AutoAgent — фреймворк для создания LLM-агентов без кода

AutoAgent — это полностью автоматизированный фреймворк с открытым исходным кодом, который позволяет создавать и разворачивать LLM-агентов исключительно на естественном языке. Никакого кода. Проект разработан исследователями из University of Hong Kong (HKUDS) и набрал более 9 500 звёзд на GitHub при 1 300 форках. Изначально назывался MetaChain, в феврале 2025 переименован в AutoAgent.

Ключевые возможности

• Создание агентов на естественном языке — вы описываете, какой агент нужен, а AutoAgent автоматически генерирует код, инструменты и воркфлоу через диалог.
• Zero-code — никакого программирования. Подходит для пользователей без технического бэкграунда: аналитиков, менеджеров, исследователей.
• Самоуправляемые воркфлоу — фреймворк динамически создаёт, оптимизирует и адаптирует цепочки агентов под высокоуровневое описание задачи, даже если пользователь не может детально описать реализацию.
• Self-play кастомизация — итеративное самоулучшение через контролируемую генерацию кода: AutoAgent может модифицировать собственный код для создания новых инструментов и агентов.
• Гибкость моделей — совместим с любыми LLM через Litellm: Claude, GPT-4o, Gemini, DeepSeek, Grok, Mistral, HuggingFace и десятками других, включая OpenRouter и OpenAI-совместимые эндпоинты.

Режимы работы

User Mode — Deep Research

Готовый мультиагентный ассистент для информационного поиска, комплексного анализа и генерации развёрнутых отчётов. Система состоит из трёх агентов, архитектура которых вдохновлена Magentic-one из Microsoft AutoGen. По производительности сопоставима с Deep Research от OpenAI, но работает на Claude 3.5 Sonnet, а не на значительно более дорогом o3.

Ключевые преимущества User Mode:

• Производительность уровня Deep Research без подписки за $200/мес
• Поддержка загрузки файлов для расширенного взаимодействия с данными
• Совместимость с любыми LLM: DeepSeek-R1, Grok, Gemini и другими
• Простой CLI-интерфейс

Запускается командой auto deep-research.

Agent Editor

Режим для создания одиночных агентов через диалог. Вы описываете нужного агента, а AutoAgent выполняет полный цикл:

1. Автоматическое профилирование — определение ролей, обязанностей и контекста агента
2. Создание необходимых инструментов под задачу
3. Генерация исполняемого кода агента

На каждом шаге можно уточнять детали и направлять процесс. После создания агента система предлагает либо испытать его на тестовой задаче, либо перейти к следующему шагу.

Workflow Editor

Режим для проектирования мультиагентных воркфлоу. Вы описываете желаемый процесс взаимодействия агентов, а AutoAgent:

1. Профилирует воркфлоу — определяет состав агентов и логику взаимодействия
2. Генерирует воркфлоу
3. Предлагает протестировать результат

Временное ограничение: создание новых инструментов в Workflow Editor пока не поддерживается — необходимо сперва создать их через Agent Editor.

Быстрый старт

git clone https://github.com/HKUDS/AutoAgent.git
cd AutoAgent
pip install -e .

Для работы требуется Docker — AutoAgent использует контейнеризацию для изолированной среды выполнения агентов. Образ подтягивается автоматически, вручную его скачивать не нужно.

Настройка API-ключей в .env:

GITHUB_AI_TOKEN=your_token

ANTHROPIC_API_KEY=your_key
OPENAI_API_KEY=your_key
DEEPSEEK_API_KEY=your_key
GEMINI_API_KEY=your_key
HUGGINGFACE_API_KEY=your_key
GROQ_API_KEY=your_key
XAI_API_KEY=your_key

Необязательно указывать все ключи — только те модели, которые планируете использовать.

Запуск:

# Полный режим (user mode + agent editor + workflow editor)
auto main

# Только Deep Research
auto deep-research

# С конкретной моделью
COMPLETION_MODEL=gpt-4o auto main
COMPLETION_MODEL=gemini/gemini-2.0-flash auto main
COMPLETION_MODEL=groq/deepseek-r1-distill-llama-70b auto main
COMPLETION_MODEL=deepseek/deepseek-chat auto main
COMPLETION_MODEL=openrouter/deepseek/deepseek-r1 auto main
COMPLETION_MODEL=openai/grok-2-latest API_BASE_URL=https://api.x.ai/v1 auto main

Поддержка LLM-провайдеров

Бенчмарки

AutoAgent показывает сильные результаты на GAIA Benchmark — одном из самых сложных тестов для оценки AI-агентов, требующем многошагового рассуждения, использования инструментов и работы с разнородными данными. Результаты представлены на публичном лидерборде.

Код для воспроизведения результатов:

# Инференс на GAIA
cd path/to/AutoAgent && sh evaluation/gaia/scripts/run_infer.sh

# Подсчёт метрик
python evaluation/gaia/get_score.py

Также поддерживается задача Agentic-RAG на датасете MultiHopRAG. Результаты сохраняются в evaluation/multihoprag/result.json.

Саморазвитие

Ключевая архитектурная особенность — AutoAgent может модифицировать собственный код. В режимах Agent Editor и Workflow Editor создаётся зеркало репозитория (git_clone=True), в котором фреймворк автоматически генерирует новые инструменты, агентов и воркфлоу. Это не просто кодогенерация, а настоящее саморазвитие: код пишет код, расширяя возможности самого фреймворка.

Для корректной работы механизма саморазвития необходимы параметры:

• git_clone=True — клонировать репозиторий в агентскую среду
• test_pull_name=autoagent_mirror — имя ветки для модификаций

Планы развития

• Поддержка SWE-bench, WebArena и других бенчмарков
• GUI-агенты (Computer Use)
• Интеграция с Composio
• Поддержка E2B-песочниц
• Веб-интерфейс

Технические детали

Архитектура AutoAgent вдохновлена OpenAI Swarm, трёхагентный дизайн User Mode использует идеи Magentic-one из Microsoft AutoGen. Проект написан на Python (99.8%), для документации авторы ориентировались на структуру OpenHands. Лицензия — MIT. 109 коммитов в основной ветке. Активное сообщество: Slack, Discord, WeChat и Feishu-группы.

Ссылки

• Репозиторий
• Документация
• Статья на arXiv
• Discord-сообщество