awesome-llm-apps 项目分析

本仓库地址：Shubhamsaboo/awesome-llm-apps

概述

awesome-llm-apps 是一个开源的 AI 应用模板集合，汇集了 100+ 个可直接运行、 面向生产落地的 LLM Agent、Multi-Agent、RAG、Agentic UI、语音 Agent、MCP 工具等实战案例。 每个模板都旨在用最少的代码展示一种架构或解决一类业务问题，便于开发者快速复制、 学习并改造为自己的产品。

• 案例总数：194
• 分类数：22
• 分析维度：案例介绍、技术栈、入口文件、使用方式、改造建议、注意事项
• 新增内容：
  • 项目全貌统计表格（分类、技术栈、框架、模型、入口类型、能力覆盖、技术矩阵、难度分布）
  • 选案例决策指南（按场景、按技术栈、决策流程图、能力标签、学习路线）

30 秒定位指南

如果你…	直接跳到
想看数据概览	项目全貌统计
不知道选哪个案例	选案例决策指南
已有明确业务场景	按业务场景选案例
已确定技术栈	按技术栈选型地图
想学完整体系	推荐学习路线
想逐类细看	下方 22 个分类详解

目录

1. 30 秒定位指南
2. 项目全貌统计
3. 选案例决策指南
4. Agent Skills（Agent 技能包（可复用 Skill））
5. Starter AI Agents（入门 AI Agent）
6. Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）
7. Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）
8. Autonomous Game-Playing Agents（自主游戏 Agent）
9. Advanced LLM Apps / Esoteric & Local LLM（高级 LLM 应用 / 小众与本地模型）
10. Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）
11. Advanced LLM Apps / Cursor AI Experiments（高级 LLM 应用 / Cursor AI 实验）
12. Advanced LLM Apps / Advanced Patterns（高级 LLM 应用 / 高级模式）
13. Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）
14. Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）
15. Advanced LLM Apps / Optimization Tools（高级 LLM 应用 / 优化工具）
16. Advanced LLM Apps / Multimodal（高级 LLM 应用 / 多模态）
17. Advanced LLM Apps / Productivity（高级 LLM 应用 / 生产力工具）
18. Advanced LLM Apps / Local LLM Desktop（高级 LLM 应用 / 本地 LLM 桌面端）
19. Voice AI Agents（语音 AI Agent）
20. Always-on Agents（常驻后台 Agent）
21. Generative UI Agents（生成式 UI Agent）
22. MCP AI Agents（MCP AI Agent）
23. RAG Tutorials（RAG 教程）
24. AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）
25. AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）
26. 附录：如何高效使用本仓库

项目全貌统计

以下表格从分类、技术栈、框架、模型、入口类型等维度对仓库进行量化， 帮助你快速判断项目覆盖范围与技术偏好。

表 1：分类分布

序号	分类（中文翻译）	案例数	占比
1	Agent Skills（Agent 技能包（可复用 Skill））	4	2.1%
2	Starter AI Agents（入门 AI Agent）	16	8.2%
3	Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）	31	16.0%
4	Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）	18	9.3%
5	Autonomous Game-Playing Agents（自主游戏 Agent）	3	1.5%
6	Advanced LLM Apps / Esoteric & Local LLM（高级 LLM 应用 / 小众与本地模型）	1	0.5%
7	Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）	7	3.6%
8	Advanced LLM Apps / Cursor AI Experiments（高级 LLM 应用 / Cursor AI 实验）	2	1.0%
9	Advanced LLM Apps / Advanced Patterns（高级 LLM 应用 / 高级模式）	1	0.5%
10	Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）	6	3.1%
11	Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）	2	1.0%
12	Advanced LLM Apps / Optimization Tools（高级 LLM 应用 / 优化工具）	3	1.5%
13	Advanced LLM Apps / Multimodal（高级 LLM 应用 / 多模态）	1	0.5%
14	Advanced LLM Apps / Productivity（高级 LLM 应用 / 生产力工具）	1	0.5%
15	Advanced LLM Apps / Local LLM Desktop（高级 LLM 应用 / 本地 LLM 桌面端）	1	0.5%
16	Voice AI Agents（语音 AI Agent）	4	2.1%
17	Always-on Agents（常驻后台 Agent）	1	0.5%
18	Generative UI Agents（生成式 UI Agent）	7	3.6%
19	MCP AI Agents（MCP AI Agent）	6	3.1%
20	RAG Tutorials（RAG 教程）	23	11.9%
21	AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）	25	12.9%
22	AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）	31	16.0%
合计	-	194	100%

表 2：热门技术栈 Top 30

排名	技术	出现次数	占比
1	Python	114	58.8%
2	Streamlit	112	57.7%
3	OpenAI	108	55.7%
4	Google Gemini	63	32.5%
5	JavaScript/TypeScript	57	29.4%
6	Agno	49	25.3%
7	Google ADK	40	20.6%
8	OpenAI Agents SDK	36	18.6%
9	Qdrant	18	9.3%
10	Anthropic Claude	15	7.7%
11	Ollama	15	7.7%
12	Pydantic	15	7.7%
13	React	13	6.7%
14	FastAPI	13	6.7%
15	MCP	13	6.7%
16	Firecrawl	13	6.7%
17	DuckDuckGo	13	6.7%
18	LangChain	12	6.2%
19	Next.js	11	5.7%
20	SQLite	9	4.6%
21	CopilotKit	8	4.1%
22	LangGraph	7	3.6%
23	Mem0	7	3.6%
24	AG-UI	7	3.6%
25	Tavily	5	2.6%
26	AutoGen / AG2	4	2.1%
27	Chroma	4	2.1%
28	PostgreSQL	4	2.1%
29	Playwright	4	2.1%
30	CrewAI	2	1.0%

表 3：Agent / LLM 框架分布

排名	框架	出现次数	占比
1	OpenAI SDK (raw)	108	55.7%
2	Agno	49	25.3%
3	Google ADK	40	20.6%
4	OpenAI Agents SDK	36	18.6%
5	LangChain	12	6.2%
6	Anthropic SDK	11	5.7%
7	CopilotKit	8	4.1%
8	LangGraph	7	3.6%
9	AutoGen / AG2	4	2.1%
10	Vercel AI SDK	3	1.5%
11	CrewAI	2	1.0%
12	SKILL.md / Agent Skill	2	1.0%
13	Agency Swarm	1	0.5%

表 4：模型 / 模型系列分布

排名	模型	出现次数	占比
1	GPT-4o / OpenAI	108	55.7%
2	Gemini	54	27.8%
3	Llama	24	12.4%
4	Ollama / Local	15	7.7%
5	Claude	13	6.7%
6	DeepSeek	6	3.1%
7	Together AI	5	2.6%
8	Qwen	4	2.1%
9	LM Studio / Local	2	1.0%
10	Grok	1	0.5%
11	Mixtral	1	0.5%

表 5：入口文件类型分布

类型	数量	占比
Agent 脚本 (agent.py)	100	51.5%
其他 / 未明确	67	34.5%
Streamlit UI (app.py)	30	15.5%
主程序 (main.py)	10	5.2%
Agent Skill (SKILL.md)	1	0.5%
YAML 配置	1	0.5%

表 6：核心能力覆盖

能力	案例数	占比	说明
RAG / 检索增强	31	16.0%	向量检索、Embedding、知识库问答等
语音 / Voice	9	4.6%	TTS、Realtime、语音助手等
MCP 工具集成	15	7.7%	通过 MCP 连接外部工具/数据源
多 Agent 编排	36	18.6%	Multi-Agent、Orchestration、Handoff 等

表 7：分类 × 主流技术矩阵

分类	主流技术（Top 3）
Agent Skills（Agent 技能包（可复用 Skill））	Python (3), Google Gemini (2), JavaScript/TypeScript (1)
Starter AI Agents（入门 AI Agent）	Streamlit (14), Agno (11), OpenAI (9)
Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）	Streamlit (20), OpenAI (20), Agno (17)
Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）	Python (18), Streamlit (13), OpenAI (10)
Autonomous Game-Playing Agents（自主游戏 Agent）	Python (3), Streamlit (3), OpenAI (3)
Advanced LLM Apps / Esoteric & Local LLM（高级 LLM 应用 / 小众与本地模型）	Python (1), Streamlit (1), LangChain (1)
Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）	OpenAI (7), Python (6), Streamlit (6)
Advanced LLM Apps / Cursor AI Experiments（高级 LLM 应用 / Cursor AI 实验）	Python (2), Streamlit (2), OpenAI (2)
Advanced LLM Apps / Advanced Patterns（高级 LLM 应用 / 高级模式）	Python (1), Streamlit (1)
Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）	Python (6), Streamlit (6), OpenAI (5)
Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）	Python (2), JavaScript/TypeScript (2), Unsloth (2)
Advanced LLM Apps / Optimization Tools（高级 LLM 应用 / 优化工具）	Python (2), OpenAI (2), Anthropic Claude (2)
Advanced LLM Apps / Multimodal（高级 LLM 应用 / 多模态）	Python (1), JavaScript/TypeScript (1), Next.js (1)
Advanced LLM Apps / Productivity（高级 LLM 应用 / 生产力工具）	Python (1), JavaScript/TypeScript (1), Streamlit (1)
Advanced LLM Apps / Local LLM Desktop（高级 LLM 应用 / 本地 LLM 桌面端）	JavaScript/TypeScript (1), Ollama (1)
Voice AI Agents（语音 AI Agent）	JavaScript/TypeScript (4), Streamlit (3), OpenAI Agents SDK (3)
Always-on Agents（常驻后台 Agent）	FastAPI (1), Google ADK (1), Google Gemini (1)
Generative UI Agents（生成式 UI Agent）	JavaScript/TypeScript (7), React (7), CopilotKit (7)
MCP AI Agents（MCP AI Agent）	MCP (6), OpenAI (5), Streamlit (4)
RAG Tutorials（RAG 教程）	Streamlit (20), Agno (9), Qdrant (9)
AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）	Google ADK (25), Google Gemini (25), Python (24)
AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）	Python (31), JavaScript/TypeScript (31), OpenAI Agents SDK (31)

表 8：分类难度与学习曲线

分类	难度	适合人群
Agent Skills（Agent 技能包（可复用 Skill））	中 / 面向工具化	中级开发者 / 业务落地
Starter AI Agents（入门 AI Agent）	入门	初学者 / 快速上手
Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）	高	有经验的开发者 / 研究型
Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）	高	有经验的开发者 / 研究型
Autonomous Game-Playing Agents（自主游戏 Agent）	高	有经验的开发者 / 研究型
Advanced LLM Apps / Esoteric & Local LLM（高级 LLM 应用 / 小众与本地模型）	中高	有经验的开发者 / 研究型
Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）	中	中级开发者 / 业务落地
Advanced LLM Apps / Cursor AI Experiments（高级 LLM 应用 / Cursor AI 实验）	中	中级开发者 / 业务落地
Advanced LLM Apps / Advanced Patterns（高级 LLM 应用 / 高级模式）	高	有经验的开发者 / 研究型
Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）	中高	有经验的开发者 / 研究型
Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）	高	有经验的开发者 / 研究型
Advanced LLM Apps / Optimization Tools（高级 LLM 应用 / 优化工具）	中高	有经验的开发者 / 研究型
Advanced LLM Apps / Multimodal（高级 LLM 应用 / 多模态）	中高	有经验的开发者 / 研究型
Advanced LLM Apps / Productivity（高级 LLM 应用 / 生产力工具）	中	中级开发者 / 业务落地
Advanced LLM Apps / Local LLM Desktop（高级 LLM 应用 / 本地 LLM 桌面端）	中	中级开发者 / 业务落地
Voice AI Agents（语音 AI Agent）	中高	有经验的开发者 / 研究型
Always-on Agents（常驻后台 Agent）	高	有经验的开发者 / 研究型
Generative UI Agents（生成式 UI Agent）	中高	有经验的开发者 / 研究型
MCP AI Agents（MCP AI Agent）	中高	有经验的开发者 / 研究型
RAG Tutorials（RAG 教程）	入门-中	初学者 / 快速上手
AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）	入门-中	初学者 / 快速上手
AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）	入门-中	初学者 / 快速上手

