Superagent BaseAI Agent 开发基座

                    ┌─────────────────────────┐
                    │     YAML Agent 定义      │
                    │  (configs/agents/*.yaml) │
                    └────────────┬────────────┘
                                 │ fsnotify 热加载
                                 ▼
┌──────────┐    HTTP SSE    ┌─────────────┐    OpenAI API    ┌───────────┐
│  Client  │ ──────────────▶│  Agent 引擎  │ ──────────────▶ │  LLM 模型  │
│(curl/Web)│ ◀──────────────│  (port 8888) │ ◀────────────── │(多模型路由) │
└──────────┘   A2UI 事件流   └──────┬──────┘                  └───────────┘
                                   │
                    ┌──────────────┼──────────────┬───────────────┐
                    ▼              ▼              ▼               ▼
              ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────────┐
              │  Memory   │  │  Tools   │  │  Skills  │  │  Evolution   │
              │(4 后端)   │  │(MCP/内置) │  │(3 来源)  │  │ (本地 MySQL) │
              └──────────┘  └──────────┘  └──────────┘  └──────────────┘

支持的 Agent 类型

类型	说明
`chat_model_agent`	标准对话 Agent，可挂载工具，Eino ReAct 自动调用
`deep_agent`	深度推理模式，支持多步规划
`agentloop`	自主循环，多轮迭代直到 `[DONE]` 或达到 max_turns
`supervisor`	多 Agent 协调者，通过 LLM 决策分发给 sub_agents
`sequential`	顺序执行 sub_agents，前一个输出作为下一个输入
`parallel`	并发执行所有 sub_agents，合并输出
`plan_execute`	先规划后执行的多 Agent 模式
`workflow`	DAG 图执行，拓扑排序 + 变量映射
`eino_graph`	原生 Eino Graph，VS Code 插件可视化编排后注册

内置 Agent 案例一览（14 个）

开箱即用的典型 AI Agent 模板，参考 cloudwego/eino-examples 官方案例设计，覆盖所有主流 Agent 架构模式。

基础能力 — 单 Agent 场景

`research-agent` — 通用研究助手

字段	值
类型	`chat_model_agent`
工具	无（纯对话）
场景	通用问答、信息整理、知识解释

yaml

spec:
  type: chat_model_agent
  system_prompt: "You are a helpful research assistant..."

`react-tools-agent` — ReAct 工具调用

字段	值
类型	`chat_model_agent` + 3 工具
工具	`builtin/web_search` + `builtin/http_request` + `builtin/code_execute`
场景	需要搜索、API 调用或代码执行的复杂任务
模式	Think → Act → Observe → Respond 循环

yaml

spec:
  type: chat_model_agent
  tools:
    - ref: builtin/web_search
    - ref: builtin/http_request
    - ref: builtin/code_execute

`rag-knowledge-agent` — RAG 知识问答

字段	值
类型	`chat_model_agent` + search
场景	基于文档检索回答问题，附带引用来源
特点	搜索 → 分析 → 综合 → 引用来源

yaml

spec:
  type: chat_model_agent
  system_prompt: |
    Answer based on retrieved documents. Always cite sources.
    Never fabricate information not found in documents.
  tools:
    - ref: builtin/web_search

`code-assistant` — 自主编程循环

字段	值
类型	`agentloop`（最多 15 轮）
工具	`builtin/code_execute` + `builtin/web_search`
场景	自主编码：分析需求 → 编写代码 → 执行验证 → 修复问题
完成信号	输出 `[DONE]` 终止循环

yaml

spec:
  type: agentloop
  max_turns: 15
  tools:
    - ref: builtin/code_execute
    - ref: builtin/web_search

`data-analyst` — 数据分析

字段	值
类型	`chat_model_agent` + code_execute
场景	统计分析、数据清洗、趋势识别
输出	Summary → Key Findings → Details → Recommendations

yaml

spec:
  type: chat_model_agent
  model:
    temperature: 0.1
  tools:
    - ref: builtin/code_execute
    - ref: builtin/http_request

多 Agent 编排 — 协作场景

`team-supervisor` — 团队 Supervisor

字段	值
类型	`supervisor`（最多 8 轮）
子 Agent	`research-agent` + `code-assistant` + `react-tools-agent`
场景	复杂任务自动分派给专业子 Agent 协作完成

yaml

spec:
  type: supervisor
  sub_agents:
    - ref: research-agent
      role: Research and factual questions
    - ref: code-assistant
      role: Code writing and debugging
    - ref: react-tools-agent
      role: Web search and API calls
  orchestration:
    mode: supervisor
    max_rounds: 8

`plan-execute-agent` — 先规划后执行

字段	值
类型	`plan_execute`（最多 10 轮）
子 Agent	`react-tools-agent` + `research-agent`
场景	制定 3-7 步计划 → 逐步执行 → 动态调整
特点	遇到新信息或阻塞时自动重新规划

yaml

spec:
  type: plan_execute
  sub_agents:
    - ref: react-tools-agent
    - ref: research-agent
  orchestration:
    mode: plan_execute
    max_rounds: 10

`parallel-analysis` — 并行多视角分析

字段	值
类型	`parallel`
子 Agent	`research-agent`（事实分析）+ `react-tools-agent`（技术分析）
场景	同时从多角度分析，综合得出结论

yaml

spec:
  type: parallel
  sub_agents:
    - ref: research-agent
      role: "Factual analysis — data and evidence"
    - ref: react-tools-agent
      role: "Technical analysis — feasibility and trade-offs"

