用3条命令创建LLM智能体AutoAgent零代码上手教程【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgentAutoAgent 是一个全自动化、零代码的 LLM大语言模型智能体框架你用自然语言描述需求它就能自己生成工具、智能体Agent和工作流并完成部署。本教程面向刚听说这个项目、想快速上手的开发者与普通用户装好依赖、填好密钥十分钟就能启动你的第一个智能体。全文按「认识框架 → 安装配置 → 启动选模式 → 跑通两个场景 → 进阶设置 → 避坑」的顺序展开照着做即可。AutoAgent能做什么三种零代码搭建入口这一节帮你判断这个项目值不值得你花时间以及它到底能替你干什么。AutoAgent 和其他智能体框架最大的区别是搭建过程本身不用写代码。你用对话描述需求框架会分析任务、自动生成所需工具、产出配置再组装成可运行的智能体系统。它内置了三条主要入口user mode用户模式开箱即用的多智能体深度研究系统能信息检索、数据分析并生成完整报告还兼容文件上传agent editor智能体编辑器通过对话养成一个自定义智能体包括为它现场造工具workflow editor工作流编辑器用一句话生成多步骤工作流把多个智能体串起来注意此模式暂不支持创建新工具另外它的底层支持多种主流 LLM并自带基于向量数据库的 RAG检索增强生成能力源码里对应的记忆模块在 autoagent/memory/ 目录。下一步确认你手头有 Python 3.10 和 Docker智能体的运行环境是容器化的就可以进入安装环节了。3条命令安装AutoAgent并配置API密钥这一节给你一条最短安装路径克隆、装依赖、建密钥文件全部敲完不超过一分钟。前提条件很简单Python ≥ 3.10见 setup.cfg 中的python_requiresDocker可不手动拉镜像框架会根据你的机器架构自动拉取预构建镜像安装只需三条命令git clone https://gitcode.com/GitHub_Trending/au/AutoAgent cd AutoAgent pip install -e .然后照着仓库里的 .env.template 创建你自己的.env文件cp .env.template .env打开.env填入密钥。GITHUB_AI_TOKEN是必填项其余模型密钥按需填写即可常用的比如OPENAI_API_KEY、ANTHROPIC_API_KEY、DEEPSEEK_API_KEY、GEMINI_API_KEY不用全部填。密钥填好就可以启动了。下一节讲启动后如何在三种模式间选择。一行命令启动AutoAgent起始页三种模式怎么选这一节带你把 AutoAgent 跑起来并看懂起始页上每个选项对应什么能力。 在仓库根目录执行auto mainauto main会启动完整功能user mode agent editor workflow editor如果你只需要深度研究能力也可以跑轻量的auto deep-research只进入 user mode。模型通过环境变量COMPLETION_MODEL指定命名遵循 Litellm 的规范默认使用claude-3-5-sonnet-20241022即 Claude 3.5 Sonnet。想换模型时把模型名写在命令前面即可COMPLETION_MODELgpt-4o auto main启动成功后你会看到这样的起始页用方向键和回车在模式间选择三种模式的定位对比模式适合谁核心能力是否造工具user mode要深度研究报告的人开箱即用的多智能体研究系统否直接使用内置系统agent editor要单个定制智能体的人对话式生成智能体工具支持workflow editor要多步骤流程的人对话式生成智能体工作流暂不支持先别急着进编辑器。建议先用 user mode 跑一个真实问题感受这套多智能体系统的输出质量。user mode走一遍深度研究任务从头到尾这一节用一个提问 → 等待 → 拿报告的完整流程让你看到 user mode 的实际效果。进入 user mode 后流程大致是在输入框直接描述研究问题例如「分析 XX 领域的现状与趋势并给出报告」需要时先上传本地文件如论文 PDF、数据表系统会把文件信息一并交给智能体系统自动分工检索信息、阅读资料、分析汇总最后输出结构化报告你可以在输入时用加智能体名字手动指定由哪个智能体来接手任务不指定则由系统分诊智能体自动派单。两点使用建议问题描述越具体报告越聚焦可以明确要现状、对比、结论这样的结构研究类任务耗时较长期间它会调用浏览器和文件环境耐心等待即可跑完第一个研究任务后你就可以体验 AutoAgent 最有意思的部分了——用一句话造一个属于自己的智能体。agent editor一句话创建自定义智能体这一节演示 AutoAgent 的招牌能力不写一行代码通过六步对话生成一个可用的新智能体。选择 agent editor 后交互按固定节奏推进步骤你做什么系统做什么1用自然语言描述要什么智能体—2—自动分析智能体画像3—输出智能体配置文件4确认/调整创建该智能体所需的工具5可选给出一个测试任务—6—生成智能体并进入下一步第四步是它的亮点如果智能体需要调用某个 API 或处理某类数据框架会现场写代码造出对应工具而不是让你在配置文件里手动挂载。如果你的需求是多个智能体按固定流程协作则选 workflow editor流程同样是「需求 → 自动分析 → 输出工作流配置 → 测试任务可选→ 生成」只是少了工具创建环节。造完智能体想让它访问更多网站、或用第三方工具平台下一节的进阶设置正是为此准备的。