今天给大家安利一个开源框架- muAgent v2.0：KG引擎驱动的创新Agent框架。
由LLM和EKG（Eventic Knowledge Graph，行业知识载体）驱动的全新Agent框架，协同利用MultiAgent、FunctionCall、CodeInterpreter等。通过基于画布的拖放和简单的文本编写，大语言模型可以辅助您在人工指导下执行各种复杂的 SOP。
它兼容市场上现有的框架，可以实现四大核心差异化技术功能：复杂推理、在线协作、人机交互、知识点播。该框架已在蚂蚁集团内多个复杂的 DevOps 场景中得到验证。
经过对市面上的框架的深入分析，发现大多数的 Agent 框架整体耦合度较高，其易用性和可扩展性较差。在预设场景中实现特定场景，但想要进行场景扩展却困难重重。
因此，我们构建了一个可扩展、易于使用的 Multi-Agent 框架，以支持 ChatBot 在获取知识库信息的同时，能够辅助完成日常办公、数据分析、开发运维等各种通用任务。
本项目的 Mutli-Agent 框架汲取兼容了多个框架的优秀设计，比如 metaGPT 中的消息池（message pool）、autogen 中的代理选择器（agent selector）等。
项目地址：https://github.com/codefuse-ai/CodeFuse-muAgent/tree/main
Multi-Agent 框架，包括以下内容：
Agent Base：构建了四种基本的 Agent 类型 BaseAgent、ReactAgent、ExecutorAgent、SelectorAgent，支撑各种场景的基础活动 Communication：通过 Message 和 Parse Message 实体完成 Agent 间的信息传递，并与 Memory Manager 交互再 Memory Pool 完成记忆管理 Prompt Manager：通过 Role Handler、Doc/Tool Handler、Session Handler、Customized Handler，来自动化组装 Customized 的 Agent Prompt Memory Manager：用于支撑 chat history 的存储管理、信息压缩、记忆检索等管理，最后通过 Memory Pool 在数据库、本地、向量数据库中完成存储 Component：用于构建 Agent 的辅助生态组件，包括 Retrieval、Tool、Action、Sandbox 等 Customized Model：支持私有化的 LLM 和 Embedding 的接入
在 Agent 层面，提供四种基本的 Agent 类型，对这些 Agent 进行 Role 的基础设定，可满足多种通用场景的交互和使用。所有的 Action 都由 Agent 执行。
BaseAgent：提供基础问答、工具使用、代码执行的功能，根据 Prompt 格式实现 输入 => 输出
ReactAgent：提供标准 React 的功能，根据问题实现当前任务
ExecutorAgent：对任务清单进行顺序执行，根据 User 或 上一个 Agent 编排的计划，完成相关任务 Agent 接受到任务清单(List[task])，对这个任务清单 Task 进行循环执行（中间也可添加 Feedback Agent 来进行任务重新优化），直到任务完成
SelectorAgent：提供选择 Agent 的功能，根据 User 或 上一个 Agent 的问题选择合适的 Agent 来进行回答.
