AgentChat

English · 更新日志

项目简介

agentchat 是一个前后端分离的智能体应用平台。你可以连接模型服务，为智能体绑定工具、Skill、MCP 和知识库，在会话中使用这些能力，也可以通过 Mars 发起搜索、研究和报告任务，查看执行过程与结果。

首次运行可以使用 SQLite、内存缓存、本地文件和 Chroma，无需额外部署 MySQL、Redis、MinIO 或 Milvus。需要外部数据库、缓存或对象存储时，再切换对应配置。

核心能力

模型服务和外部工具各自有配置要求。基础聊天可先配置一个对话模型；知识库需要可用的向量模型，部分工具还需要单独的 API Key。

本轮变化包括界面与品牌更新、会话改造、用户资源隔离、AG-UI、Token 统计、统一日志和 GitHub CI，完整记录见 更新日志。

目录

• 功能展示
• 快速开始
• 首次使用
• 高级配置
• 开发与测试
• 文档导航
• 许可证与支持

功能展示

探索任务演示

在探索页输入一个目标，查看任务执行过程与完整报告：

中国四大古都的影响力对比，给我做一份这四个城市的旅游攻略。

https://github.com/user-attachments/assets/640650f3-4134-452a-9d17-6f850dabe95f

从探索页发起任务，查看深度搜索、资料整理与报告生成的完整流程。演示视频经过剪辑，仅展示应用内容。

当前界面

数据看板

查看模型调用、Token 用量、七日趋势与最近活动。

模型服务

以六家厂商各一款模型展示名称、厂商图标及接口配置；show_model 与实际请求的模型标识分别管理。

智能体与能力管理

快速开始

1. 准备环境

• Git、Python 3.12、Node.js 22（与 CI 保持一致）。
• uv：用于创建 Python 虚拟环境及安装锁定依赖。
• 一个可用的模型 API Key、接口地址和模型标识。以下使用 DeepSeek Flash 的 deepseek-flash 作为示例。

以下从 main 主分支获取代码。在开始之前，确认终端中 uv --version 和 node --version 可执行。

2. 获取代码并安装后端依赖

git clone --branch main https://github.com/Shy2593666979/AgentChat.git
cd AgentChat/src/backend
uv sync --locked --python 3.12

3. 创建自己的配置

Windows PowerShell：

Copy-Item agentchat/config.simple.yaml agentchat/config.local.simple.yaml

Linux / macOS：

cp agentchat/config.simple.yaml agentchat/config.local.simple.yaml

编辑 src/backend/agentchat/config.local.simple.yaml 中的对话模型：

multi_models:
  chat_model:
    api_key: "填写你的 DeepSeek API Key"
    base_url: "https://api.deepseek.com"
    model_name: "deepseek-flash"

这里展示的是需要编辑的片段，文件中的其他设置保留。config.local*.yaml 已被 Git 忽略。DeepSeek 示例用于对话；知识库的向量和重排模型需要另行配置，不能直接复用 DeepSeek Key，见 模型配置说明。

4. 启动后端

仍在 src/backend 目录执行，并保持终端运行。

Windows PowerShell：

$env:AGENTCHAT_CONFIG = "agentchat/config.local.simple.yaml"
uv run --locked uvicorn agentchat.main:app --host 127.0.0.1 --port 7860

Linux / macOS：

export AGENTCHAT_CONFIG=agentchat/config.local.simple.yaml
uv run --locked uvicorn agentchat.main:app --host 127.0.0.1 --port 7860

打开 健康检查，应返回 {"status":"OK"}；接口文档位于 Swagger UI。这表示服务已启动，模型是否可调用还需要发送消息验证。

5. 启动前端

另开一个终端，从项目根目录执行：

cd src/frontend
npm ci
npm run dev -- --host 127.0.0.1 --port 8090 --strictPort

访问 http://127.0.0.1:8090。前端开发服务器通过 /api 代理访问本机 7860 端口的后端。

后端地址不同时，在 src/frontend/.env.local 中设置 VITE_API_BASE_URL=http://后端地址:端口，然后重启前端。后端端口、启动参数与本地文件的访问地址也应保持一致，详见 简易配置指南。

首次使用

1. 注册并登录：新账号会获得自己的默认智能体、工具、Skill 与 MCP 副本。知识库按需创建。
2. 确认模型：配置文件中的 chat_model 用于系统默认模型；在模型服务页添加的模型可供智能体选择。展示名称与实际调用标识分别填写，真实调用以服务商要求的标识为准。
3. 开始会话：选择一个智能体发送问题。同一会话可以切换智能体，话题标题会在后台生成，也可以手动修改。
4. 添加能力：在智能体编辑页绑定需要的工具、MCP、Skill 或知识库。MCP 出现在列表中不等于已绑定到当前智能体；调用第三方服务前确认其地址和凭据可用。
5. 使用资料与任务：需要检索资料时先上传到知识库并等待处理完成；需要搜索研究时可从探索页发起 Mars 任务。知识库依赖向量与重排模型，任务依赖实际选用的工具配置。
6. 查看用量：数据看板展示调用与 Token 统计；统计依据模型返回的 usage，服务商未返回用量时可能不完整。

高级配置

简易配置沿用完整 YAML 结构，省略的参数使用默认值。详细说明见 简易配置 和 后端文档。

配置加载优先级为：代码显式传入路径 → AGENTCHAT_CONFIG → agentchat/config.local.yaml → agentchat/config.yaml。config.local.simple.yaml 需要通过环境变量指定，修改后重启后端。

已有的 Docker 文件 使用 MySQL、Redis、MinIO 和前端开发服务器的组合，与上述轻量本地方案不同。容器部署需要单独核对容器地址、配置与持久化目录；本次文档更新没有完成这套容器方案的运行验证。

开发与测试

后端，在 src/backend 执行：

uv sync --locked --group dev
uv run --locked pytest tests -q

前端，在 src/frontend 执行：

npm ci
npm run lint
npm run build
node --test tests/mars-task.test.cjs

安装前端依赖后，后端测试还会校验 Python AG-UI 事件与前端解析器的配合。需要外部服务的手动脚本放在 src/backend/tests/manual，默认不收集。

GitHub CI 在推送 main、提交 PR 或手动触发时运行后端测试及前端类型检查、构建。它使用临时数据库和测试配置，无需真实模型密钥。npm run build 生成前端静态文件，不会自动部署应用。

文档导航

• 后端架构、接口与故障排查
• 简易配置与本地数据目录
• 灵活会话与异步标题
• 用户资源隔离
• 默认 Skill
• 默认 MCP · Parallel Search MCP
• AG-UI 流式协议
• 会话 Token 统计
• 日志格式与追踪
• 测试说明
• 更新日志

许可证与支持

本项目采用 MIT License。

🌟 感谢支持 AgentChat！

如果这个项目对你有帮助，请给我们一个 ⭐️

让更多的人发现这个项目，一起构建AI的未来！

Made with ❤ by the AgentChat Author MingGuang Tian