“自我认知：最难的问题不是在有局限的情况下解决问题，而是发现自己的局限性” Twitter 关注 微信二维码 Discord 许可证: MIT DeepWiki

目录

  • 最新动态 — 项目最新更新与公告。
  • 简介 — 项目概述与目标。
  • 安装 — 步骤详尽的安装指南。
  • 快速开始 — 使用示例，快速上手。
  • 架构 — 多智能体系统设计解析。
  • 演示 — 项目实际运行演示。
  • 贡献 — 如何参与和贡献代码。
  • 许可证 — 项目授权信息。

最新动态

  • 🦤 [2025/07/07] AWorld 作为运行时现已准备好进行智能体训练。详情请参见自我改进部分。我们在 GAIA 测试中的得分已更新至 77.08。在演示部分了解如何构建 GAIA 运行时。
  • 🦩 [2025/06/19] GAIA 测试分数提升至 72.43，新增本地运行模式，详见 ./README-local.md。
  • 🐳 [2025/05/22] GAIA 评测、MCP 工具、AWorld 及模型现已集成于单一 Docker 镜像，详见 ./README-docker.md，演示视频。
  • 🥳 [2025/05/13] 浏览器场景状态管理升级，视频处理 MCP server 增强，GAIA 验证分数 77.58（Pass@1 = 61.8），继续保持开源框架第一。详见 GAIA 排行榜。
  • ✨ [2025/04/23] GAIA 基准测试排名第三（69.7 分），Pass@1 = 58.8，开源框架第一。可用 python examples/gaia/run.py 复现。

简介

AWorld（Agent World）是一个多智能体 playground，支持智能体协作与自我提升。该框架适用于产品原型验证、基础模型训练、多智能体系统（MAS）设计元学习等多种场景。

框架主要特性

1. 智能体构建2. 拓扑编排3. 环境支持
• ✅ 支持多种模型服务
• ✅ 集成 MCP 工具
• ✅ 支持自定义工具		• ✅ 封装模型与工具间协议
• ✅ 封装智能体间协议		• ✅ 运行时状态管理
• ✅ 状态追踪支持
• ✅ 分布式高并发训练环境

多样化运行时的自我演进

通过构建多样化的运行时环境（包含工具、智能体和模型），AWorld 旨在发现模型的局限性并推动智能向前发展。在这里，我们将记录我们的一些工作来证明我们方法的有效性。

类别运行时指标关键信息
工具使用函数调用运行时即将发布在 BFCL 基准测试中达到竞争性 SOTA 水平
智能体框架		数据集
模型
论文
博客
代码
深度搜索搜索运行时即将发布在 HotpotQA 基准测试中达到 SOTA 水平
Agent Framework		数据集
模型
论文
代码

GAIA 智能体运行时演示

GAIA 智能体运行时演示

这里我们首先介绍 GAIA 运行时，它可以在您的本地计算机上构建。它可以用于：

  • 产品原型验证
  • 自我改进训练（详情请参见训练流程）

按照 ./examples/gaia/README.md 中的说明来初始化 GAIA 智能体运行时并运行上面显示的演示。

想构建自己的多智能体系统？请参考下方详细教程！ ⬇️⬇️⬇️

安装

Python>=3.11:

git clone https://github.com/inclusionAI/AWorld
cd AWorld
python setup.py install

快速开始

快速指南：（1）创建你的第一个智能体；（2）为其配置 MCP 工具；（3）添加队友；（4）通过团队协作完成用户任务。

from aworld.config.conf import AgentConfig
from aworld.agents.llm_agent import Agent
from aworld.runner import Runners
from aworld.core.agent.swarm import Swarm

if __name__ == '__main__':
    agent_config = AgentConfig(
        llm_provider="openai",
        llm_model_name="gpt-4o",

        # 可通过环境变量或直接配置
        # llm_api_key="YOUR_API_KEY", 
        # llm_base_url="https://api.openai.com/v1"
    )

    # 在此注册 MCP 工具，或单独配置文件
    mcp_config = {
        "mcpServers": {
            "amap-amap-sse": {
                "type": "sse",
                "url": "https://mcp.amap.com/sse?key=YOUR_API_KEY",
                "timeout": 5,
                "sse_read_timeout": 300
            }
        }
    }

    # 创建配备 MCP 工具的智能体
    search = Agent(
        conf=agent_config,
        name="search_agent",
        system_prompt="You are a helpful agent.",
        mcp_servers=["amap-amap-sse"], # MCP server name for agent to use
        mcp_config=mcp_config
    )

    # 添加队友
    summary = Agent(
        conf=agent_config,
        name="summary_agent",
        system_prompt="You are a helpful summary agent."
    )

    # 团队协作，默认静态工作流
    swarm = Swarm(search, summary)

    # 运行智能体团队
    res = Runners.sync_run(input="Hotels within 1 kilometer of West Lake in Hangzhou",
                     swarm=swarm)
    print(res)

架构

AWorld 旨在实现两个核心目标：（1）高效的前向流程；（2）多样化的后向流程，包括基础模型训练和系统设计元学习等。

前向流程

运行时示意图，展示 Agent1 接收用户请求时的消息流转。

后向流程

训练时，AWorld 分布式环境下的动作-状态 rollout 示意。

演示

运行预定义智能体（如 演示代码）。下方为多种智能体配置和环境下的演示视频。

模式类型演示
单智能体浏览器场景AWorld Browser Demo on YouTube

▶️ YouTube 浏览器演示

手机场景AWorld Mobile Demo on YouTube

▶️ YouTube 手机演示

多智能体协作团队AWorld Travel Demo on YouTube

▶️ YouTube 旅行演

对抗团队AWorld Debate Demo on YouTube

▶️ YouTube 辩论演示

混合团队敬请期待 🚀

贡献

我们热忱欢迎开发者加入 AWorld 的建设！无论是完善框架、修复 bug 还是添加新特性，您的贡献都非常宝贵。如需学术引用或联系，请使用以下 BibTeX：

@software{aworld2025,
  author = {Agent Team at InclusionAI},
  title = {AWorld: Enabling Agent Self-Improvement through Interactive Experience with Dynamic Runtime},
  year = {2025},
  url = {https://github.com/inclusionAI/AWorld},
  version = {0.1.0},
  publisher = {GitHub},
  email = {chenyi.zcy at antgroup.com}
}

许可证

本项目采用 MIT 许可证，详见 LICENSE

Star 历史