openagent
Haohao-end/openagent加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：OpenAgent 产品概览，支持可视化工作流编排与 AI 应用发布
想象一下：你用 LangChain 快速跑通了一个 RAG 对话 Demo，领导看了很满意，要求尽快上线、开放给 20 个同事使用。紧接着问题就来了——
如何管理多个 AI 模型的 API 调用？如何让非技术背景的运营人员也能修改 Prompt？如何在大规模文档检索时保证响应速度？如何在生产环境中追踪 AI 调用的费用和问题？
这些问题不是技术细节，而是每一个 AI 应用从“实验”走向“产品”时必须回答的灵魂拷问。OpenAgent 正是为解决这一痛点而生的：它不是又一个 LangChain 封装，而是一个端到端的 AI 应用生产平台。
OpenAgent 由开发者 @Haohao-end 创建于 2025 年 6 月，是一个相对年轻但发展迅猛的 AI Agent 平台。项目采用 Flask + Vue3 为核心架构，深度集成了 LangChain / LangGraph 来实现 Agent 编排，同时支持 Weaviate 和 FAISS 两种向量数据库提供语义检索能力。
从 GitHub 数据来看，该项目在不到一年时间内获得了 824 Stars、82 Forks，属于同类型项目中增长较快的选手。其 GitHub Topics 标签覆盖了当前 AI 领域的几乎所有热门方向：langchain、langgraph、mcp、llmops、deepresearch、deepseek 等，显示出明确的定位：面向企业的 LLM 应用运维与编排平台。
OpenAgent 提供了一个类似在线 IDE 的工作空间，开发者可以在这里：
这一套流程解决了 AI 应用在企业内部推广时的核心问题：谁在改 Prompt？改了什么？效果如何？
OpenAgent 的工作流编辑器基于 Vue Flow 构建，支持以节点图的方式编排 AI 流程。支持的节点类型包括：
| 节点类型 | 说明 |
|---|---|
| LLM 节点 | 支持 OpenAI、DeepSeek、文心、通义等多种模型 |
| 工具调用（Tool Call） | 集成 MCP 协议，支持外部工具扩展 |
| 数据集检索 | 从 Weaviate/FAISS 向量库中检索相关内容 |
| 代码执行 | 执行 Python / JavaScript 代码片段 |
| HTTP 请求 | 调用外部 REST API |
| 分支判断 | 条件分支，支持 if/else 逻辑 |
| 文本处理 | 字符串处理、正则替换、格式转换 |
| 模板转换 | Jinja2 模板渲染 |
| 结构化参数提取 | 从非结构化文本中提取 JSON/结构化数据 |
这种可视化编排方式的最大价值在于：让产品经理和运营也能参与 AI 流程的优化，而不需要懂代码。
内置文档管理和数据集模块，支持：
项目原生支持 Anthropic 的 Model Context Protocol（MCP），实现了 Agent 与外部工具的标准化连接。同时引入 A2A（Agent-to-Agent）协议，使得家庭助手可以将用户请求路由到已发布的公共 Agent，实现了多 Agent 协作的可能性。
发布后的应用可以通过 POST /api/openapi/chat 以 REST 或 SSE 方式调用，这意味着：
图2：OpenAgent 基础架构图，清晰的微服务分层设计
OpenAgent 采用典型的微服务分层架构：
后端层（api/）：
前端层（ui/）：
基础设施层（docker/）：
Agent 能力层：
官方推荐通过 Docker Compose 部署，核心步骤仅需两步：
cd docker
./start.sh
或手动：
cd docker
docker compose up -d --build
部署后的服务包括：
对于需要二次开发的用户，官方也支持本地开发模式：
本地开发时只需启动 Docker 中的基础设施服务（DB/Redis/Weaviate），业务代码在本地运行，方便断点调试。
| 组件 | 最低要求 | 推荐配置 |
|---|---|---|
| CPU | 2 核 | 4 核+ |
| 内存 | 4 GB | 8 GB+ |
| 磁盘 | 10 GB | 20 GB+（含向量库数据） |
| GPU | 不需要 | 可选（用于本地 Embedding 模型） |
| Docker | 20.10+ | 最新版 |
由于所有 LLM 调用均通过外部 API（OpenAI/DeepSeek/文心等），因此不需要 GPU 即可运行核心功能，降低了部署门槛。
根据 .env.example 和代码分析，项目支持的 LLM 提供商包括：
| 提供商 | 支持状态 | 说明 |
|---|---|---|
| OpenAI | 全支持 | GPT-4o、GPT-4-turbo 等主力模型 |
| DeepSeek | 全支持 | DeepSeek Coder、DeepSeek Chat |
| 月之暗面（Moonshot） | 全支持 | Kimi 系列模型 |
| 百度文心 | 全支持 | ERNIE Bot 系列 |
| 通义千问 | 全支持 | Qwen 系列 |
| Google Gemini | 全支持 | via google-genai |
| Ollama（本地） | 全支持 | 支持本地模型，隐私优先 |
此外还集成了：
OpenAgent 代表了 AI 应用开发领域的一个重要趋势：从 LangChain 的技术玩具到企业级生产平台的跨越。当前 AI 应用开发面临的最大瓶颈不是模型能力，而是工程化能力——如何管理 Prompt 版本、如何追踪 Token 成本、如何让非技术人员参与优化。OpenAgent 在这些方面提供了开箱即用的解决方案。
同时，项目对 MCP 协议的原生支持，使它能够与未来更广泛的 AI 工具生态（Cursor、Claude Desktop 等）无缝集成，具有良好的扩展性。
然而，作为一个相对年轻的项目，OpenAgent 也面临一些挑战：
OpenAgent 是一个定位清晰、技术栈扎实的企业级 AI Agent 开发平台。它不是 LangChain 的简单封装，而是真正从 AI 应用生产需求出发，设计了一套完整的{q1}开发-测试-发布-运营{q2}闭环。对于需要快速搭建内部 AI 应用、管理多个 AI 助手、构建知识库问答系统的团队，OpenAgent 是一个值得关注的选择。
如果你的团队正在使用或考虑使用 LangChain 构建 AI 应用，不妨把 OpenAgent 视为 LangChain 的可视化运维平台——它让 LangChain 的能力不再只属于开发者，而是延伸到了产品经理和运营人员的桌上。
项目地址：https://github.com/Haohao-end/openagent 官方网站：https://openllm.cloud Stars：824 Forks：82 语言：Python + TypeScript/Vue 许可证：未声明（使用前请确认） 推荐部署方式：Docker Compose 一键部署，硬件要求低，支持主流 LLM API