🎯agentUniverse具有丰富的多智能体协同模式，如PEER、DOE等，还支持用户自定义新模式，使多个智能体有机合作，如在事件解读、行业分析等场景中应用。

💻该框架的所有组件均可定制，包括LLM、知识、工具、记忆、Planner等，用户可增强专属智能体，还能轻松融入领域经验，提供领域prompt等能力。

📄agentUniverse有多种应用案例，如法律咨询智能体通过检索法律条例结合案件背景给出建议，Python自动执行案例展示了代码生成与执行过程，多智能体讨论组案例展示了话题讨论流程，金融事件分析案例展示了PEER多智能体协作模式。

2024-06-23 22:39 湖北

agentUniverse是一个基于大型语言模型的多智能体框架，帮助开发者、企业轻松构建出领域专家级别的协同强大智能体。

核心特性

丰富的多智能体协同模式：提供PEER（Plan/Execute/Express/Review）、DOE（Data-fining/Opinion-inject/Express）等产业中验证有效的协同模式，同时支持用户自定义编排新模式，让多个智能体有机合作；PEER典型场景：事件解读、行业分析，DOE典型场景：财报生成

所有组件均可定制：LLM、知识（Knowledge）、工具（Tool）、记忆（Memory）、Planner（PEER、DOE、RAG）等所有框架组件均提供自定义能力，供用户来增强专属智能体；

轻松融入领域经验：提供领域prompt、知识构建与管理的能力，同时支持领域级SOP编排与注入，将智能体对齐至领域专家级别；

法律咨询案例：基于RagPlanner，搭建了一个简单的法律咨询智能体，通过检索民法典和刑法中的相关条例并结合案件背景给出相关的法律建议。

Python自动执行案例：基于ReactPlanner，搭建了一个简单可以自动生成python代码并执行的案例。

图片中，react一共执行了三步：第一步，模型根据问题给出了一段python代码，并交给python_runner工具执行，但是执行失败了，失败原因是没有使用print打印执行结果。第二步，模型意识到错误，主动修改了代码，再次使用python_runner工具执行，执行成功。第三步，模型将执行成功的代码告诉给用户。

共两个智能体角色：讨论组主持人（一名）和讨论组参与者（若干）。

用户发起一个话题，主持人组织各位参与者开始讨论，每轮每个参与者根据讨论话题发表自己的观点（每个参与者的观点并非一成不变，会随着讨论的深入不断调整），几轮讨论后，主持人会对讨论过程进行总结并将参与者们经过几轮讨论后的结果返回给用户。

“甜粽子好吃还是咸粽子好吃”多智能体讨论示例：

“中医好还是西医好”多智能体讨论示例：

金融事件分析案例

基于PeerPlanner，搭建了一个用于分析金融事件的多智能体协作案例，并以“巴菲特2023年减持比亚迪”事件为例，展示了如何在agentUniverse中使用PEER多智能体协作模式，并详细展示了PEER中每种智能体的配置方式及输出样例。

Planning Agent：负责将原始的金融问题拆分为多个可被单独解决的子问题，提供给后续的Executing Agent执行

Executing Agent：负责解决Planning Agent拆分出的子问题

Expressing Agent：负责将Executing Agent输出的所有结果进行汇总，并根据提示词中的要求总结表达为对原始问题的回答

Reviewing Agent:负责对Expressing Agent产出的结果进行评价，看是否对于原问题是有效的回答

https://github.com/alipay/agentUniverse

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 2024：ToB、Agent、多模态

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。