进阶设置换模型、导入浏览器Cookie、接第三方工具这一节覆盖三类常见进阶需求都能让智能体的能力边界明显扩大。1. 更换模型提供商除COMPLETION_MODEL外配合API_BASE_URL可以指向 OpenAI 兼容的任意端点。模型名怎么写、各提供商如何配置详见 docs/docs/ 下的文档目录。2. 导入浏览器 Cookie有些网站需要登录态智能体才能顺利访问。做法是在 Chrome 里用「Export cookie JSON file for Puppeteer」扩展导出目标网站的 cookie存入 autoagent/environment/cookie_json/ 目录再执行转换脚本python autoagent/environment/browser_cookies.py3. 接入第三方工具平台如果你想让 agent editor 从 RapidAPI 等平台创建工具先订阅对应工具然后在仓库根目录运行python process_tool_docs.py把平台 API 密钥加入即可。另外框架还规划了 SWE-bench、WebArena 等更多基准评测、GUI 计算机操作智能体、Composio 平台集成和 Web 界面可持续关注 Communication.md 了解社区渠道。配置到这一步你已经具备了日常使用 AutoAgent 的全部要素。最后把容易卡住的点集中过一遍。遇到问题怎么办常见坑位与求助路径这一节帮你把大部分报错自助解决掉不用再到处搜帖子。启动卡在拉镜像确认 Docker 已安装且在运行镜像由框架按架构自动拉取首次较慢属正常模型调用报错优先检查.env密钥是否填对、COMPLETION_MODEL名称是否与提供商匹配须遵循 Litellm 命名editor 模式异常该模式需要在容器内克隆一份仓库镜像来自动更新自身由git_clone、test_pull_name参数控制默认开启确保网络可用想查运行细节设置DEBUGtrue开调试模式日志会写到casestudy_results/logs/目录代码层面想深挖智能体实现在 autoagent/agents/工具实现在 autoagent/tools/环境层在 autoagent/environment/遇到问题也可以直接提 issue或从 Communication.md 找到社区群入口交流。到这里从安装到自定义智能体的完整路径你已经走通了——去用一句话描述你真正想要的智能体让它自己长出来吧。【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/17 15:43:53 · 阅读 1.2k 用3条命令创建LLM智能体：AutoAgent零代码上手教程
用3条命令创建LLM智能体AutoAgent零代码上手教程【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgentAutoAgent 是一个全自动化、零代码的 LLM大语言模型智能体框架你用自然语言描述需求它就能自己生成工具、智能体Agent和工作流并完成部署。本教程面向刚听说这个项目、想快速上手的开发者与普通用户装好依赖、填好密钥十分钟就能启动你的第一个智能体。全文按「认识框架 → 安装配置 → 启动选模式 → 跑通两个场景 → 进阶设置 → 避坑」的顺序展开照着做即可。AutoAgent能做什么三种零代码搭建入口这一节帮你判断这个项目值不值得你花时间以及它到底能替你干什么。AutoAgent 和其他智能体框架最大的区别是搭建过程本身不用写代码。你用对话描述需求框架会分析任务、自动生成所需工具、产出配置再组装成可运行的智能体系统。它内置了三条主要入口user mode用户模式开箱即用的多智能体深度研究系统能信息检索、数据分析并生成完整报告还兼容文件上传agent editor智能体编辑器通过对话养成一个自定义智能体包括为它现场造工具workflow editor工作流编辑器用一句话生成多步骤工作流把多个智能体串起来注意此模式暂不支持创建新工具另外它的底层支持多种主流 LLM并自带基于向量数据库的 RAG检索增强生成能力源码里对应的记忆模块在 autoagent/memory/ 目录。下一步确认你手头有 Python 3.10 和 Docker智能体的运行环境是容器化的就可以进入安装环节了。3条命令安装AutoAgent并配置API密钥这一节给你一条最短安装路径克隆、装依赖、建密钥文件全部敲完不超过一分钟。前提条件很简单Python ≥ 3.10见 setup.cfg 中的python_requiresDocker可不手动拉镜像框架会根据你的机器架构自动拉取预构建镜像安装只需三条命令git clone https://gitcode.com/GitHub_Trending/au/AutoAgent cd AutoAgent pip install -e .然后照着仓库里的 .env.template 创建你自己的.env文件cp .env.template .env打开.env填入密钥。GITHUB_AI_TOKEN是必填项其余模型密钥按需填写即可常用的比如OPENAI_API_KEY、ANTHROPIC_API_KEY、DEEPSEEK_API_KEY、GEMINI_API_KEY不用全部填。密钥填好就可以启动了。下一节讲启动后如何在三种模式间选择。一行命令启动AutoAgent起始页三种模式怎么选这一节带你把 AutoAgent 跑起来并看懂起始页上每个选项对应什么能力。 