---

选案例决策指南

面对 194 个案例，下面提供几种快速定位适合自己的模板的方法： 按场景、按技术栈、按难度、按能力标签。

按业务场景选案例

你的目标	推荐分类	推荐起步案例
我想快速了解 Agent 是什么，跑一个 Hello World	Starter AI Agents、AI Agent Framework Crash Course / Google ADK、AI Agent Framework Crash Course / OpenAI SDK	1.1 Personal AI Agent、1.2 AI Agent with Reasoning、21.1 1. Your First ADK Agent、22.1 1. Your First OpenAI Agent
我要做一个能查资料、读文档的问答助手（RAG）	RAG Tutorials、Advanced LLM Apps / Chat with X、Advanced LLM Apps / Memory	20.1 1. RAG with CSV、20.2 2. RAG with Website、20.3 3. RAG with Database、7.1 Chat with PDF
我要让 Agent 自动调用工具/浏览器/API 完成复杂任务	Advanced AI Agents / Single-Agent Apps、MCP AI Agents、Advanced LLM Apps / Advanced Patterns	3.1 AI Web Scraper、3.2 AI Personal Finance Agent、19.1 Filesystem MCP Agent
我想构建多个 Agent 协作的团队/工作流	Advanced AI Agents / Multi-Agent Apps、AI Agent Framework Crash Course / Google ADK、AI Agent Framework Crash Course / OpenAI SDK	3.7 Multi-Agent Code Executor、3.10 Agent Team with Task Delegation、21.8 Simple Multi-Agent Researcher
我想做一个能听懂/说话的语音助手	Voice AI Agents、AI Agent Framework Crash Course / OpenAI SDK	16.1 AI Voice Appointment Setter、16.2 AI Voice Restaurant Agent、22.28 11.1 Static Voice Agent
我想在网页/桌面应用里嵌入 AI 助手（Copilot 式 UI）	Generative UI Agents、Advanced LLM Apps / Productivity	18.1 AI Recruitment Assistant (CopilotKit)、18.2 AI Travel Planner (AG-UI)、18.3 AI Recipe Generator (A2UI)
我要用本地模型/私有化部署，不依赖 OpenAI	Advanced LLM Apps / Esoteric & Local LLM、Advanced LLM Apps / Local LLM Desktop、Starter AI Agents	2.3 Local AI Agent with Ollama、6.1 Local RAG with Llama、15.1 Chat with Local LLM
我想让 Agent 长期运行、记住用户、越用越聪明	Advanced LLM Apps / Memory、Always-on Agents	10.1 Mem0 Customer Support Agent、10.2 AI Agent with Memory、17.1 Always-on Email Assistant
我想针对垂直领域微调模型	Advanced LLM Apps / Fine-tuning	11.1 Fine-tune LLM for Customer Support、11.2 Fine-tune LLM with Unsloth
我想把 Agent 能力封装成可复用的 Skill/工具	Agent Skills、MCP AI Agents	1.1 Advisor Orchestrator Worker、1.3 Project Graveyard、19.4 MCP Server from Python Functions
我想做游戏/仿真/自动操作实验	Autonomous Game-Playing Agents、Advanced LLM Apps / Cursor AI Experiments	5.1 AI Pokemon Agent、5.2 AI Minecraft Agent、5.3 AI Clash Royale Agent
我想优化 Token/成本/上下文长度	Advanced LLM Apps / Optimization Tools	12.1 Token Context Optimizer (TOON)、12.2 Headroom

按技术栈选型地图

如果你已经确定了想用某个框架或模型，直接从对应分类入手：

我想用	推荐分类	说明
OpenAI Agents SDK	22. AI Agent Framework Crash Course / OpenAI SDK	最系统的官方教程，从 Agent 基础到 Handoff、Tracing、Voice 全覆盖
Google ADK	21. AI Agent Framework Crash Course / Google ADK	从 Agent 基础到 Sequential/Loop/Parallel Multi-Agent 模式
Agno	2. Starter AI Agents、3. Advanced AI Agents / Multi-Agent Apps、20. RAG Tutorials	大量即用模板，RAG 与多 Agent 场景覆盖最多
LangChain / LangGraph	6. Advanced LLM Apps / Esoteric & Local LLM、10. Memory、20. RAG Tutorials	适合需要链式编排与状态图的场景
CrewAI	3. Advanced AI Agents / Multi-Agent Apps	角色驱动型多 Agent 团队
AutoGen / AG2	3. Advanced AI Agents / Multi-Agent Apps	微软生态，对话式多 Agent
MCP	19. MCP AI Agents、21. Google ADK（4.4 MCP Tools）	需要连接外部工具/数据源时优先看这里
生成式 UI（React/Next.js）	18. Generative UI Agents	CopilotKit、AG-UI、A2UI 三种方案对比
本地/开源模型	6. Advanced LLM Apps / Esoteric & Local LLM、15. Local LLM Desktop、2. Starter AI Agents	Ollama、LM Studio、Llama、Qwen 等
语音交互	16. Voice AI Agents、22.11 Voice Agents	OpenAI Realtime、Gemini Live、TTS
记忆系统	10. Advanced LLM Apps / Memory、7. Sessions	Mem0、SQLite、Redis、session state
微调	11. Advanced LLM Apps / Fine-tuning	Unsloth、LoRA、领域数据微调

决策流程图

flowchart TD
    A[你想做什么？] --> B{是否需要多 Agent 协作？}
    B -->|是| C[看 Advanced Multi-Agent Apps<br/>或框架速成里的 Multi-Agent 章节]
    B -->|否| D{是否需要外部工具/API/浏览器？}
    D -->|是| E[看 Single-Agent Apps / MCP AI Agents]
    D -->|否| F{是否需要读私有文档/数据库？}
    F -->|是| G[看 RAG Tutorials / Chat with X]
    F -->|否| H{是否需要语音交互？}
    H -->|是| I[看 Voice AI Agents]
    H -->|否| J{是否需要嵌入网页/桌面 UI？}
    J -->|是| K[看 Generative UI Agents]
    J -->|否| L{是否纯新手？}
    L -->|是| M[看 Starter AI Agents<br/>或两个框架速成课程]
    L -->|否| N[按兴趣深入 Advanced LLM Apps 子分类]

提示：在 GitHub/GitLab/支持 Mermaid 的 Markdown 阅读器中可渲染上图。

按能力标签速查

每个案例可被打上以下一个或多个标签，方便横向检索。

标签	覆盖案例数	典型分类
多 Agent 编排	40	Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）、Agent Skills（Agent 技能包（可复用 Skill））
RAG / 知识库	32	RAG Tutorials（RAG 教程）、Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）、Voice AI Agents（语音 AI Agent）
自动化 / 工作流	31	Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）、Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）
本地 / 私有化	29	RAG Tutorials（RAG 教程）、Starter AI Agents（入门 AI Agent）、Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）
浏览器自动化	19	Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、Starter AI Agents（入门 AI Agent）、AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）
记忆 / Memory	18	Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）、AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）、AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）
生成式 UI	17	Generative UI Agents（生成式 UI Agent）、Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、Agent Skills（Agent 技能包（可复用 Skill））
MCP 工具集成	15	MCP AI Agents（MCP AI Agent）、AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）、Generative UI Agents（生成式 UI Agent）
代码 / 开发助手	13	Starter AI Agents（入门 AI Agent）、Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）
数据分析 / BI	10	Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）、Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）、Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）
语音 / Voice	9	Voice AI Agents（语音 AI Agent）、AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）、Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）
微调 / Fine-tuning	2	Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）

从原型到生产的建议路径

第 1 步：选场景 → 用上面的『按业务场景选案例』表锁定 1-2 个模板
第 2 步：跑起来 → 按案例的『使用方式』配置 API Key，执行入口文件
第 3 步：换数据 → 把示例数据/文档替换成自己的业务数据
第 4 步：换模型 → 从默认 OpenAI/Gemini 切到更便宜或本地模型验证成本
第 5 步：加能力 → 按需增加 Memory、MCP 工具、RAG、Guardrails
第 6 步：做 UI → Streamlit 验证后，升级到 Next.js/React 或嵌入现有产品
第 7 步：上生产 → 加认证、日志、监控、限流、持久化、测试与回滚

推荐学习路线

路线 A：零基础到能跑 Agent（1-3 天）

1. Starter AI Agents 任选 2 个跑通（推荐 Personal AI Agent、AI Agent with Reasoning）
2. 挑一个框架速成：Google ADK 或 OpenAI SDK 的前 3 节
3. 跑一个 RAG Tutorials 基础案例（RAG with PDF/CSV）
4. 尝试修改 system prompt 与工具函数，观察输出变化

路线 B：搭建业务型 Agent（1-2 周）

1. 确定业务场景 → 用上面的决策表锁定分类
2. 在对应分类找 2-3 个最接近的案例跑通
3. 替换数据源、接入私有 API、调整输出格式
4. 增加 Memory / RAG / MCP 中的一种能力
5. 用 Streamlit 做内部 Demo，再决定是否需要 Web UI

路线 C：研究/探索前沿方向（持续）

1. Advanced LLM Apps / Advanced Patterns 看最新架构
2. Always-on Agents 理解常驻 Agent 设计
3. Optimization Tools 控制成本
4. Generative UI Agents 探索 Agentic 前端
5. 跟进 Agent Skills 学习如何封装可复用能力

---

1. Agent Skills（Agent 技能包（可复用 Skill））

1.1 Advisor Orchestrator Worker

• 代码路径：agent_skills/advisor-orchestrator-worker
• 一句话简介：将编码代理转变为三层模型团队的编排器：低成本并行 Worker 执行任务、更强的 Advisor 在关键节点把关、Orchestrator 负责规划与验证，避免单次调用烧光预算。
• 能力标签：多 Agent 编排
• 技术栈：SKILL.md 规范 + Shell 脚本，默认使用 agy CLI（Gemini 3.5 Flash）、claude CLI（Claude Fable 5），可回退到 Gemini/Anthropic API；依赖 jq
• 入口文件：SKILL.md（无传统入口文件，作为 agent skill 被 Claude Code / Codex / Cursor 等加载）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. 通过 skills CLI 安装：npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/advisor-orchestrator-worker
3. 或手动复制本目录到 ~/.claude/skills/、~/.codex/skills/、~/.agents/skills/ 等
4. 在代理会话中触发："This is too big for one pass. Orchestrate it across a model team." 等

