AEX - 动态智能体市场 (Agent Exchange MVP)

基于《Agent Exchange》论文的核心思想，将AI智能体从被动执行的"工具"转变为能够参与市场化选择的"经济参与者"。

项目概述

AEX实现了一个完整的核心工作流：

用户提交自然语言任务
系统通过市场选择机制自动挑选最合适的智能体团队
真实执行任务并返回结果

系统架构

核心组件

AEX/
├── main.py                 # 主程序入口
├── .env                   # 环境变量配置
├── hubs_config.json       # Hub配置文件
├── requirements.txt       # 依赖包
├── cache/                 # 缓存目录
│   ├── embeddings/        # 向量嵌入缓存
│   └── capabilities.json  # 能力配置缓存
└── src/
    ├── usp.py            # 用户端平台 (User-Side Platform)
    ├── aex.py            # 代理交换平台 (Agent Exchange)
    ├── agent_hub.py      # Agent Hub基类
    ├── embedding_service.py    # 向量嵌入服务
    ├── capability_mapper.py    # 智能能力映射器
    └── hubs/
        ├── content_creation_hub.py  # 内容创作团队
        ├── tech_analysis_hub.py     # 技术分析团队
        ├── test_hub.py              # 测试团队
        └── ...                      # 更多Hub（自动发现）

1. USP (User-Side Platform) - 用户端平台

文件: src/usp.py

功能:

提供CLI输入接口
任务关键词提取和能力映射
创建TaskRequest对象

核心类:

UserSidePlatform: 处理用户输入和任务解析
TaskRequest: 任务请求数据结构

智能能力映射:

动态能力发现: 自动从Hub类中提取能力和描述
语义搜索: 使用Jina嵌入模型进行语义理解
向量缓存: 自动缓存嵌入向量，提高响应速度
关键词备用: 语义搜索失败时自动回退到关键词匹配

工作原理:

系统启动时自动扫描src/hubs/目录下的所有Hub类
从每个Hub的description和get_capabilities()方法提取能力信息
动态构建能力描述库，用于语义搜索
用户输入任务时，使用语义搜索匹配最相关的能力

映射示例:

# 动态发现的能力（来自实际Hub）
"chemistry_simulation" -> "专注于计算化学模拟和文献挖掘，用于预测化学反应..."
"content_creation" -> "专注于信息研究和高质量内容撰写..."

# 语义搜索示例
"帮我分析市场趋势" -> ["research", "analysis"] (相似度: 0.85)
"写一份技术报告" -> ["writing", "report", "technical"] (相似度: 0.92)

2. AEX (Agent Exchange) - 代理交换平台

文件: src/aex.py

功能:

加载和管理Hub配置
实现Hub选择算法
协调整个工作流程

核心类:

AgentExchange: 核心控制器
HubInfo: Hub信息数据结构

选择算法:

# 计算匹配分数
base_score = 交集数量 / 所需能力数量
coverage_bonus = 交集数量 / Hub总能力数量 * 0.3
perfect_match_bonus = 0.2 (如果完全匹配)
final_score = base_score + coverage_bonus + perfect_match_bonus

3. Embedding Service - 向量嵌入服务

文件: src/embedding_service.py

功能:

使用Jina API生成文本向量嵌入
自动缓存向量，提高响应速度
计算余弦相似度进行语义匹配
支持批量处理和异常处理

4. Capability Mapper - 智能能力映射器

文件: src/capability_mapper.py

功能:

动态发现和加载所有Hub类
从Hub描述和能力列表构建能力库
使用语义搜索匹配任务需求
提供关键词匹配作为备用方案

5. Agent Hub - 智能体中心

文件: src/agent_hub.py, src/hubs/

基类: BaseAgentHub

定义Hub的抽象接口
提供通用的初始化和执行逻辑
处理错误和异常
支持自动发现和动态加载

具体实现:

ContentCreationHub (内容创作团队)

能力: research, writing, summary, analysis, report
成员: 研究员Agent + 作家Agent
模式: coordinate (协调执行)
工具: DuckDuckGoTools (网络搜索)

TechAnalysisHub (技术分析团队)

能力: coding, data_analysis, debugging, optimization, technical
成员: 代码分析师Agent + 技术顾问Agent
模式: collaborative (协作模式)

自动发现机制

系统启动时自动扫描src/hubs/目录
动态导入所有继承自BaseAgentHub的类
无需手动注册，添加新Hub文件即可自动识别

工作流程

graph TD
    A[用户输入任务] --> B[USP解析任务]
    B --> C[提取关键词]
    C --> D[映射到能力]
    D --> E[创建TaskRequest]
    E --> F[AEX加载Hub配置]
    F --> G[计算匹配分数]
    G --> H[选择最佳Hub]
    H --> I[实例化Hub]
    I --> J[执行任务]
    J --> K[返回结果]