在仓库根目录执行auto mainauto main会启动完整功能user mode agent editor workflow editor如果你只需要深度研究能力也可以跑轻量的auto deep-research只进入 user mode。模型通过环境变量COMPLETION_MODEL指定命名遵循 Litellm 的规范默认使用claude-3-5-sonnet-20241022即 Claude 3.5 Sonnet。想换模型时把模型名写在命令前面即可COMPLETION_MODELgpt-4o auto main启动成功后你会看到这样的起始页用方向键和回车在模式间选择三种模式的定位对比模式适合谁核心能力是否造工具user mode要深度研究报告的人开箱即用的多智能体研究系统否直接使用内置系统agent editor要单个定制智能体的人对话式生成智能体工具支持workflow editor要多步骤流程的人对话式生成智能体工作流暂不支持先别急着进编辑器。建议先用 user mode 跑一个真实问题感受这套多智能体系统的输出质量。user mode走一遍深度研究任务从头到尾这一节用一个提问 → 等待 → 拿报告的完整流程让你看到 user mode 的实际效果。进入 user mode 后流程大致是在输入框直接描述研究问题例如「分析 XX 领域的现状与趋势并给出报告」需要时先上传本地文件如论文 PDF、数据表系统会把文件信息一并交给智能体系统自动分工检索信息、阅读资料、分析汇总最后输出结构化报告你可以在输入时用加智能体名字手动指定由哪个智能体来接手任务不指定则由系统分诊智能体自动派单。两点使用建议问题描述越具体报告越聚焦可以明确要现状、对比、结论这样的结构研究类任务耗时较长期间它会调用浏览器和文件环境耐心等待即可跑完第一个研究任务后你就可以体验 AutoAgent 最有意思的部分了——用一句话造一个属于自己的智能体。agent editor一句话创建自定义智能体这一节演示 AutoAgent 的招牌能力不写一行代码通过六步对话生成一个可用的新智能体。选择 agent editor 后交互按固定节奏推进步骤你做什么系统做什么1用自然语言描述要什么智能体—2—自动分析智能体画像3—输出智能体配置文件4确认/调整创建该智能体所需的工具5可选给出一个测试任务—6—生成智能体并进入下一步第四步是它的亮点如果智能体需要调用某个 API 或处理某类数据框架会现场写代码造出对应工具而不是让你在配置文件里手动挂载。如果你的需求是多个智能体按固定流程协作则选 workflow editor流程同样是「需求 → 自动分析 → 输出工作流配置 → 测试任务可选→ 生成」只是少了工具创建环节。造完智能体想让它访问更多网站、或用第三方工具平台下一节的进阶设置正是为此准备的。进阶设置换模型、导入浏览器Cookie、接第三方工具这一节覆盖三类常见进阶需求都能让智能体的能力边界明显扩大。1. 更换模型提供商除COMPLETION_MODEL外配合API_BASE_URL可以指向 OpenAI 兼容的任意端点。模型名怎么写、各提供商如何配置详见 docs/docs/ 下的文档目录。2. 导入浏览器 Cookie有些网站需要登录态智能体才能顺利访问。做法是在 Chrome 里用「Export cookie JSON file for Puppeteer」扩展导出目标网站的 cookie存入 autoagent/environment/cookie_json/ 目录再执行转换脚本python autoagent/environment/browser_cookies.py3. 接入第三方工具平台如果你想让 agent editor 从 RapidAPI 等平台创建工具先订阅对应工具然后在仓库根目录运行python process_tool_docs.py把平台 API 密钥加入即可。另外框架还规划了 SWE-bench、WebArena 等更多基准评测、GUI 计算机操作智能体、Composio 平台集成和 Web 界面可持续关注 Communication.md 了解社区渠道。配置到这一步你已经具备了日常使用 AutoAgent 的全部要素。最后把容易卡住的点集中过一遍。遇到问题怎么办常见坑位与求助路径这一节帮你把大部分报错自助解决掉不用再到处搜帖子。启动卡在拉镜像确认 Docker 已安装且在运行镜像由框架按架构自动拉取首次较慢属正常模型调用报错优先检查.env密钥是否填对、COMPLETION_MODEL名称是否与提供商匹配须遵循 Litellm 命名editor 模式异常该模式需要在容器内克隆一份仓库镜像来自动更新自身由git_clone、test_pull_name参数控制默认开启确保网络可用想查运行细节设置DEBUGtrue开调试模式日志会写到casestudy_results/logs/目录代码层面想深挖智能体实现在 autoagent/agents/工具实现在 autoagent/tools/环境层在 autoagent/environment/遇到问题也可以直接提 issue或从 Communication.md 找到社区群入口交流。到这里从安装到自定义智能体的完整路径你已经走通了——去用一句话描述你真正想要的智能体让它自己长出来吧。【免费下载链接】AutoAgentAutoAgent: Fully-Automated and Zero-Code LLM Agent Framework项目地址: https://gitcode.com/GitHub_Trending/au/AutoAgent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考