改造 / 扩展建议

• 将默认模型替换为当前性价比更高的新模型
• 调整并行 Worker 的批次大小（默认每批 3 个）以适配本地配额
• 增加更多验证门（PASS/FIX/ESCALATE）规则
• 扩展 references/ 中的 fallback 调用支持其他 LLM 提供商
• 为特定领域任务定制 worker-brief 模板

注意事项

需要 agy CLI、claude CLI 和 jq；无对应 CLI 时回退到 GEMINI_API_KEY/GOOGLE_API_KEY 与 ANTHROPIC_API_KEY；evals 位于 agent_skills/evals/advisor-orchestrator-worker/，不在安装包内。

---

1.2 Skill Evals

• 代码路径：agent_skills/evals
• 一句话简介：repo 侧的 skill 评估框架，提供结构/安全/触发路由/确定性脚本/行为五级测试，确保 skill 在发布前真实可用。
• 技术栈：Python 3 stdlib（lint / scanner / trigger evals）+ skill-creator schema（Tier 3 行为评估）
• 入口文件：tools/skill_lint.py、tools/skill_scanner.py、tools/run_trigger_evals.py、各 skill 目录下的 test_*.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. 运行 CI 级检查：
   python3 agent_skills/evals/tools/skill_lint.py agent_skills/project-graveyard --strict
   python3 agent_skills/evals/tools/skill_scanner.py agent_skills
   python3 agent_skills/evals/tools/run_trigger_evals.py
   python3 agent_skills/evals/project-graveyard/test_graveyard.py
3. Tier 3 行为评估使用 Anthropic skill-creator 的 run_eval.py 或手工会话打分

改造 / 扩展建议

• 为新 skill 新增 evals//test_.py 与 trigger-cases.json
• 在 CI 中接入 skill_lint.py –strict 与 skill_scanner.py
• 扩展 skill_scanner.py 检测更多安全/混淆风险
• 为 Tier 3 编写更多对抗性测试用例
• 将评估结果接入自定义报表或仪表板

注意事项

该目录不会被安装到用户 agent skills 目录，仅供仓库侧验证；工具本身无第三方依赖，Tier 3 需要调用模型 token。

---

1.3 Project Graveyard

• 代码路径：agent_skills/project-graveyard
• 一句话简介：扫描本机废弃的 side project，从 git 历史推断每个项目的死因（支付墙、部署恐惧、被新项目替代等），总结个人失败模式并推荐最值得复活的项目。
• 能力标签：本地 / 私有化
• 技术栈：Python 3.8+ 标准库，纯本地离线，无网络调用
• 入口文件：scripts/graveyard.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. 直接运行：python3 agent_skills/project-graveyard/scripts/graveyard.py ~/dev ~/projects
3. 或使用 skills CLI：npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard
4. 对代理说："run the graveyard on ~/dev and ~/projects"
5. 测试：python3 agent_skills/evals/project-graveyard/test_graveyard.py

改造 / 扩展建议

• 调整 DEFAULT_ROOTS 覆盖更多个人项目目录
• 修改 –days 阈值定义何为“死亡”项目
• 增加新的死因分类与检测启发式
• 接入 –state 与 –mark-resurrected 做长期 relapse 追踪
• 将 JSON 输出导入 Notion/Obsidian 生成个人项目墓园报告

注意事项

完全本地只读，不读取代码内容只读取 git 元数据；无 README 时无法诊断；支持 –redact 匿名化项目名；macOS 与 Linux 测试通过。

---

1.4 Self-Improving Agent Skills

• 代码路径：agent_skills/self-improving-agent-skills
• 一句话简介：基于 Google ADK 与 Gemini 的多代理 Web 应用，自动上传 agent skill、生成测试场景与评估标准，并通过 Executor/Analyst/Mutator 三个代理迭代优化 SKILL.md。
• 能力标签：生成式 UI、自动化 / 工作流
• 技术栈：Backend: Python 3.10+、FastAPI、Google ADK、Pydantic、uvicorn；Frontend: Next.js 15、React 19、Tailwind CSS v4、Recharts；AI: Gemini gemini-3-flash-preview
• 入口文件：backend/app.py（REST API + SSE）与 frontend 的 Next.js 应用

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd agent_skills/self-improving-agent-skills/backend
3. python -m venv venv && source venv/bin/activate（Windows: venv\Scripts\activate）
4. pip install -r requirements.txt
5. 可选 cp .env.example .env 并填入 GOOGLE_API_KEY
6. python app.py（监听 http://localhost:8891）
7. 另开终端 cd ../frontend && npm install && npm run dev（http://localhost:3000）
8. 浏览器打开 http://localhost:3000，上传 skill zip 或选择示例，输入 Gemini API key，开始优化

改造 / 扩展建议

• 在 frontend/src/components/RunningStep.tsx 中调整 max_rounds（默认 20，上限 50）
• 在 backend/adk_optimizer.py 中更换 Gemini 模型
• 扩展 ALLOWED_EXTENSIONS 支持更多文件类型上传
• 增加更多示例 skill 或接入私有 skill 仓库
• 为优化过程增加持久化数据库而非内存 sessions

注意事项

需要 GOOGLE_API_KEY；上传限制 10MB 总计、单文件 1MB、最多 50 个文件；Sessions 1 小时后自动过期；backend 通过 SSE 向前端推送优化进度。

---

2. Starter AI Agents（入门 AI Agent）

2.1 AI Blog to Podcast Agent

• 代码路径：starter_ai_agents/ai_blog_to_podcast_agent
• 一句话简介：Streamlit 应用，输入博客 URL 后使用 Firecrawl 抓取内容、GPT-4o 生成播客风格摘要，再由 ElevenLabs 合成音频并支持下载。
• 能力标签：浏览器自动化
• 技术栈：Streamlit + Agno + OpenAI GPT-4o + Firecrawl + ElevenLabs
• 入口文件：blog_to_podcast_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_blog_to_podcast_agent
3. pip install -r requirements.txt
4. streamlit run blog_to_podcast_agent.py
5. 在侧边栏输入 OpenAI、ElevenLabs、Firecrawl API key
6. 输入博客 URL，点击 "Generate Podcast"，播放或下载 MP3

改造 / 扩展建议

• 更换 TTS 音色（voice_id）或模型（eleven_multilingual_v2）
• 支持批量输入多个博客 URL 生成播客系列
• 增加多语言摘要与语音输出
• 将摘要保存为 shownotes 并导出 RSS feed
• 接入其他爬虫源（如 Jina AI Reader）降低 Firecrawl 依赖

注意事项

需要 OpenAI、ElevenLabs、Firecrawl 三个 API key；摘要限制在 2000 字符以内。

---

2.2 AI Breakup Recovery Agent

• 代码路径：starter_ai_agents/ai_breakup_recovery_agent
• 一句话简介：Streamlit 多代理应用，通过 Therapist、Closure、Routine Planner、Brutal Honesty 四个 Gemini 代理帮助用户从分手情绪中恢复，支持上传聊天截图进行视觉分析。
• 技术栈：Streamlit + Agno + Gemini 2.0 Flash + DuckDuckGo + Pillow
• 入口文件：ai_breakup_recovery_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_breakup_recovery_agent
3. pip install -r requirements.txt
4. streamlit run ai_breakup_recovery_agent.py
5. 在侧边栏输入 Gemini API key
6. 输入感受并可选上传聊天截图，点击 "Get Recovery Plan"

改造 / 扩展建议

• 增加第五个代理（如法律顾问或财务分割顾问）
• 将建议导出为每日打卡清单
• 接入日历 API 自动创建 self-care 提醒
• 支持语音输入 feelings
• 对聊天截图做隐私脱敏后再传入模型

注意事项

需要 GEMINI_API_KEY；Brutal Honesty Agent 使用 DuckDuckGo 搜索获取外部洞察；图像通过 AgnoImage 传入 Gemini Vision。

---

2.3 AI Data Analysis Agent

• 代码路径：starter_ai_agents/ai_data_analysis_agent
• 一句话简介：Streamlit 数据分析代理，上传 CSV/Excel 后使用自然语言查询，由 GPT-4o 生成 SQL，通过 DuckDB 与 Pandas 工具完成聚合、过滤、统计与可视化。
• 技术栈：Streamlit + Agno + OpenAI GPT-4o + DuckDB + Pandas
• 入口文件：ai_data_analyst.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_data_analysis_agent
3. pip install -r requirements.txt
4. streamlit run ai_data_analyst.py
5. 在侧边栏输入 OpenAI API key
6. 上传 CSV 或 Excel，输入自然语言问题，查看结果

改造 / 扩展建议

• 增加 SQL 执行结果的可视化图表
• 支持多表 join 与数据血缘展示
• 接入本地 LLM（Ollama）降低 API 成本
• 增加查询历史与可复用报表导出
• 对敏感数据增加自动脱敏规则

注意事项

需要 OpenAI API key；上传文件会被预处理为临时 CSV 并加载到 DuckDB 表 uploaded_data。

---

2.4 AI Data Visualisation Agent

• 代码路径：starter_ai_agents/ai_data_visualisation_agent
• 一句话简介：Streamlit 数据可视化专家，上传 CSV 后用自然语言提问，LLM 在 E2B 沙箱中生成并执行 Python 代码，返回图表、统计与洞察。
• 能力标签：本地 / 私有化、代码 / 开发助手
• 技术栈：Streamlit + Together AI（Llama/DeepSeek/Qwen）+ E2B Code Interpreter + Pandas + Matplotlib
• 入口文件：ai_data_visualisation_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_data_visualisation_agent
3. pip install -r requirements.txt
4. streamlit run ai_data_visualisation_agent.py
5. 在侧边栏输入 Together AI API key 与 E2B API key
6. 上传 CSV，选择模型，输入问题，点击 Analyze

改造 / 扩展建议

• 支持更多图表类型（Plotly、Seaborn、Altair）
• 增加自动数据清洗与缺失值处理建议
• 允许用户编辑并重新执行 LLM 生成的代码
• 接入本地 Ollama 模型做完全离线分析
• 将图表与结论导出为 PDF 报告

注意事项

需要 Together AI 与 E2B API key；LLM 输出 Python 代码块后在 E2B 沙箱执行；支持 Llama 3.1 405B、DeepSeek V3、Qwen 2.5 7B、Llama 3.3 70B。

---

2.5 AI Life Insurance Advisor Agent

• 代码路径：starter_ai_agents/ai_life_insurance_advisor_agent
• 一句话简介：Streamlit 寿险顾问，基于用户年龄、收入、负债等财务信息，用 E2B 沙箱做确定性保额计算，并用 Firecrawl 搜索最新定期寿险产品。
• 能力标签：浏览器自动化、代码 / 开发助手
• 技术栈：Streamlit + Agno + OpenAI GPT-5-mini + E2B Code Interpreter + Firecrawl
• 入口文件：life_insurance_advisor_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_life_insurance_advisor_agent
3. pip install -r requirements.txt
4. streamlit run life_insurance_advisor_agent.py
5. 在侧边栏输入 OpenAI、Firecrawl、E2B API key
6. 填写表单后点击 "Generate Coverage & Options"

改造 / 扩展建议

• 增加多币种与本地化税率/通胀假设
• 接入真实保险产品 API 替代 Firecrawl 搜索
• 增加家庭现金流模拟与情景对比
• 生成可下载的 PDF 保险建议书
• 加入免责声明与合规校验

