简介

AgentVerse是一个简化大语言模型多智能体环境创建的开源框架，支持快速低成本开发。本文详细介绍了其安装配置、使用现有示例快速启动的方法，以及如何通过定义环境规则、智能体配置和输出解析器来自定义多智能体场景。框架支持环境组件、智能体类型扩展和工具集成，适用于协作任务、模拟实验等多种场景，为研究人员提供便捷的多智能体开发解决方案。

---

智能体的发展终于要我看到多智能体的一个开源项目了

————AgentVerse。 简化了为大型语言模型（LLMs）创建自定义多智能体环境的过程。旨在快速、低成本的开发和定制，我们的框架赋能研究人员专注于他们的研究，而不被实现细节所困扰。

使用 AgentVerse 搭建多智能体交互平台可按以下步骤进行，结合框架特性和示例配置实现快速搭建与定制：

一、安装与环境准备

1. 1. 安装 AgentVerse
      可通过 pip 直接安装或克隆仓库手动安装：

   # 方法1：pip安装
   pip install -U agentverse
   
   # 方法2：克隆仓库安装（推荐用于定制开发）
   git clone https://github.com/OpenBMB/AgentVerse.git --depth 1
   cd AgentVerse
   pip install -r requirements.txt
   

2. 2. 配置 API 密钥
      若使用 OpenAI 或 Azure OpenAI 服务，需导出密钥：

   # OpenAI
   export OPENAI_API_KEY="your_api_key_here"
   
   # Azure OpenAI
   export AZURE_OPENAI_API_KEY="your_api_key_here"
   export AZURE_OPENAI_API_BASE="your_api_base_here"
   

3. 3. 工具支持（可选）
      如需使用 BMTools 提供的工具（如搜索、数据库操作等），需额外安装：

   git clone git+https://github.com/OpenBMB/BMTools.git
   cd BMTools
   pip install -r requirements.txt
   python setup.py develop
   

二、使用现有示例快速启动

AgentVerse 提供了多个预定义场景（如教室、囚徒困境、软件开发团队等），可直接运行体验：

1. 1. 命令行示例（以 NLP 教室为例）
      运行包含 9 个智能体（1 名教授 + 8 名学生）的课堂模拟：

   agentverse-simulation --task simulation/nlp_classroom_9players
   

2. 2. 图形界面示例（以软件开发团队为例）
      启动包含代码编写者、测试者和审查者的协作场景：

   python agentverse_command/main_simulation_gui.py --task simulation/sde_team/sde_team_2players
   

三、定制自己的多智能体环境

若需构建自定义场景，可按以下步骤操作（以“教室环境”为例）：

1. 创建任务目录与环境配置

在 agentverse/tasks 下创建任务目录（如 my_classroom），并编写环境配置文件 config.yaml，定义环境规则（如交互顺序、可见性等）：

# 环境配置
environment:
type:basic# 使用基础环境
max_turns:10# 最大对话轮次
order:
type:sequential# 智能体按顺序发言
visibility:
type:all# 所有消息对所有智能体可见
selector:
type:basic# 基础消息筛选
updater:
type:basic# 基础内存更新（所有智能体共享消息）
describer:
type:basic# 无额外环境描述

2. 配置智能体

在 config.yaml 中添加智能体定义，指定类型、角色、LLM 模型等：

# 智能体配置
agents:
-agent_type:conversation# 对话型智能体
name:ProfessorMicheal
role_description:"你是大学NLP教授，负责讲解Transformer模型，耐心解答学生问题。"
memory:
memory_type:chat_history# 存储聊天历史
prompt_template:|
      你是${agent_name}，${role_description}
      聊天历史：${chat_history}
      请回应学生的问题。
llm:
llm_type:text-davinci-003# 使用OpenAI模型
temperature:0.7
max_tokens:250

-agent_type:conversation
name:StudentAlice
role_description:"你是NLP专业的研究生，对注意力机制有疑问。"
# 其他配置与教授类似...

3. 编写输出解析器

根据智能体的输出格式（如 Action: Speak\nAction Input: ...），编写解析器提取有效信息，并注册到框架中：

# 在 agentverse/tasks/my_classroom/parser.py 中
from agentverse.parser import OutputParser, output_parser_registry

@output_parser_registry.register("classroom_parser")
classClassroomParser(OutputParser):
defparse(self, response: str) -> dict:
# 解析智能体输出，提取发言内容
if"Action Input:"in response:
            content = response.split("Action Input:")[-1].strip()
return {"output": content}
return {"output": response}

4. 注册与运行

将解析器导入 agentverse/tasks/__init__.py，然后通过命令启动自定义环境：

agentverse-simulation --task my_classroom

四、核心定制能力

1. 1. 环境组件扩展
      AgentVerse 将环境拆分为 选择器（Selector）、更新器（Updater）、可见性（Visibility） 等模块，可通过继承基类自定义逻辑（如限制部分智能体可见消息）。
2. 2. 智能体类型扩展
      除内置的 ConversationAgent（对话）和 ToolAgent（工具使用），可继承 BaseAgent 类实现自定义智能体（如带反思能力的 ReflectionAgent）。
3. 3. 工具集成
      通过 BMTools 扩展智能体能力，例如在课堂场景中让学生使用 Bing 搜索 API 补充知识（示例：nlp_classroom_3players_withtool）。

五、参考资源

• • 官方示例：agentverse/tasks 目录下的 nlp_classroom、prisoner_dilema 等场景可作为模板。
• • 文档：GitHub 仓库 README 提供详细配置说明和 API 文档。
• • 论文：AgentVerse: Facilitating Multi-Agent Collaboration 了解框架设计理念。

通过以上步骤，可快速搭建并定制多智能体交互平台，适用于协作任务、模拟实验、游戏等多种场景。

https://github.com/OpenBMB/AgentVerse

六、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】