让AI像团队一样协作

多Agent协作技术验证项目

探索如何让多个AI Agent像团队一样协作完成任务
技术学习 · 开源分享 · 交流讨论

关于本项目

AI_OS是一个个人技术验证项目,用于探索多Agent协作的可能性。 项目基于LangGraph框架开发,尝试实现"决策层→管理层→执行层"三层协作架构。

项目背景:

核心思路:

技术栈:

注:本项目仅用于技术验证和学习交流,不提供任何商业服务。

三层架构

模仿团队协作:决策层定方向,管理层拆任务,执行层干活

DECISION

决策层 · DiscussionEngine

多Agent围绕议题讨论,动态发言队列,共识检测,输出决策结论

CEO 战略视角 CFO 财务视角 CTO 技术视角 CMO 市场视角
MANAGEMENT

管理层 · WorkflowEngine

两阶段任务拆解(模块→任务),智能依赖推断,进度追踪

PM 任务拆解 依赖推断 进度追踪
EXECUTION

执行层 · ToolExecutor

每个Agent有专属工具,真正执行:写代码、生成设计、测试验证

Developer 写代码 Designer 生成设计 QA 测试验证

已实现功能

💬 动态发言队列

Agent可在回复中指定下一轮谁发言,讨论流程可控、不混乱。避免传统多Agent"同时发言、各说各话"的问题。

LangGraph StateGraph

✅ 共识检测

每轮发言后检测是否达成共识,共识格式统一,避免无休止讨论。支持Agent主动声明"跳过"。

正则匹配 结构化输出

📝 两阶段任务拆解

PM先拆大模块(做什么),再拆每模块的子任务(怎么做),任务粒度更可控。

JSON解析 fallback机制

🔗 智能依赖推断

基于任务描述自动推断依赖关系:"读取X文件" → "依赖创建X的任务"。

关键词匹配 规则引擎

🛠️ 真实工具执行

执行层调用真实工具:terminal执行命令、write_file写文件、execute_code运行Python。

asyncio PIL

🎨 PIL图片生成

Designer Agent使用PIL生成设计图,无需外部API,输出真实PNG文件。

PIL.Image 中文字体

代码示例

DiscussionEngine核心逻辑

# 动态发言队列 async def run_discussion(self, topic): while not self._check_consensus(): speaker = self.speaker_queue.pop(0) response = await self._call_llm(speaker, topic) # 解析下一轮发言者 next_speaker = self._parse_next_speaker(response) if next_speaker: self.speaker_queue.append(next_speaker) else: # 默认轮询 self.speaker_queue.append(self._next_agent(speaker)) return self._summarize()

开源代码

项目完整代码已在GitHub开源,欢迎交流讨论

查看源码