注意事项

需要 OpenAI、Firecrawl、E2B 三个 API key；默认使用 gpt-5-mini-2025-08-07；仅用于教育/原型，非持牌金融建议。

---

2.6 AI Medical Imaging Agent

• 代码路径：starter_ai_agents/ai_medical_imaging_agent
• 一句话简介：Streamlit 医学影像分析代理，上传 X 光/MRI/CT/超声等图像，由 Gemini 提供影像类型识别、关键发现、诊断评估与患者友好解释，并辅以文献检索。
• 能力标签：RAG / 知识库
• 技术栈：Streamlit + Agno + Gemini 2.5 Pro + DuckDuckGo + Pillow
• 入口文件：ai_medical_imaging.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_medical_imaging_agent
3. pip install -r requirements.txt
4. streamlit run ai_medical_imaging.py
5. 在侧边栏输入 Google API key
6. 上传医学影像，点击 Analyze Image

改造 / 扩展建议

• 接入 DICOM 完整解析库（如 pydicom）
• 增加多模态对比（同一患者多次检查）
• 将报告导出为结构化 JSON/Hospital HL7
• 加入医生审核与置信度阈值
• 支持更多本地部署的医学视觉模型

注意事项

需要 GOOGLE_API_KEY；Gemini 每天 1500 次免费请求；仅用于教育与信息目的，不能替代专业医疗诊断。

---

2.7 AI Meme Generator Agent (Browser Use)

• 代码路径：starter_ai_agents/ai_meme_generator_agent_browseruse
• 一句话简介：Streamlit 浏览器自动化代理，根据文本提示自动在 imgflip.com 搜索模板、填写上下文字幕并生成 meme 图片。
• 能力标签：浏览器自动化、自动化 / 工作流
• 技术栈：Streamlit + browser-use + Playwright + LangChain（OpenAI/Anthropic）+ DeepSeek API
• 入口文件：ai_meme_generator_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_meme_generator_agent_browseruse
3. pip install -r requirements.txt
4. python -m playwright install --with-deps
5. streamlit run ai_meme_generator_agent.py
6. 在侧边栏选择模型并输入对应 API key，输入 meme 创意，点击生成

改造 / 扩展建议

• 支持更多 meme 源站（如 Imgur、Reddit meme 模板）
• 增加用户自定义模板上传
• 将生成历史保存到本地数据库
• 批量生成多个候选并让用户投票
• 增加内容安全过滤避免敏感梗图

注意事项

需要 Anthropic、OpenAI 或 Deepseek API key；使用 browser-use 0.1.26 与 Playwright 做浏览器自动化；首次运行需安装浏览器二进制文件。

---

2.8 AI Music Generator Agent

• 代码路径：starter_ai_agents/ai_music_generator_agent
• 一句话简介：Streamlit 音乐生成代理，输入音乐描述后由 GPT-4o 扩展提示并调用 ModelsLab API 生成 MP3 音乐，支持试听与下载。
• 技术栈：Streamlit + Agno + OpenAI GPT-4o + ModelsLab API
• 入口文件：music_generator_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_music_generator_agent
3. pip install -r requirements.txt
4. streamlit run music_generator_agent.py
5. 在侧边栏输入 OpenAI 与 ModelsLab API key
6. 输入音乐生成提示，点击 Generate Music

改造 / 扩展建议

• 支持更多 ModelsLab 文件格式（WAV、OGG）
• 增加音乐风格预设与参数滑块（BPM、乐器）
• 将生成结果接入云存储或 CDN
• 加入 Loop/变奏生成模式
• 接入 Suno/Udio 等替代音乐 API

注意事项

需要 OpenAI 与 ModelsLab API key；生成文件保存在本地 audio_generations/ 目录。

---

2.9 AI Reasoning Agent

• 代码路径：starter_ai_agents/ai_reasoning_agent
• 一句话简介：包含两个示例：一个是使用本地 Ollama qwq:32b 模型运行的 Agno Playground 推理代理；另一个是对比普通 GPT-4o-mini 与 GPT-4o 推理能力的命令行脚本。
• 能力标签：本地 / 私有化
• 技术栈：Agno + Ollama（qwq:32b）/ OpenAI GPT-4o-mini + FastAPI/uvicorn（Playground）+ Rich
• 入口文件：local_ai_reasoning_agent.py（Playground UI）与 reasoning_agent.py（命令行对比）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_reasoning_agent
3. pip install -r requirements.txt
4. 本地 Playground：python local_ai_reasoning_agent.py，打开终端显示的 URL
5. 命令行对比：python reasoning_agent.py

改造 / 扩展建议

• 在 local_ai_reasoning_agent.py 中切换为其他本地模型（如 deepseek-r1）
• 扩展 reasoning_agent.py 增加更多基准问题
• 为 Playground 增加多代理对比标签页
• 接入 vLLM/TGI 做私有化部署
• 记录并展示推理链的中间步骤

注意事项

本地版本需要 Ollama 已安装并运行 qwq:32b；reasoning_agent.py 直接调用 OpenAI API；Playground 使用 Agno 内置 FastAPI 应用。

---

2.10 AI Startup Trend Analysis Agent

• 代码路径：starter_ai_agents/ai_startup_trend_analysis_agent
• 一句话简介：Streamlit 创业趋势分析代理，通过 DuckDuckGo 收集新闻、Newspaper4k 提取摘要，再由 Gemini 多代理流水线识别新兴趋势与创业机会。
• 技术栈：Streamlit + Agno + Gemini 2.5 Flash + DuckDuckGo + Newspaper4k
• 入口文件：startup_trends_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_startup_trend_analysis_agent
3. pip install -r requirements.txt
4. streamlit run startup_trends_agent.py
5. 在侧边栏输入 Google API key
6. 输入感兴趣的创业领域，点击 Generate Analysis

改造 / 扩展建议

• 接入 Crunchbase/PitchBook API 获取融资数据
• 增加趋势时间序列与可视化
• 支持导出为 Notion 页面或 Markdown 报告
• 增加多语言市场分析
• 将三个代理改为并行执行以提速

注意事项

需要 Google/Gemini API key；README 中提到教程基于 Claude 3.5 Sonnet，但实际代码使用 Gemini。

---

2.11 AI Travel Agent

• 代码路径：starter_ai_agents/ai_travel_agent
• 一句话简介：Streamlit 旅行规划代理，研究员 Agent 用 SerpAPI 搜索目的地活动住宿，规划师 Agent 用 GPT-4o 生成个性化行程，并支持导出 .ics 日历文件。
• 能力标签：本地 / 私有化
• 技术栈：Streamlit + Agno + OpenAI GPT-4o + SerpAPI + icalendar；本地版使用 Ollama
• 入口文件：travel_agent.py（云端）与 local_travel_agent.py（本地 Ollama）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/ai_travel_agent
3. pip install -r requirements.txt
4. streamlit run travel_agent.py（需 OpenAI + SerpAPI key）
5. 或本地运行：streamlit run local_travel_agent.py（需 Ollama）
6. 输入目的地与天数，生成行程后可下载 .ics

改造 / 扩展建议

• 接入实时航班/酒店 API（Amadeus、Booking）
• 根据用户预算与偏好做约束规划
• 增加多人协作行程编辑
• 将行程同步到 Google/Apple Calendar API
• 增加地图可视化展示每日路线

注意事项

README 中的 cd 路径写错为 ai_agent_tutorials/ai_travel_agent；需要 OpenAI API key 与 SerpAPI key；本地版需 Ollama 运行。

---

2.12 Mixture of Agents

• 代码路径：starter_ai_agents/mixture_of_agents
• 一句话简介：Streamlit 演示应用，将同一问题并发提交给多个 Together AI 开源大模型（Qwen、Mixtral、DBRX），再用聚合模型综合出一份更均衡的回答。
• 能力标签：本地 / 私有化
• 技术栈：Streamlit + Together AI API（AsyncTogether/Together）
• 入口文件：mixture-of-agents.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/mixture_of_agents
3. pip install -r requirements.txt
4. streamlit run mixture-of-agents.py
5. 输入 Together API key，输入问题，点击 Get Answer

改造 / 扩展建议

• 替换参考模型为更新更强的开源模型
• 增加投票/置信度机制选择最佳回答
• 为不同任务领域配置专用模型组合
• 聚合阶段加入来源引用与一致性检查
• 缓存常见问题的各模型回答以降低成本

注意事项

无 README.md 文件；需要 Together AI API key；参考模型包含 Qwen2-72B、Qwen1.5-72B、Mixtral-8x22B、DBRX。

---

2.13 Multimodal AI Agent

• 代码路径：starter_ai_agents/multimodal_ai_agent
• 一句话简介：包含两个 Streamlit 多模态代理：一个分析上传视频并结合 Gemini 视觉与网络搜索回答问题；另一个基于上传图像做推理任务。
• 技术栈：Streamlit + Agno + Gemini 2.5 Flash/Pro + DuckDuckGo
• 入口文件：mutimodal_agent.py（视频分析，注意文件名拼写）与 multimodal_reasoning_agent.py（图像推理）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/multimodal_ai_agent
3. pip install -r requirements.txt
4. 视频分析：streamlit run mutimodal_agent.py（README 写的 multimodal_agent.py 实际文件名为 mutimodal_agent.py）
5. 图像推理：streamlit run multimodal_reasoning_agent.py
6. 在侧边栏输入 Gemini API key，上传媒体并输入问题

改造 / 扩展建议

• 扩展支持 PDF 文档、音频、网页截图输入
• 将视频分析拆分为帧采样 + 关键帧描述
• 增加多轮对话记忆
• 接入本地多模态模型（如 LLaVA）做离线分析
• 将分析结果导出为带时间戳的报告

注意事项

需要 GOOGLE_API_KEY；README 中运行命令 multimodal_agent.py 与实际文件名 mutimodal_agent.py 不一致；视频支持 mp4/mov/avi。

---

2.14 OpenAI Research Agent

• 代码路径：starter_ai_agents/openai_research_agent
• 一句话简介：基于 OpenAI Agents SDK 的多代理研究应用，Triage Agent 制定计划、Research Agent 网络搜索并保存事实、Editor Agent 生成带引用来源的综合报告。
• 技术栈：Streamlit + OpenAI Agents SDK + GPT-4o-mini + WebSearchTool + Pydantic + python-dotenv
• 入口文件：research_agent.py（README 中写的 openai_researcher_agent.py 实际文件名为 research_agent.py）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/openai_research_agent
3. pip install -r requirements.txt
4. export OPENAI_API_KEY='your-api-key'
5. streamlit run research_agent.py
6. 浏览器打开 http://localhost:8501，输入研究主题，点击 Start Research

改造 / 扩展建议

• 将模型升级到 GPT-4o 或 o 系列提升报告深度
• 增加更多专业 agent（事实核查、数据可视化、翻译）
• 支持导出为 DOCX/PDF
• 接入 Bing/Google 搜索替代内置 WebSearchTool
• 加入研究计划的人工编辑与确认步骤

注意事项

README 中运行命令 openai_researcher_agent.py 与实际文件名 research_agent.py 不一致；需要 OPENAI_API_KEY 环境变量；使用 trace 做工作流追踪。