`sequential-pipeline` — 顺序流水线

字段	值
类型	`workflow`（3 节点 DAG）
流程	翻译 → 润色 → 校对
场景	每步输出作为下一步输入的固定流程

yaml

spec:
  type: workflow
  workflow:
    nodes:
      - id: translate
        type: llm_call
        prompt: "Translate the text..."
      - id: polish
        type: llm_call
        prompt: "Polish the translation..."
      - id: proofread
        type: llm_call
        prompt: "Proofread for errors..."
    edges:
      - { from: START, to: translate }
      - { from: translate, to: polish }
      - { from: polish, to: proofread }
      - { from: proofread, to: END }

`research-workflow` — 研究报告流水线

字段	值
类型	`workflow`（3 节点 DAG）
流程	搜索 → 分析 → 格式化 Markdown 报告

人机协作 — 中断/审批场景

`approval-agent` — 安全确认

字段	值
类型	`chat_model_agent` + interrupt
场景	执行危险操作（删除、发送、支付）前暂停等待确认
恢复	`POST /api/v1/chat/resume` 传入确认结果

`approval-workflow` — 审批工作流

字段	值
类型	`chat_model_agent` + interrupt + tools
工具	`builtin/http_request` + `builtin/code_execute`
场景	完整审批门禁：识别敏感操作 → 暂停 → 确认/取消 → 执行/放弃
超时	600 秒未确认自动过期

yaml

spec:
  type: chat_model_agent
  tools:
    - ref: builtin/http_request
    - ref: builtin/code_execute
  interrupt:
    enabled: true
    checkpoint_backend: memory
    timeout_seconds: 600

`feedback-writer` — 迭代写作

字段	值
类型	`agentloop`（最多 8 轮）
场景	生成内容 → 等待用户反馈 → 根据反馈修改 → 循环直到满意
输出	每次修改说明变更原因和保留原因

yaml

spec:
  type: agentloop
  model:
    temperature: 0.7
  max_turns: 8

所有 Agent 定义在 backend/configs/agents/*.yaml，支持 fsnotify 热加载，修改后无需重启即生效。

快速体验

bash

# 1. 克隆项目
git clone https://github.com/Colin4k1024/superagent-base.git && cd superagent-base

# 2. 配置模型（编辑 backend/.env 填入你的 LLM 地址和 Key）
cp .env.example backend/.env

# 3. 启动（MySQL + Redis + Backend）
make dev

# 4. 对话
curl -N -X POST http://localhost:8888/api/v1/chat/stream \
  -H "Content-Type: application/json" \
  -d '{"agent_id":"research-agent","session_id":"s1","message":"hello"}'

技术栈

层	选型
HTTP 框架	Hertz (CloudWeGo)
LLM SDK	Eino (CloudWeGo)
模型提供商	OpenAI / Claude / Gemini / DeepSeek / Ark / Ollama / Qwen
ORM	GORM + MySQL 8.x
缓存	Redis 7
可观测性	OpenTelemetry + Prometheus + Grafana
前端	React 18 + TypeScript + Vite 5 + Tailwind 3.4
部署	Docker Compose / Kubernetes Helm

Superagent BaseAI Agent 开发基座

14 个内置 Agent 开箱即用

YAML 声明式

多 Agent 编排

Agent Loop 自主循环

Workflow DAG 引擎

模型路由

SkillHub + skills.sh 生态

MCP 双向集成

智能记忆

Tool 中间件链

A2UI 协议

经验自进化

中断与恢复

全栈可观测性

完整 Platform API（v2）

RBAC 权限控制

企业级 Chat UI

Web UI + CLI

一分钟看懂核心流程 ​

支持的 Agent 类型 ​

内置 Agent 案例一览（14 个） ​

基础能力 — 单 Agent 场景 ​

research-agent — 通用研究助手 ​

react-tools-agent — ReAct 工具调用 ​

rag-knowledge-agent — RAG 知识问答 ​

code-assistant — 自主编程循环 ​

data-analyst — 数据分析 ​

多 Agent 编排 — 协作场景 ​

team-supervisor — 团队 Supervisor ​

plan-execute-agent — 先规划后执行 ​

parallel-analysis — 并行多视角分析 ​

sequential-pipeline — 顺序流水线 ​

research-workflow — 研究报告流水线 ​

人机协作 — 中断/审批场景 ​

approval-agent — 安全确认 ​

approval-workflow — 审批工作流 ​

feedback-writer — 迭代写作 ​

快速体验 ​

技术栈 ​

一分钟看懂核心流程

支持的 Agent 类型

内置 Agent 案例一览（14 个）

基础能力 — 单 Agent 场景

`research-agent` — 通用研究助手

`react-tools-agent` — ReAct 工具调用

`rag-knowledge-agent` — RAG 知识问答

`code-assistant` — 自主编程循环

`data-analyst` — 数据分析

多 Agent 编排 — 协作场景

`team-supervisor` — 团队 Supervisor

`plan-execute-agent` — 先规划后执行

`parallel-analysis` — 并行多视角分析

`sequential-pipeline` — 顺序流水线

`research-workflow` — 研究报告流水线

人机协作 — 中断/审批场景

`approval-agent` — 安全确认

`approval-workflow` — 审批工作流

`feedback-writer` — 迭代写作

快速体验

技术栈