MassGen：多智能体协同任务处理系统

MassGen 是一个开源的多智能体协作系统，灵感来自 xAI 的 Grok Heavy 和 Google DeepMind 的 Gemini Deep Think。它通过多个 AI 智能体并行工作，共享信息并优化结果，解决复杂任务。用户可以通过简单的命令行操作，调用不同 AI 模型（如 Google Gemini、OpenAI 和 xAI Grok）来完成任务。MassGen 支持自定义工具扩展，适合处理需要多模型协作的场景，比如分析复杂问题或生成高质量内容。项目目前处于早期开发阶段，代码和文档托管在 GitHub 上，社区可通过 Discord 参与讨论和贡献。

功能列表

• 多智能体并行处理：多个 AI 智能体同时处理任务，观察彼此进展，优化最终结果。
• 跨模型协作：支持 Google Gemini、OpenAI 和 xAI Grok 等模型，通过共识机制整合输出。
• 迭代优化：智能体通过多次迭代，逐步完善任务结果，提高准确性和质量。
• 自定义工具扩展：用户可在 massgen/tools.py 中注册新工具，增强智能体功能。
• 灵活配置：支持通过配置文件或命令行参数调整运行模式、模型选择和任务时长。
• 支持多种任务类型：适用于问答、内容生成、数学计算等多样化任务。

使用帮助

安装流程

要使用 MassGen，需要在本地环境中安装并配置相关依赖。以下是详细的安装和使用步骤：

1. 克隆代码仓库
   在终端运行以下命令，下载 MassGen 源代码：

   git clone https://github.com/Leezekun/MassGen.git
   cd MassGen
   

2. 安装 Python 环境
   MassGen 依赖 Python 环境，推荐使用 uv 管理虚拟环境。执行以下命令：

   pip install uv
   uv venv
   source .venv/bin/activate  # macOS/Linux
   .venv\Scripts\activate  # Windows
   

3. 安装依赖
   在项目根目录运行以下命令，安装必要的 Python 包：

   uv pip install -e .
   

4. 配置 API 密钥
   MassGen 需要 Google Gemini、OpenAI 或 xAI Grok 的 API 密钥。复制示例配置文件并编辑：

   cp massgen/backends/.env.example massgen/backends/.env
   

   在 massgen/backends/.env 文件中添加你的 API 密钥，例如：

   OPENAI_API_KEY=sk-your-openai-key-here
   XAI_API_KEY=xai-your-xai-key-here
   GEMINI_API_KEY=your-gemini-key-here
   

   根据需要使用的模型，填写对应密钥。

5. 验证安装
   确保所有依赖和密钥配置正确后，可以通过运行示例命令验证环境是否正常。

使用方法

MassGen 提供命令行界面（CLI）来运行任务。以下是主要操作方式和功能的使用说明：

运行多智能体任务

MassGen 支持多智能体模式，通过多个模型协同完成任务。例如，查询“2025 年国际数学奥林匹克竞赛的 AI 获胜者”：

python cli.py "Which AI won IMO in 2025?" --models gemini-2.5-flash gpt-4o

• 参数说明：
  • --models：指定使用的模型，如 gemini-2.5-flash 或 gpt-4o。
  • 任务描述：直接在命令后输入问题或任务内容。

运行后，MassGen 会分配任务给多个智能体，智能体并行处理，共享中间结果，并通过迭代优化生成最终答案。

单智能体模式

如果只需要单个模型处理任务，可以使用单智能体模式。例如，计算最大公约数：

python cli.py "What is greatest common divisor of 238, 756, and 1512" --models gemini-2.5-flash

此模式适合简单任务，减少资源消耗。

使用配置文件

MassGen 支持通过 YAML 配置文件运行任务，适合复杂任务或批量操作。例如：

python cli.py --config examples/fast_config.yaml "find big AI news this week"

配置文件允许设置最大运行时间、共识阈值等参数。例如：

max_duration: 120
consensus: 0.5
models:
- gemini-2.5-flash
- gpt-4o

• 参数覆盖：可以在命令行中覆盖配置文件参数，例如：

  python cli.py --config examples/fast_config.yaml "who will win World Cup 2026" --max-duration 120 --consensus 0.5
  

自定义工具

MassGen 允许用户扩展工具以增强功能。在 massgen/tools.py 中注册新工具。例如，添加一个搜索工具：

1. 打开 massgen/tools.py。
2. 按照文件中的格式，添加工具的代码和描述。
3. 保存后，工具会自动被智能体调用。

查看运行日志

MassGen 会记录智能体的操作和聊天历史，保存在日志目录中。用户可以通过检查日志了解每个智能体的处理过程和系统事件（如阶段转换、共识达成）。

特色功能操作

并行处理与共识机制

MassGen 的核心是多智能体并行处理。每个智能体独立处理任务，同时观察其他智能体的进展。例如，在回答“解释相对论”时：

python cli.py --config examples/fast_config.yaml "Explain the theory of relativity in simple terms."

• 智能体会分解任务，分头生成解释的不同部分。
• 系统通过共识机制（consensus 参数控制）整合结果，确保答案一致性和准确性。

迭代优化

智能体在处理复杂问题时会进行多次迭代。例如，生成短篇故事：

python cli.py --config examples/fast_config.yaml "Write a short story about a robot who discovers music."

• 智能体首先生成故事草稿。
• 其他智能体审查并提出改进建议。
• 系统迭代优化，直到达到满意结果或时间限制。

应用场景

1. 复杂问题求解
   用户需要分析复杂问题（如科学计算或政策分析）时，MassGen 可通过多模型协作提供全面答案。例如，研究人员可输入问题，获取不同模型的视角和综合结论。
2. 内容生成
   适合生成高质量文本，如故事、报告或文章。MassGen 的多智能体协作确保内容逻辑清晰且富有创意，适合作家或营销人员使用。
3. 教育与学习
   学生可使用 MassGen 解答数学、物理等问题。系统通过迭代优化提供详细解题步骤，适合自学或教学辅助。
4. 技术开发与调试
   开发者可利用 MassGen 测试 AI 模型性能或开发新工具。通过自定义工具和配置文件，快速验证新功能或优化现有工作流。

QA

1. MassGen 支持哪些 AI 模型？
   当前支持 Google Gemini、OpenAI 和 xAI Grok 的高级推理模型。用户可在 massgen/utils.py 中注册更多模型。
2. 如何扩展 MassGen 的功能？
   在 massgen/tools.py 中添加自定义工具代码，按照文件格式注册。未来版本将支持本地推理模型。
3. 运行 MassGen 需要多高的计算资源？
   依赖任务复杂度和模型数量。建议使用至少 16GB 内存的设备，并确保稳定的网络连接以调用 API。
4. 如何查看智能体的处理过程？
   系统会保存每个智能体的操作和聊天历史在日志目录中，查看日志可了解详细过程。