---

2.15 Web Scraping AI Agent

• 代码路径：starter_ai_agents/web_scraping_ai_agent
• 一句话简介：基于 ScrapeGraphAI 的 Streamlit 网页抓取代理，用自然语言描述要提取的数据，支持 OpenAI GPT-4o/5 云端模型或本地 Ollama Llama 3.2。
• 能力标签：浏览器自动化、本地 / 私有化
• 技术栈：Streamlit + ScrapeGraphAI + OpenAI GPT-4o/5 或 Ollama Llama 3.2 + Playwright
• 入口文件：ai_scrapper.py（云端）与 local_ai_scrapper.py（本地 Ollama）

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/web_scraping_ai_agent
3. pip install -r requirements.txt
4. streamlit run ai_scrapper.py（需 OpenAI API key）
5. 或本地运行：streamlit run local_ai_scrapper.py（需 Ollama 在 http://localhost:11434）
6. 输入 URL 与提取指令，点击 Scrape

改造 / 扩展建议

• 支持批量 URL 与定时抓取任务
• 将结果导出为 CSV/JSON/Excel
• 增加代理池与反爬虫策略
• 接入其他本地模型（如 Mistral、Qwen）
• 增加抓取结果 Schema 校验

注意事项

需要 OpenAI API key 或本地 Ollama；依赖 Playwright 做页面渲染；local_ai_scrapper.py 还用到 nomic-embed-text 做嵌入。

---

2.16 xAI Finance Agent

• 代码路径：starter_ai_agents/xai_finance_agent
• 一句话简介：基于 Agno 的金融分析代理，使用 xAI Grok-4 Fast 模型，结合 YFinance 实时股票数据与 DuckDuckGo 网络搜索，通过交互式 Playground 提供结构化财务洞察。
• 技术栈：Agno + xAI Grok-4 Fast + YFinance + DuckDuckGo + AgentOS Playground
• 入口文件：xai_finance_agent.py

使用方式

1. git clone https://github.com/Shubhamsaboo/awesome-llm-apps
2. cd starter_ai_agents/xai_finance_agent
3. pip install -r requirements.txt
4. export XAI_API_KEY='your-api-key'
5. python xai_finance_agent.py
6. 打开终端提供的 URL 使用 Playground 界面

改造 / 扩展建议

• 增加股票组合分析与风险评估
• 接入更多数据源（Alpha Vantage、FRED）
• 生成可下载的研究报告与图表
• 增加技术指标计算（RSI、MACD、MA）
• 支持多市场（A股、港股、加密资产）

注意事项

需要 XAI_API_KEY；README 里错误地写成了 “Get your OpenAI API Key”；使用 Agno AgentOS 提供 Playground UI；可接入 AgentOS Control Plane 远程管理。

---

3. Advanced AI Agents / Multi-Agent Apps（高级 AI Agent / 多 Agent 应用）

3.1 AQI 空气质量分析智能体

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_aqi_analysis_agent
• 一句话简介：基于 Firecrawl 与 Agno 的多智能体应用，实时分析空气质量并给出个性化健康与户外活动建议。
• 能力标签：多 Agent 编排、浏览器自动化
• 技术栈：Agno, OpenAI, Firecrawl, Gradio/Streamlit, Pydantic
• 入口文件：ai_aqi_analysis_agent_gradio.py

使用方式

1. pip install -r requirements.txt；2. 设置 OPENAI_API_KEY 与 FIRECRAWL_API_KEY；3. python ai_aqi_analysis_agent_gradio.py；4. 浏览器打开 Gradio 界面输入城市、健康状况与活动后分析。

改造 / 扩展建议

• 将 Gradio 界面替换为 Streamlit 版本
• 接入官方 AQI API 替代 Firecrawl 抓取
• 增加对特定疾病人群的定制化建议
• 支持历史 AQI 趋势分析与预警
• 添加多语言结果输出

注意事项

README 中提到的启动文件名 ai_aqi_analysis_agent.py 与实际文件不符，实际入口为 gradio 或 streamlit 版本。

---

3.2 AI Domain Deep Research Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_domain_deep_research_agent
• 一句话简介：使用 Agno、Together AI Qwen 与 Composio 工具的多智能体深度研究助手，自动生成研究问题并输出专业报告到 Google Docs。
• 能力标签：多 Agent 编排、本地 / 私有化、自动化 / 工作流
• 技术栈：Agno, Together AI Qwen 3 235B, Composio, Tavily, Perplexity, Streamlit
• 入口文件：ai_domain_deep_research_agent.py

使用方式

1. pip install -r requirements.txt；2. composio add googledocs 与 perplexityai；3. 配置 Together AI 与 Composio API Key；4. streamlit run ai_domain_deep_research_agent.py；5. 输入研究主题与领域，依次生成问题、研究、报告。

改造 / 扩展建议

• 接入更多搜索源如 Google Scholar、ArXiv
• 将报告输出改为 Markdown 或 Notion
• 增加引用校验与去重逻辑
• 支持批量主题研究队列
• 替换为其他开源模型降低成本

注意事项

README 中的 cd 路径写成 single_agent_apps，实际位于 multi_agent_apps 下。

---

3.3 AI Email GTM Outreach Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_email_gtm_outreach_agent
• 一句话简介：基于 GPT-5 与 Exa 的 B2B 外联多智能体工具，自动发现目标公司、联系人与研究洞察，并生成定制化邮件。
• 能力标签：多 Agent 编排、自动化 / 工作流
• 技术栈：OpenAI GPT-5, Exa, Agno, Streamlit
• 入口文件：ai_email_gtm_outreach_agent.py

使用方式

1. pip install -r requirements.txt；2. 在侧边栏输入 OPENAI_API_KEY 与 EXA_API_KEY；3. streamlit run ai_email_gtm_outreach_agent.py；4. 填写目标描述与产品方案，选择邮件风格后启动外联流程。

改造 / 扩展建议

• 接入 LinkedIn Sales Navigator 获取真实联系人
• 增加邮件 A/B 测试与打开率追踪
• 集成邮箱发送服务实现一键外发
• 增加多语言邮件模板
• 添加 CRM 同步功能

注意事项

若账户没有 gpt-5 访问权限，需要手动在代码中切换为可用模型。

---

3.4 AI Financial Coach Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_financial_coach_agent
• 一句话简介：基于 Google ADK 的个人财务教练，通过预算、储蓄与债务三个智能体提供可视化财务分析与还款策略。
• 能力标签：多 Agent 编排
• 技术栈：Google ADK, Gemini, Streamlit, python-dotenv
• 入口文件：ai_financial_coach_agent.py

使用方式

1. 在 .env 中配置 GOOGLE_API_KEY；2. pip install -r requirements.txt；3. streamlit run ai_financial_coach_agent.py；4. 输入收入、支出、债务与目标后查看图表与建议。

改造 / 扩展建议

• 接入银行/信用卡 API 自动导入交易
• 增加投资组合与退休规划模块
• 支持多人家庭账本
• 添加预算超支预警通知
• 导出 PDF 财务报告

注意事项

CSV 需包含 Date、Category、Amount 三列。

---

3.5 AI Home Renovation Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_home_renovation_agent
• 一句话简介：基于 Google ADK 的多智能体家居装修规划器，上传房间照片后生成预算、材料、承包商清单与逼真的装修效果图。
• 能力标签：多 Agent 编排
• 技术栈：Google ADK, Gemini 3 Flash/Pro, google_search, 自定义工具
• 入口文件：agent.py（ADK Web）

使用方式

1. pip install -r requirements.txt；2. 配置 GOOGLE_API_KEY；3. cd advanced_ai_agents/multi_agent_apps 后 adk web；4. 选择 ai_home_renovation_agent，上传照片并输入预算与风格。

改造 / 扩展建议

• 接入建材电商 API 获取实时报价
• 增加 3D 渲染输出
• 支持户型图自动识别尺寸
• 添加本地承包商推荐数据源
• 保存方案版本便于对比

注意事项

使用 Coordinator/Dispatcher + Sequential Pipeline 模式，入口通过 ADK Web 而非直接运行 Python 文件。

---

3.6 AI Mental Wellbeing Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_mental_wellbeing_agent
• 一句话简介：基于 AG2 Swarm 的心理健康支持多智能体团队，包含评估、行动与随访三个智能体，提供即时建议与长期支持计划。
• 能力标签：多 Agent 编排
• 技术栈：AG2 (AutoGen), OpenAI, Streamlit
• 入口文件：ai_mental_wellbeing_agent.py

使用方式

1. pip install -r requirements.txt；2. echo AUTOGEN_USE_DOCKER=0 > .env；3. streamlit run ai_mental_wellbeing_agent.py；4. 输入情绪、睡眠、压力等信息后获取评估与建议。

改造 / 扩展建议

• 接入专业心理测评量表
• 增加危机识别与自动转人工机制
• 支持语音输入与日记记录
• 添加进度追踪与回访提醒
• 集成心理健康热线资源

注意事项

仅为辅助工具，不能替代专业医疗帮助。

---

3.7 AI Negotiation Battle Simulator

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_negotiation_battle_simulator
• 一句话简介：基于 Google ADK 后端与 Next.js + CopilotKit + AG-UI 前端的谈判对战模拟器，两个 AI 智能体实时进行二手车谈判并可视化展示。
• 能力标签：多 Agent 编排、生成式 UI
• 技术栈：Google ADK, Gemini, FastAPI, AG-UI, CopilotKit, Next.js, React, TypeScript, Tailwind
• 入口文件：backend/agent.py + frontend/page.tsx

使用方式

1. cd backend 安装依赖并配置 GOOGLE_API_KEY，python agent.py 启动 8000 端口；2. cd frontend 执行 npm install 与 npm run dev 启动 3000 端口；3. 访问 http://localhost:3000 开始谈判。

改造 / 扩展建议

• 增加薪资、房租、合同等新谈判场景
• 接入语音交互进行实时报价
• 保存谈判历史用于策略复盘
• 添加人类玩家与 AI 对战模式
• 扩展更多角色人格

注意事项

需要同时启动 Python 后端与 Node 前端，AG-UI 负责实时事件流传输。

---

3.8 Beifong：个性化新闻与播客生成器

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_news_and_podcast_agents
• 一句话简介：完整的前后端项目 Beifong，聚合可信文章与社交媒体源，通过多智能体流水线生成摘要、脚本、视觉与播客音频。
• 能力标签：多 Agent 编排、语音 / Voice、生成式 UI、浏览器自动化
• 技术栈：Agno, OpenAI, ElevenLabs/Kokoro TTS, Redis, Celery, FastAPI, Playwright, browser-use, FAISS, Next.js/React（web）
• 入口文件：beifong/main.py + web/（npm start）

使用方式

1. cd beifong 创建虚拟环境并安装 requirements.txt；2. 安装 Playwright 浏览器；3. 配置 .env（OPENAI_API_KEY、REDIS、可选 ElevenLabs）；4. 依次启动 python main.py、python -m scheduler、python -m celery_worker；5. 可选 cd web && npm install && npm start 启动前端。

改造 / 扩展建议

• 添加更多社交媒体源（LinkedIn、Reddit）
• 支持 Claude/Gemini/Ollama 多模型切换
• 接入云存储保存媒体资产
• 增加用户认证与订阅管理
• 扩展播客风格与多语言 TTS