配置文件

.env 环境变量

# OpenRouter API配置
OPENAI_API_KEY=sk-or-v1-xxx  # OpenRouter API Key
OPENAI_BASE_URL=https://openrouter.ai/api/v1
OPENAI_MODEL=moonshotai/kimi-k2:free

# Jina嵌入API配置
JINA_API_KEY=jina_xxx  # Jina API Key

# AEX配置
USE_SEMANTIC_SEARCH=true  # 启用语义搜索

hubs_config.json Hub配置

[
  {
    "hub_id": "content_creation_hub",
    "name": "内容创作团队", 
    "description": "专注于信息研究和高质量内容撰写",
    "capabilities": ["research", "writing", "summary", "analysis", "report"],
    "hub_class": "ContentCreationHub"
  }
]

安装和运行

1. 安装依赖

pip install -r requirements.txt

2. 配置环境变量

复制并编辑 .env 文件，填入您的API密钥。

3. 运行系统Collaborate

python main.py

使用示例

内容创作任务

输入: "请帮我调研一下2025年AI Agent技术的发展趋势，并生成一份总结报告"
匹配: ContentCreationHub (research + writing)
执行: 研究员搜集信息 → 作家撰写报告

技术分析任务

输入: "请分析这段Python代码的性能问题并提供优化建议"
匹配: TechAnalysisHub (coding + optimization)
执行: 代码分析师分析 → 技术顾问提供建议

扩展指南

添加新的Hub（推荐方式）

在 src/hubs/ 目录创建新的Python文件，如 my_new_hub.py
创建继承自 BaseAgentHub 的类：

from agno.agent import Agent
from agno.team import Team
from agno.models.openai import OpenAIChat
from ..agent_hub import BaseAgentHub

class MyNewHub(BaseAgentHub):
    def __init__(self):
        super().__init__(
            name="我的新团队",
            description="专注于特定领域的智能体团队，擅长XXX、YYY和ZZZ"
        )

    def get_capabilities(self) -> list:
        return ["capability1", "capability2", "capability3"]

    def setup_team(self) -> Team:
        # 创建Agent和Team
        # ...
        return team

在 hubs_config.json 中添加配置：

{
  "hub_id": "my_new_hub",
  "name": "我的新团队",
  "description": "专注于特定领域的智能体团队",
  "capabilities": ["capability1", "capability2", "capability3"],
  "hub_class": "MyNewHub"
}

重启系统，新Hub将自动被发现和加载

系统自动化特性

自动发现: 系统启动时自动扫描src/hubs/目录
动态能力: 从Hub的description和get_capabilities()自动提取能力
语义匹配: 无需手动维护关键词映射，系统自动进行语义匹配
即插即用: 添加新Hub文件后重启即可使用，无需修改核心代码

技术栈

Python 3.10+
Agno: AI智能体框架
OpenRouter: LLM API服务
Jina AI: 向量嵌入服务
NumPy: 数值计算和向量操作
Requests: HTTP请求库
Rich: 终端UI库
DuckDuckGo: 网络搜索工具

项目特点

模块化设计: 清晰的组件分离，易于扩展
智能语义搜索: 使用Jina嵌入模型进行语义理解
向量缓存: 自动缓存嵌入向量，提高响应速度
动态Hub发现: 自动扫描和加载新的Agent Hub
动态选择: 基于能力匹配的智能Hub选择
真实执行: 集成Agno框架，真实执行任务
用户友好: Rich库提供美观的CLI界面
可配置: JSON配置文件，易于管理Hub

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
.vscode		.vscode
cache/embeddings		cache/embeddings
src		src
tests		tests
.gitignore		.gitignore
README.md		README.md
hubs_config.json		hubs_config.json
main.py		main.py
内容团队运行截图.png		内容团队运行截图.png

Folders and files

Latest commit

History

Repository files navigation

AEX - 动态智能体市场 (Agent Exchange MVP)

项目概述

系统架构

核心组件

1. USP (User-Side Platform) - 用户端平台

2. AEX (Agent Exchange) - 代理交换平台

3. Embedding Service - 向量嵌入服务

4. Capability Mapper - 智能能力映射器

5. Agent Hub - 智能体中心

ContentCreationHub (内容创作团队)

TechAnalysisHub (技术分析团队)

自动发现机制

工作流程

配置文件

.env 环境变量

hubs_config.json Hub配置

安装和运行

1. 安装依赖

2. 配置环境变量

3. 运行系统Collaborate

使用示例

内容创作任务

技术分析任务

扩展指南

添加新的Hub（推荐方式）

系统自动化特性

技术栈

项目特点

未来规划

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages