安装以下依赖：

   pip install -r requirements_local.txt
   

3. 通过 pip 安装（可选）：
   如果不想克隆代码库，可直接通过 pip 安装：

   pip install -U agentverse
   

4. 配置环境变量：
   使用 OpenAI API 的用户需设置 API 密钥：

   export OPENAI_API_KEY="your_api_key_here"
   

   如果使用 Azure OpenAI 服务，需额外设置：

   export AZURE_OPENAI_API_KEY="your_api_key_here"
   export AZURE_OPENAI_API_BASE="your_api_base_here"
   

5. 工具支持（可选）：
   如果需要运行带工具的模拟案例（如 nlp_classroom_3players_withtool），需安装 BMTools：

   git clone git+https://github.com/OpenBMB/BMTools.git
   cd BMTools
   pip install -r requirements.txt
   python setup.py develop
   

6. vLLM 支持（可选）：
   若需使用 vLLM 处理大规模推理任务，需先安装并启动 vLLM 服务器，然后设置环境变量：

   export VLLM_API_KEY="your_api_key_here"
   export VLLM_API_BASE="http://your_vllm_url_here"
   

   在任务配置文件中修改模型设置，例如：

   model_type: vllm
   model: llama-2-7b-chat-hf
   

7. FSChat 支持（本地模型）：
   若使用本地模型（如 LLaMA），需安装 FSChat 依赖并启动本地服务器：

   pip install -r requirements_local.txt
   bash scripts/run_local_model_server.sh
   

   修改配置文件中的 llm_type 和 model，例如：

   llm:
   llm_type: local
   model: llama-2-7b-chat-hf
   

使用方式

AgentVerse 提供两种主要框架：任务解决和模拟环境。以下是具体操作方法：

1. 任务解决框架

任务解决框架适合需要多个智能体协作完成复杂任务的场景。用户可通过命令行运行预设任务或自定义任务。

• 运行基准测试：
  使用 Humaneval 数据集测试 AgentVerse 性能：

  agentverse-benchmark --task tasksolving/humaneval/gpt-3.5 --dataset_path data/humaneval/test.jsonl --overwrite
  

• 运行单个任务：
  运行预设的头脑风暴任务：

  agentverse-tasksolving --task tasksolving/brainstorming
  

• 工具使用任务：
  运行带工具的任务（如解决 24 点游戏）：

  agentverse-tasksolving --task tasksolving/tool_using/24point
  

  确保已启动 XAgent 的 ToolServer。更多工具使用任务可在 agentverse/tasks/tasksolving/tool_using/ 目录中找到。

2. 模拟环境框架

模拟框架适合研究智能体行为或创建交互场景。用户可通过 CLI 或 GUI 运行模拟。

• 命令行运行：
  以 NLP 课堂（9 个智能体，包括 1 名教授和 8 名学生）为例：

  agentverse-simulation --task simulation/nlp_classroom_9players
  

• 图形界面运行：
  启动本地 Web 服务器以可视化模拟：

  agentverse-simulation-gui --task simulation/nlp_classroom_9players
  

  启动后，访问 http://127.0.0.1:7860/ 查看模拟环境。

3. 自定义任务与环境

用户可通过修改 agentverse/tasks/ 目录下的配置文件创建自定义任务或模拟环境。配置文件通常为 YAML 格式，包含模型类型、任务描述和智能体角色等信息。例如，agentverse/tasks/tasksolving/commongen/llama-2-7b-chat-hf/config.yaml 是一个完整的任务配置文件示例。

特色功能操作

• 多智能体协作：任务解决框架中，智能体根据角色分工（如规划者、执行者）协作完成任务。例如，在软件开发任务中，一个智能体负责需求分析，另一个生成代码，最后一个进行测试。
• 工具使用：智能体可调用外部工具（如 Bing 搜索、Jupyter Notebook）处理复杂任务。例如，在 24 点游戏任务中，智能体通过工具计算数学表达式。
• 模拟交互：在模拟框架中，用户可设置智能体的行为规则，观察其在特定场景（如囚徒困境）中的决策过程，或通过 GUI 与智能体互动。

应用场景

1. 软件开发
   AgentVerse 的任务解决框架可用于自动化软件开发。多个智能体分工协作，一个负责需求分析，一个生成代码，另一个进行调试和测试，显著提高开发效率。
2. 教育研究
   模拟框架中的 NLP 课堂场景可用于研究大语言模型在教育环境中的表现。用户可观察教授与学生智能体的互动，分析教学效果。
3. 社会行为研究
   模拟框架支持创建如囚徒困境的场景，研究智能体在竞争或合作环境中的行为模式，适用于社会学或博弈论研究。
4. 游戏开发
   用户可通过模拟框架创建交互式游戏环境（如 Pokemon 游戏演示），让智能体扮演角色与玩家互动，适合游戏原型设计。

QA

1. AgentVerse 支持哪些大语言模型？
   AgentVerse 支持 OpenAI API（如 GPT-3.5）、Azure OpenAI 以及本地模型（如 LLaMA、Vicuna）。用户需配置相应的 API 密钥或本地服务器。
2. 如何运行带工具的任务？
   需先安装 BMTools 或 XAgent 的 ToolServer，然后运行 agentverse-tasksolving --task tasksolving/tool_using/24point 等命令。确保工具服务器正常运行。
3. 模拟环境的 GUI 如何访问？
   运行 agentverse-simulation-gui --task simulation/nlp_classroom_9players 后，访问 http://127.0.0.1:7860/ 即可查看图形界面。
4. 如何贡献代码或反馈问题？
   用户可通过 GitHub 提交 issue 或 pull request。遵循 PULL_REQUEST_TEMPLATE 提交代码，或联系 AgentVerse 团队（agentverse2@gmail.com）。