注意事项

项目依赖 Redis、Playwright 与可选 FAISS，首次启动 main.py 会进行数据库初始化。

---

3.9 AI Self-Evolving Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_self_evolving_agent
• 一句话简介：基于 EvoAgentX 框架的自我演进多智能体，根据自然语言目标自动生成多智能体工作流、编写代码，并用另一模型验证修复。
• 能力标签：多 Agent 编排、代码 / 开发助手、自动化 / 工作流
• 技术栈：EvoAgentX, OpenAI GPT-4o-mini, Anthropic Claude, LiteLLM
• 入口文件：ai_Self-Evolving_agent.py

使用方式

1. pip install -r requirements.txt；2. pip install git+https://github.com/EvoAgentX/EvoAgentX.git；3. 配置 OPENAI_API_KEY 与 ANTHROPIC_API_KEY；4. python ai_Self-Evolving_agent.py；5. 查看 examples/output/tetris_game/index.html。

改造 / 扩展建议

• 替换为本地模型降低 API 成本
• 增加单元测试执行作为验证步骤
• 支持生成 Python/JS 项目而不仅是 HTML
• 接入 Git 自动提交生成的代码
• 添加工作流可视化

注意事项

示例目标为生成可玩的 Tetris 网页游戏。

---

3.10 AI Speech Trainer Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/ai_speech_trainer_agent
• 一句话简介：面向公共演讲训练的多模态多智能体系统，分析面部表情、语速、语调和内容，给出综合反馈与评分。
• 能力标签：多 Agent 编排、本地 / 私有化
• 技术栈：Agno, Together AI Llama 3.3, FastAPI, Streamlit, OpenCV, DeepFace, Mediapipe, Faster-Whisper, Librosa, MoviePy
• 入口文件：backend/main.py + frontend/Home.py

使用方式

1. pip install -r requirements.txt；2. 配置 TOGETHER_API_KEY；3. cd backend && uvicorn main:app --reload；4. cd frontend && streamlit run Home.py；5. 上传演讲视频后查看反馈报告。

改造 / 扩展建议

• 支持实时摄像头录制而非仅上传视频
• 增加 AI 虚拟教练回放示范
• 建立用户历史会话与进步曲线
• 接入更大上下文模型分析长视频
• 添加演讲稿自动润色功能

注意事项

免费版 Llama 模型 token 限制较小，适合 15-30 秒短视频。

---

3.11 DevPulseAI

• 代码路径：advanced_ai_agents/multi_agent_apps/devpulse_ai
• 一句话简介：多智能体信号情报管道，从 GitHub、ArXiv、HackerNews 等源收集技术信号，经相关性与风险评估后合成可执行的洞察摘要。
• 能力标签：多 Agent 编排
• 技术栈：Agno, OpenAI GPT-4.1/4.1-mini, Streamlit, httpx, feedparser
• 入口文件：main.py / streamlit_app.py

使用方式

1. 无 API Key 可先运行 python verify.py 用模拟数据验证；2. pip install -r requirements.txt；3. 配置 OPENAI_API_KEY；4. python main.py 运行完整流水线，或 streamlit run streamlit_app.py 启动仪表板。

改造 / 扩展建议

• 添加更多数据源如 Reddit、Product Hunt
• 接入向量数据库存储长期信号
• 用 WebSocket 实现实时摘要流
• 增加用户反馈闭环优化相关性评分
• 替换为更便宜模型做相关性分类

注意事项

设计上明确将确定性采集操作作为普通工具函数而非智能体，仅在需要推理处使用 LLM。

---

3.12 Multi-Agent AI Researcher

• 代码路径：advanced_ai_agents/multi_agent_apps/multi_agent_researcher
• 一句话简介：基于 Agno 与 GPT-4o 的 HackerNews 多智能体研究团队，聚合故事、网页与搜索信息生成带引用的文章。
• 能力标签：多 Agent 编排
• 技术栈：Agno, OpenAI GPT-4o, DuckDuckGo, newspaper4k, HackerNews API, Streamlit
• 入口文件：research_agent.py

使用方式

1. pip install -r requirements.txt；2. 配置 OPENAI_API_KEY；3. streamlit run research_agent.py；4. 输入研究主题后由 HackerNews Researcher、Web Searcher、Article Reader 协作生成文章。

改造 / 扩展建议

• 扩展数据源至 Reddit、Lobsters
• 支持导出 Markdown/PDF 报告
• 增加图片与趋势图表
• 添加缓存降低重复请求成本
• 支持用户自定义搜索过滤

注意事项

README 中也包含 research_agent_llama3.py 作为 Llama 3 替代版本。

---

3.13 Multi-Agent Trust Layer

• 代码路径：advanced_ai_agents/multi_agent_apps/multi_agent_trust_layer
• 一句话简介：多智能体安全通信的信任层，提供身份注册、信任评分、委托链 narrowing 与策略执行，并记录完整审计日志。
• 能力标签：多 Agent 编排、数据分析 / BI
• 技术栈：Python dataclasses, OpenAI（可选 LLM）, 自定义信任层实现
• 入口文件：multi_agent_trust_layer.py

使用方式

1. pip install -r requirements.txt；2. export OPENAI_API_KEY=...；3. python multi_agent_trust_layer.py；4. 观察注册、委托、执行、拒绝与评分更新过程。

改造 / 扩展建议

• 实现真正的非对称签名验证委托
• 接入外部身份提供商 OAuth/SAML
• 增加实时信任分可视化仪表板
• 支持跨组织声誉系统
• 使用 mTLS 保护智能体间通信

注意事项

当前为教学实现，加密部分使用示例逻辑，生产环境需替换为真实签名方案。

---

3.14 Product Launch Intelligence Agent

• 代码路径：advanced_ai_agents/multi_agent_apps/product_launch_intelligence_agent
• 一句话简介：面向 GTM 与产品营销团队的多智能体情报中心，分析竞品、市场情绪与公开发布指标，生成可执行的发射洞察报告。
• 能力标签：多 Agent 编排、浏览器自动化
• 技术栈：Agno, OpenAI GPT-4o, Firecrawl, Streamlit
• 入口文件：product_launch_intelligence_agent.py

使用方式

1. pip install -r requirements.txt；2. 配置 OPENAI_API_KEY 与 FIRECRAWL_API_KEY（可写入 .env 或侧边栏）；3. streamlit run product_launch_intelligence_agent.py；4. 输入公司/产品/话题，选择分析标签页运行。

改造 / 扩展建议

• 接入更多情报源如 G2、TrustRadius
• 增加 Slack/邮件报告推送
• 支持定时监控与竞品警报
• 添加自定义评分维度
• 导出 PPT/Word 报告

注意事项

支持 J/K/L 快捷键快速触发三类分析。

---

3.15 Trust-Gated Multi-Agent Research Team

• 代码路径：advanced_ai_agents/multi_agent_apps/trust_gated_agent_team
• 一句话简介：基于信任门控与哈希链审计的多智能体研究团队，只有达到信任阈值的智能体才能参与流水线，所有操作可追溯防篡改。
• 能力标签：多 Agent 编排
• 技术栈：Streamlit, OpenAI GPT-4o-mini, SHA-256
• 入口文件：trust_gated_agents.py

使用方式

1. pip install -r requirements.txt；2. 配置 OPENAI_API_KEY（或侧边栏输入）；3. streamlit run trust_gated_agents.py；4. 点击运行流水线，观察智能体通过/被拦截及审计链验证。

改造 / 扩展建议

• 增加动态信任评分策略
• 将审计链上链或写入数据库
• 支持更多角色与复杂工作流
• 添加人工审批节点
• 实现审计记录独立离线验证工具

注意事项

仅依赖 openai 与 streamlit，零额外加密库。

---

3.16 AG2 Adaptive Research Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ag2_adaptive_research_team
• 一句话简介：基于 AG2 的多智能体研究团队，通过分流决策在本地文档与网络搜索之间自适应路由，并加入验证与综合步骤。
• 能力标签：多 Agent 编排、本地 / 私有化
• 技术栈：AG2, OpenAI GPT-5-nano, SearxNG, Streamlit
• 入口文件：app.py

使用方式

1. pip install -r requirements.txt；2. streamlit run app.py；3. 在侧边栏输入 OpenAI API Key；4. 上传 PDF/TXT/MD 或输入问题，智能体自动选择本地或网络来源并生成带引用答案。

改造 / 扩展建议

• 接入私有 SearxNG 实例替代公共搜索
• 增加更多文档格式解析
• 引入 AG-UI 实现更丰富的交互
• 添加 OpenTelemetry 追踪
• 支持多轮对话与上下文保持

注意事项

默认模型为 gpt-5-nano，可在侧边栏切换。

---

3.17 AI Competitor Intelligence Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_competitor_intelligence_agent_team
• 一句话简介：基于 Firecrawl、Exa 与 Agno 的竞品情报团队，爬取竞品网站并生成结构化对比报告与战略建议。
• 能力标签：多 Agent 编排、浏览器自动化
• 技术栈：Agno, OpenAI, Firecrawl, Exa, Pandas, Streamlit
• 入口文件：ai_competitor_analyser.py

使用方式

1. pip install -r requirements.txt；2. 配置 OpenAI、Firecrawl、Exa API Key；3. streamlit run ai_competitor_analyser.py；4. 输入公司网址或描述，点击分析竞品。

改造 / 扩展建议

• 接入更多竞品数据源如 Crunchbase、G2
• 增加定价策略可视化图表
• 支持导出 PowerPoint 报告
• 添加定期竞品监控任务
• 扩展 SWOT 与 PEST 分析模板

注意事项

无特殊注意点。

---

3.18 AI Finance Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_finance_agent_team
• 一句话简介：由网络搜索、财务分析与团队协调智能体组成的金融分析团队，结合 YFinance 与 DuckDuckGo 提供实时金融洞察。
• 能力标签：多 Agent 编排、生成式 UI
• 技术栈：Agno, OpenAI GPT-4o, DuckDuckGo, YFinance, SQLAlchemy, Playground UI
• 入口文件：finance_agent_team.py

使用方式

1. pip install -r requirements.txt；2. export OPENAI_API_KEY=...；3. python3 finance_agent_team.py；4. 根据控制台 URL 打开 playground 界面进行交互。

改造 / 扩展建议

• 接入更多金融数据源如 Alpha Vantage
• 增加投资组合回测模块
• 支持自然语言图表生成
• 添加交易信号预警
• 实现持久化对话历史

注意事项

使用 Agno Playground 而非 Streamlit 提供交互界面。

---

3.19 AI Game Design Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_game_design_agent_team
• 一句话简介：基于 AG2 Swarm 的游戏设计多智能体团队，涵盖叙事、玩法、视觉、技术与任务协调，生成完整游戏概念文档。
• 能力标签：多 Agent 编排
• 技术栈：AG2, OpenAI GPT-4o, Streamlit
• 入口文件：game_design_agent_team.py

使用方式

1. pip install -r requirements.txt；2. 在侧边栏输入 OpenAI API Key；3. streamlit run game_design_agent_team.py；4. 填写游戏类型、受众、艺术风格与约束后生成概念。

改造 / 扩展建议

• 接入图片生成模型输出概念图
• 增加可玩原型代码生成
• 支持多人协作编辑设计文档
• 添加游戏经济数值模拟
• 导出为 Notion/Confluence 页面

注意事项

无特殊注意点。

---

3.20 AI Legal Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_legal_agent_team
• 一句话简介：模拟完整法律服务团队的多智能体 Streamlit 应用，包含法律研究、合同分析、法律策略与团队协调智能体。
• 能力标签：RAG / 知识库、多 Agent 编排、数据分析 / BI
• 技术栈：Agno (Phidata), OpenAI GPT-4o, Qdrant, text-embedding-3-small, DuckDuckGo, Streamlit
• 入口文件：legal_agent_team.py

