基于deepagents的自主Agent，支持plan/skills/mcp/tools/rag等主流功能
概览
- 🎯 ： 通过 /agents/{type}/ 路由访问不同 Agent - 🧩 ： 采用 SKILL.md 格式定义深度技能，按需动态加载 - 🔌 ： 支持多种 MCP 服务，按 Agent 类型分配 - 🇨🇳 ： 针对中文环境优化，提供自然的沟通体验 - 🌊 ： 支持 SSE （Server-Sent Events） 实时输出 访问 http://localhost:8001/docs 查看 API 文档。 （tools.py）：search_similar_alerts（Milvus 向量搜索 + DashScope Rerank） 1. 创建 src/agents/{new_agent}/ 目录 2.实现 config.py 和 agent.py 3.添加技能到 skills_data/ 4.添加专用工具到 tools.py（可选） 5.在 src/agents/.py 中导入 1. ： 统一的 Agent 基类和工厂模式 2.： 每个 Agent 在自己目录下的 tools.py 中定义专用工具 3.： 多 MCP 服务注册和按需加载 4.: 提供底层文件访问支持 5.： deepagents 内部基于 LangGraph 实现 ReAct 循环 - Agent 开发指南 - 如何添加新 Agent - Agent 运行流程 - Agent 运行流程参考文档 - 支持直接在支持SKILLS的AI IDE中进行开发（如Claude Code，Cursor等）
概述（AI 翻译）
基于 LangChain Deepagents 构建的多 Agent Web 服务框架。
参考： Deepagents 快速入门
✨ 特性
- 🎯 多 Agent 架构： 通过
/agents/{type}/路由访问不同 Agent - 🧩 专业技能系统: 采用
SKILL.md格式定义深度技能，按需动态加载 - 🔌 MCP 服务注册： 支持多种 MCP 服务，按 Agent 类型分配
- 🇨🇳 中文友好: 针对中文环境优化，提供自然的沟通体验
- 🌊 全异步流式响应： 支持 SSE（Server-Sent Events） 实时输出
🤖 可用 Agent
| 代理 | 路由 | 描述 |
|---|---|---|
🔔 警报降噪/agents/alert_noise_reduction/ |
告警降噪：历史相似告警搜索、Rerank 优化排序 |
📁 项目结构
🚀 快速开始
1.安装依赖
确保已安装 UV：
2.配置环境变量
复制 .env_example 为 .env 并填写：
3.启动服务
访问 http://localhost:8001/docs 查看 API 文档。
📡 API 端点
| 端点 | 方法 | 描述 |
|---|---|---|
/agents |
获取 | 获取所有可用 Agent 列表 |
/agents/{type}/chat |
后期 | 非流式聊天 |
/agents/{type}/chat/stream |
帖子 | 流式聊天 （SSE） |
/agents/{type}/skills |
获取 | 获取 Agent 技能列表 |
/health |
获取 | 健康检查 |
4.前端演示
使用示例
🛠️ Agent 技能与工具
警报降噪剂
技能 （skills_data/）：
| 技能名称 | 说明 |
|---|---|
noise-reduction-analysis |
告警降噪分析：噪音判定、SOP推荐 |
markdown-format |
Markdown 输出规范 |
工具（'工具。
本页由 AI 翻译，技术细节请以原文为准。
README
以下为原文 README 节选，完整内容请查看原文。
🤖 多 Agent 智能服务平台
基于 LangChain Deepagents 构建的多 Agent Web 服务框架。
✨ 特性
- 🎯 多 Agent 架构: 通过
/agents/{type}/路由访问不同 Agent - 🧩 专业技能系统: 采用
SKILL.md格式定义深度技能，按需动态加载 - 🔌 MCP 服务注册: 支持多种 MCP 服务，按 Agent 类型分配
- 🇨🇳 中文友好: 针对中文环境优化，提供自然的沟通体验
- 🌊 全异步流式响应: 支持 SSE (Server-Sent Events) 实时输出
🤖 可用 Agent
| Agent | 路由 | 描述 |
|---|---|---|
| 🔔 Alert Noise Reduction | /agents/alert_noise_reduction/ |
告警降噪：历史相似告警搜索、Rerank 优化排序 |
📁 项目结构
langchain_skills/
├── src/
│ ├── core/ # 核心框架层
│ │ ├── base_agent.py # Agent 基类和工厂
│ │ ├── mcp_registry.py # MCP 服务注册
│ │ ├── events.py # SSE 事件构建器
│ │ └── text_buffer.py # 流式输出文本缓冲器
│ │
│ ├── agents/ # Agent 实现（每个 Agent 自包含）
│ │ └── alert_noise_reduction/ # 告警降噪 Agent
│ │ ├── agent.py
│ │ ├── config.py
│ │ ├── tools.py # Milvus 向量搜索 + Rerank
│ │ └── skills_data/
│ │
│ ├── api.py # FastAPI 入口（多 Agent 路由）
│ └── config.py # 配置管理
│
├── docs/ # 文档
│ └── agent_development_guide.md # Agent 开发指南
│
├── pyproject.toml # 项目配置与依赖
├── .env # 环境变量
└── README.md
🚀 快速开始
1. 安装依赖
确保已安装 uv:
uv sync
2. 配置环境变量
复制 .env_example 为 .env 并填写：
ALIYUN_API_KEY=your_api_key
# Milvus 向量数据库
MILVUS_ADDRESS=localhost:19530
MILVUS_DATABASE=your_database
MILVUS_USERNAME=your_username
MILVUS_PASSWORD=your_password
# Embedding 模型
EMBEDDING_API_KEY=your_embedding_key
EMBEDDING_MODEL=text-embedding-v4
# Rerank 模型
RERANK_API_KEY=your_rerank_key
RERANK_MODEL=gte-rerank-v2
3. 启动服务
uv run uvicorn src.api:app --host 0.0.0.0 --port 8001 --reload
访问 http://localhost:8001/docs 查看 API 文档。
📡 API 端点
| 端点 | 方法 | 描述 |
|---|---|---|
/agents |
GET | 获取所有可用 Agent 列表 |
/agents/{type}/chat |
POST | 非流式聊天 |
/agents/{type}/chat/stream |
POST | 流式聊天 (SSE) |
/agents/{type}/skills |
GET | 获取 Agent 技能列表 |
/health |
GET | 健康检查 |
4. 前端demo
cd my-chat-ui
pnpm install
pnpm dev
使用示例
# 获取 Agent 列表
curl http://localhost:8001/agents | jq
# 与告警降噪 Agent 聊天
curl -X POST http://localhost:8001/agents/alert_noise_reduction/chat \
-H "Content-Type: application/json" \
-d '{"message": "分析这个告警: CPU使用率超过90%"}' | jq
# 获取 Agent 技能
curl http://localhost:8001/agents/alert_noise_reduction/skills | jq
🛠️ Agent 技能与工具
Alert Noise Reduction Agent
技能 (skills_data/)：
| 技能名称 | 说明 |
|---|---|
noise-reduction-analysis |
告警降噪分析：噪音判定、SOP推荐 |
markdown-format |
Markdown 输出规范 |
工具 (tools.py)：search_similar_alerts (Milvus 向量搜索 + DashScope Rerank)
🔧 扩展 Agent
添加新 Agent 只需 5 步：
推荐工具
换一个关键词，或者移除筛选条件。
安装
npx skillfish add yzstory/deepagents_skills