使用方式

1. pip install -r requirements.txt；2. 配置 OpenAI 与 Qdrant API Key；3. streamlit run legal_agent_team.py；4. 上传 PDF 法律文档，选择分析类型并查看结果。

改造 / 扩展建议

• 接入更多法律数据库与判例源
• 增加合同条款风险自动标记
• 支持多文档对比分析
• 添加审计日志与版本控制
• 实现多语言法律文档处理

注意事项

仅支持 PDF 文档。

---

3.21 AI Real Estate Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_real_estate_agent_team
• 一句话简介：基于 Firecrawl Extract 与 Agno 的房产搜索分析团队，支持云版 Gemini 或本地 Ollama，提供房源、市场趋势与投资分析。
• 能力标签：多 Agent 编排、浏览器自动化、本地 / 私有化
• 技术栈：Agno, Google Gemini 2.5 Flash / Ollama gpt-oss:20b, Firecrawl, Pydantic, Streamlit
• 入口文件：real_estate_agent_team.py（云版）/ local_ai_real_estate_agent_team.py（本地版）

使用方式

1. pip install -r requirements.txt；2. 云版配置 GOOGLE_API_KEY 与 FIRECRAWL_API_KEY，本地版需启动 Ollama；3. streamlit run real_estate_agent_team.py 或 local_ai_real_estate_agent_team.py；4. 选择房产网站并输入位置、预算与需求后分析。

改造 / 扩展建议

• 接入更多房产平台 API
• 增加地图可视化与学区信息
• 支持历史房价趋势预测
• 添加房源收藏与对比功能
• 实现本地模型自动下载脚本

注意事项

本地版建议 16GB 以上内存。

---

3.22 AI Recruitment Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_recruitment_agent_team
• 一句话简介：模拟完整招聘团队的多智能体应用，自动完成简历筛选、候选人评估、邮件沟通与 Zoom 面试安排。
• 能力标签：多 Agent 编排、数据分析 / BI、自动化 / 工作流
• 技术栈：Agno (Phidata), OpenAI GPT-4o, Zoom API, Gmail SMTP, PyPDF2, Streamlit
• 入口文件：ai_recruitment_agent_team.py

使用方式

1. pip install -r requirements.txt；2. 配置 OpenAI API Key、Zoom Server-to-Server OAuth 凭证与 Gmail App Password；3. streamlit run ai_recruitment_agent_team.py；4. 上传简历、输入岗位信息后运行招聘流程。

改造 / 扩展建议

• 接入 ATS 系统同步候选人状态
• 增加结构化面试问题生成
• 支持多语言简历解析
• 添加候选人评分看板
• 实现面试录像与 AI 面试分析

注意事项

需要为招聘专用 Gmail 开启两步验证并生成应用专用密码，Zoom 需配置多个会议相关 scope。

---

3.23 AI Sales Intelligence Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_sales_intelligence_agent_team
• 一句话简介：基于 Google ADK 与 Gemini 3 的销售战卡生成器，通过 7 阶段流水线研究竞品并输出 HTML 战卡与对比图。
• 能力标签：多 Agent 编排
• 技术栈：Google ADK, Gemini 3 Flash/Pro/Preview, google_search, SequentialAgent, 自定义工具
• 入口文件：agent.py（ADK Web）

使用方式

1. pip install -r requirements.txt；2. 配置 GOOGLE_API_KEY；3. cd agent_teams 后 adk web；4. 选择 ai_sales_intelligence_agent_team，输入如 Create a battle card for Salesforce. We sell HubSpot。

改造 / 扩展建议

• 扩展至更多竞品数据源如 G2、Capterra
• 增加邮件/Slack 自动分发战卡
• 支持导入自家产品资料
• 添加历史战卡版本管理
• 生成 PowerPoint 格式战卡

注意事项

README 中的 cd 路径写成 agent_team（单数），实际为 agent_teams。

---

3.24 AI SEO Audit Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_seo_audit_team
• 一句话简介：基于 Google ADK 与 Firecrawl MCP 的 SEO 审计团队，自动爬取页面、研究 SERP 并输出优先级优化报告。
• 能力标签：多 Agent 编排、MCP 工具集成、浏览器自动化、自动化 / 工作流
• 技术栈：Google ADK, Gemini 2.5 Flash, Firecrawl MCP, google_search, SequentialAgent
• 入口文件：agent.py（ADK Web）

使用方式

1. 安装 Python 依赖与 Node.js；2. 配置 GOOGLE_API_KEY 与 FIRECRAWL_API_KEY；3. cd agent_teams 后 adk web；4. 选择 ai_seo_audit_team，输入目标 URL 查看审计轨迹与报告。

改造 / 扩展建议

• 替换 SERP 源为 Serper、Tavily 等
• 接入 Jira/Linear 自动生成优化任务
• 增加批量站点地图审计
• 添加 Core Web Vitals 数据
• 将报告发送到 Slack/邮件

注意事项

Firecrawl MCP 需要 Node.js 环境通过 npx 启动。

---

3.25 AI Services Agency

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_services_agency
• 一句话简介：模拟数字代理公司的五智能体系统，由 CEO、CTO、产品经理、开发者与客户成功角色共同分析和规划软件项目。
• 能力标签：多 Agent 编排
• 技术栈：Agency Swarm, OpenAI, Streamlit
• 入口文件：agency.py

使用方式

1. pip install -r requirements.txt；2. streamlit run agency.py；3. 在侧边栏输入 OpenAI API Key；4. 输入创业想法，查看各角色分析结果。

改造 / 扩展建议

• 接入项目成本数据库
• 增加交互式 ROI 计算器
• 支持导出项目计划书 PDF
• 添加竞品自动调研模块
• 实现多轮方案迭代

注意事项

使用 Agency Swarm 框架而非 Agno/ADK。

---

3.26 AI Teaching Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_teaching_agent_team
• 一句话简介：由教授、学术顾问、研究图书馆员与助教组成的多智能体教学团队，协作为用户生成 Google Docs 形式的学习计划与练习。
• 能力标签：多 Agent 编排、数据分析 / BI
• 技术栈：Agno (Phidata), OpenAI GPT-4o, Composio Google Docs, SerpAPI, Streamlit
• 入口文件：teaching_agent_team.py

使用方式

1. pip install -r requirements.txt；2. 配置 OpenAI、Composio 与 SerpAPI Key，并通过 composio add googledocs 授权；3. streamlit run teaching_agent_team.py；4. 输入学习主题生成知识库、学习路径、资源与练习文档。

改造 / 扩展建议

• 接入 Notion/飞书文档替代 Google Docs
• 增加测验自动批改
• 支持视频课程推荐
• 添加学习进度追踪
• 实现知识点图谱可视化

注意事项

Google Docs 集成需要先在 Composio 完成 OAuth2 连接。

---

3.27 TripCraft AI Travel Planner

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_travel_planner_agent_team
• 一句话简介：完整前后端旅行规划系统，多个专业智能体并行处理航班、酒店、餐饮、活动与预算，生成个性化行程。
• 能力标签：多 Agent 编排、生成式 UI、浏览器自动化、记忆 / Memory
• 技术栈：Agno, Gemini, FastAPI, PostgreSQL, asyncpg, Exa, Firecrawl, fast-flights, mem0ai, Next.js/React/TypeScript
• 入口文件：backend/main.py + client/（pnpm dev）

使用方式

1. cd backend 安装 Python 依赖并配置环境变量，运行 python main.py；2. cd client 执行 pnpm install、pnpm prisma generate、pnpm prisma db push、pnpm dev；3. 浏览器打开 http://localhost:3000 填写旅行偏好获取行程。

改造 / 扩展建议

• 接入真实航班/酒店预订 API
• 增加预算优化与拼车建议
• 支持多人协作行程编辑
• 添加地图与天气集成
• 实现用户历史行程推荐

注意事项

需要 PostgreSQL 数据库，后端使用 uv/pyproject.toml 管理依赖。

---

3.28 AI VC Due Diligence Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/ai_vc_due_diligence_agent_team
• 一句话简介：基于 Google ADK 的 7 阶段投资尽调流水线，自动研究公司、市场、财务、风险并生成 HTML 投资报告与信息图。
• 能力标签：多 Agent 编排、自动化 / 工作流
• 技术栈：Google ADK, Gemini 3 Pro/Flash/Nano Banana Pro, google_search, matplotlib, 自定义工具
• 入口文件：agent.py（ADK Web）

使用方式

1. pip install -r requirements.txt；2. 配置 GOOGLE_API_KEY；3. cd agent_teams 后 adk web；4. 选择 ai_vc_due_diligence_agent_team，输入公司名称或网址及融资阶段。

改造 / 扩展建议

• 接入 Crunchbase、PitchBook 等数据源
• 增加可比公司估值模型
• 支持导出 Word/PDF 报告
• 添加投资组合风险聚合
• 实现尽调评分卡

注意事项

生成收益图表、投资报告与信息图等工件到 outputs/ 目录。

---

3.29 Multimodal AI Coding Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/multimodal_coding_agent_team
• 一句话简介：支持上传题目截图或文本的多模态编程助手，由 Vision、Coding 与 Execution 智能体协作生成并在沙箱中执行代码。
• 能力标签：多 Agent 编排、代码 / 开发助手
• 技术栈：Agno, OpenAI o3-mini, Gemini 2.0 Flash, E2B Sandbox, Streamlit
• 入口文件：ai_coding_agent_o3.py

使用方式

1. 准备 OpenAI、Gemini 与 E2B API Key；2. pip install -r requirements.txt；3. streamlit run ai_coding_agent_o3.py；4. 上传题目图片或输入描述，点击生成并执行解决方案。

改造 / 扩展建议

• 支持更多编程语言如 Go、Rust
• 接入本地 Docker 沙箱替代 E2B
• 增加单元测试自动生成
• 添加题目难度评级
• 保存历史解题记录

注意事项

代码执行有 30 秒超时保护。

---

3.30 Multimodal AI Design Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/multimodal_design_agent_team
• 一句话简介：基于 Gemini 的多模态设计分析团队，对 UI/UX 设计图进行视觉、体验与市场分析，并支持竞品对比。
• 能力标签：多 Agent 编排、生成式 UI
• 技术栈：Agno, Google Gemini 2.0, Pillow, DuckDuckGo, Streamlit
• 入口文件：design_agent_team.py

使用方式

1. pip install -r requirements.txt；2. 在侧边栏输入 Gemini API Key；3. streamlit run design_agent_team.py；4. 上传设计图，选择分析类型后运行分析。

改造 / 扩展建议

• 接入 Figma/Sketch 插件直接导入
• 增加生成改进设计稿能力
• 支持设计规范自动检测
• 添加团队协作评论
• 导出分析报告 PDF

注意事项

建议使用高分辨率、清晰的设计图。

---

3.31 Multimodal UI/UX Feedback Agent Team

• 代码路径：advanced_ai_agents/multi_agent_apps/agent_teams/multimodal_uiux_feedback_agent_team
• 一句话简介：基于 Google ADK 的多模态落地页评审团队，上传截图后自动给出 UI/UX 诊断、改进方案并生成优化后的设计图。
• 能力标签：多 Agent 编排、生成式 UI、自动化 / 工作流
• 技术栈：Google ADK, Gemini 2.5 Flash, google_search, 自定义视觉工具
• 入口文件：agent.py（ADK Web）

使用方式

1. pip install -r requirements.txt；2. 配置 GOOGLE_API_KEY；3. cd agent_teams 后 adk web；4. 选择 multimodal_uiux_feedback_agent_team，上传落地页截图并输入目标受众。

改造 / 扩展建议

• 接入前端代码生成将设计转为 HTML/CSS
• 增加 A/B 测试方案生成
• 支持移动端截图专项评审
• 添加 WCAG 合规检查报告
• 建立设计版本对比画廊

注意事项

适合静态落地页截图，复杂交互动画无法完整捕捉。

---

4. Advanced AI Agents / Single-Agent Apps（高级 AI Agent / 单 Agent 应用）

4.1 AI Agent Governance - Policy-Based Sandboxing

• 代码路径：advanced_ai_agents/single_agent_apps/ai_agent_governance
• 一句话简介：基于声明式策略的AI代理治理层，可在工具执行前拦截并验证操作，提供审计日志与文件系统/网络访问控制。
• 技术栈：Python, OpenAI API, PyYAML
• 入口文件：ai_agent_governance.py

使用方式

1) 克隆仓库并进入目录 2) pip install -r requirements.txt 3) 设置 OPENAI_API_KEY 4) 运行 python ai_agent_governance.py 5) 观察策略引擎对请求的允许/拒绝/审批处理

改造 / 扩展建议

• 添加自定义策略规则（如时间窗口、角色权限）
• 接入外部策略管理系统
• 实现人工审批工作流UI
• 增加实时监控与告警
• 扩展支持更多LLM提供商

注意事项

强调确定性安全优于提示工程；默认示例包含文件路径、网络域名和速率限制策略。

---

4.2 AI Consultant Agent with Google ADK

• 代码路径：advanced_ai_agents/single_agent_apps/ai_consultant_agent
• 一句话简介：基于Google ADK的商业咨询代理，利用Perplexity实时网络调研提供市场分析、战略规划与可执行建议。
• 技术栈：Google ADK, Gemini 2.5 Flash, Perplexity AI (Sonar), Python
• 入口文件：ai_consultant_agent.py

使用方式

1) 进入目录并安装依赖 2) 设置 GOOGLE_API_KEY 与 PERPLEXITY_API_KEY 3) 运行 adk web 4) 打开 http://localhost:8000 5) 选择 AI Business Consultant 并输入商业问题

改造 / 扩展建议

• 接入更多数据源（Crunchbase、Statista）
• 增加行业专属评估模板
• 添加会话历史持久化
• 接入Slack/Teams作为咨询入口
• 自定义评估指标与调试面板

注意事项

内置评估与调试功能，可在Eval标签页保存测试用例。

---

4.3 AI Customer Support Agent with Memory

• 代码路径：advanced_ai_agents/single_agent_apps/ai_customer_support_agent
• 一句话简介：基于Streamlit的AI客服代理，使用GPT-4o生成合成数据并通过Mem0+Qdrant持久化客户交互记忆。
• 能力标签：记忆 / Memory
• 技术栈：Streamlit, OpenAI GPT-4o, Mem0, Qdrant, Python
• 入口文件：customer_support_agent.py

使用方式

1) 克隆并进入目录 2) 安装依赖 3) 用Docker启动Qdrant（localhost:6333） 4) 运行 streamlit run customer_support_agent.py 5) 在聊天界面与客服代理交互

改造 / 扩展建议

• 接入真实客服工单数据
• 替换Qdrant为其他向量数据库
• 增加多语言支持
• 接入工单系统（Zendesk/Intercom）
• 添加情绪识别与升级机制

注意事项

使用合成数据演示；生产环境需替换为真实客户数据。

---

4.4 Deep Research Agent with OpenAI Agents SDK and Firecrawl

• 代码路径：advanced_ai_agents/single_agent_apps/ai_deep_research_agent
• 一句话简介：使用OpenAI Agents SDK与Firecrawl深度研究能力，对任意主题进行网络搜索、内容提取与综合报告生成。
• 能力标签：浏览器自动化
• 技术栈：OpenAI Agents SDK, Firecrawl, Streamlit, OpenAI API, Python
• 入口文件：deep_research_openai.py

使用方式

1) 安装依赖 2) 在侧边栏输入OpenAI和Firecrawl API密钥 3) 运行 streamlit run deep_research_openai.py 4) 输入研究主题 5) 点击 Start Research 查看并下载增强报告

改造 / 扩展建议

• 增加引用格式化与来源验证
• 接入更多搜索引擎（Exa、Serper）
• 支持PDF/Word导出
• 添加研究任务并行化
• 集成知识库做领域增强

注意事项

包含研究代理与Elaboration代理两阶段增强流程。

---

4.5 AI Email GTM Reachout Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_email_gtm_reachout_agent
• 一句话简介：自动化B2B外联系统，通过Exa搜索发现目标公司与决策者，并生成个性化冷邮件。
• 能力标签：自动化 / 工作流
• 技术栈：Agno (>=2.0.4), Exa, OpenAI, Streamlit, Python
• 入口文件：ai_email_gtm_reachout.py

使用方式

1) 安装依赖 2) 设置 EXA_API_KEY 与 OPENAI_API_KEY 3) 运行 streamlit run ai_email_gtm_reachout.py 4) 配置目标公司类别、规模、部门 5) 点击 Start Automated Campaign 生成邮件

改造 / 扩展建议

• 接入CRM系统（HubSpot/Salesforce）
• 增加邮件发送功能（SendGrid/AWS SES）
• 添加A/B测试与效果追踪
• 扩展更多行业模板
• 集成LinkedIn Sales Navigator

注意事项

需要Agno 2.0.4或更高版本；邮件生成后需人工复核再发送。

---

4.6 AI Fraud Investigation Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_fraud_investigation_agent
• 一句话简介：自治欺诈调查代理，交叉比对伊利诺伊州儿童护理许可证、Cook County房产记录、Google Maps与州务卿数据，识别文件与物理实体不符的异常。
• 能力标签：数据分析 / BI
• 技术栈：Streamlit, OpenRouter (Claude Sonnet 4.6), Google Maps API, Socrata/Cook County Open Data, Python
• 入口文件：fraud_investigation_agent.py

使用方式

1) 安装依赖 2) 获取OpenRouter API密钥（必需）和Google Maps API密钥（可选） 3) 运行 streamlit run fraud_investigation_agent.py 4) 选择Cook County ZIP码 5) 查看实时调查叙述与异常线索

改造 / 扩展建议

• 扩展至其他州/县的公开数据
• 添加内部账单数据接口
• 增加可视化地图与热力图
• 构建审计报告导出
• 接入CCAP等私有数据源（需授权）

注意事项

仅覆盖Cook County, IL；Google Maps密钥可选但缺少则跳过视觉分析；调查结果为线索而非法律结论。

---

4.7 AI Health & Fitness Planner Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_health_fitness_agent
• 一句话简介：基于Agno框架的个性化健康健身规划代理，根据用户身体数据、饮食偏好与健身目标生成饮食与锻炼计划。
• 技术栈：Agno, Google Generative AI (Gemini), Streamlit, Python
• 入口文件：health_agent.py

使用方式

1) 获取Gemini API密钥 2) 安装依赖 3) 运行 streamlit run health_agent.py 4) 输入年龄、体重、身高等信息 5) 获取并追问饮食/健身计划

改造 / 扩展建议

• 接入可穿戴设备数据
• 增加营养师/教练角色分离
• 支持多语言饮食计划
• 接入食材数据库做精准营养
• 添加进度追踪与图表

注意事项

包含饮食和健身两个专业代理；并非医疗建议。

---

4.8 AI Investment Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_investment_agent
• 一句话简介：基于Agno AgentOS的投资分析代理，使用GPT-5.2和Yahoo Finance数据生成股票对比与投资报告。
• 技术栈：Agno AgentOS, OpenAI GPT-5.2, Yahoo Finance, Python
• 入口文件：investment_agent.py

使用方式

1) 安装依赖 2) 设置 OPENAI_API_KEY 3) 运行 python investment_agent.py 4) 按控制台输出URL打开playground 5) 输入股票进行对比分析

改造 / 扩展建议

• 接入更多金融数据源（Alpha Vantage、Bloomberg）
• 添加风险评估模型
• 构建投资组合优化
• 增加新闻情绪分析
• 对接AgentOS控制面板做监控

注意事项

需要连接AgentOS控制面板进行远程管理；投资分析仅供参考。

---

4.9 AI Journalist Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_journalist_agent
• 一句话简介：基于Streamlit的AI记者代理，利用GPT-4o、SerpAPI与NewspaperToolkit自动研究、撰写并润色高质量文章。
• 能力标签：自动化 / 工作流
• 技术栈：Streamlit, OpenAI GPT-4o, SerpAPI, NewspaperToolkit, Python
• 入口文件：journalist_agent.py

使用方式

1) 安装依赖 2) 设置 OPENAI_API_KEY 与 SERPAPI_API_KEY 3) 运行 streamlit run journalist_agent.py 4) 输入文章主题 5) 查看生成并润色后的文章

改造 / 扩展建议

• 支持更多搜索源（Bing、DuckDuckGo）
• 增加文章风格模板
• 添加图片/多媒体插入
• 实现编辑审核工作流
• 接入CMS自动发布

注意事项

编辑组件以纽约时报标准润色内容。

---

4.10 AI Meeting Preparation Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_meeting_agent
• 一句话简介：多代理会议准备助手，结合GPT-4、Claude与Serper搜索生成会议背景分析、行业洞察、策略建议与高管简报。
• 技术栈：Streamlit, OpenAI GPT-4, Anthropic Claude, Serper API, Python
• 入口文件：meeting_agent.py

使用方式

1) 安装依赖 2) 设置 ANTHROPIC_API_KEY、SERPER_API_KEY、OPENAI_API_KEY 3) 运行 streamlit run meeting_agent.py 4) 输入会议相关方与议题 5) 查看生成的多维会议材料

改造 / 扩展建议

• 接入日历系统自动读取会议
• 增加会议纪要生成功能
• 对接Notion/Confluence输出
• 添加参会人LinkedIn资料抓取
• 建立会议材料模板库

注意事项

同时使用多个LLM提供商，需准备对应API密钥。

---

4.11 AI Movie Production Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_movie_production_agent
• 一句话简介：基于Claude 3.5 Sonnet的AI电影制作助手，自动生成剧本大纲与选角建议。
• 能力标签：自动化 / 工作流
• 技术栈：Streamlit, Anthropic Claude 3.5 Sonnet, SerpAPI, Python
• 入口文件：movie_production_agent.py

使用方式

1) 安装依赖 2) 设置 ANTHROPIC_API_KEY 与 SERPAPI_API_KEY 3) 运行 streamlit run movie_production_agent.py 4) 输入电影创意、类型与目标受众 5) 查看剧本大纲与演员推荐

改造 / 扩展建议

• 增加分镜/场景描述生成
• 接入演员档期/片酬数据库
• 支持多种电影类型模板
• 添加预算估算模块
• 导出为剧本格式（Fountain）

注意事项

包含ScriptWriter、CastingDirector、MovieProducer三个协作角色。

---

4.12 AI Personal Finance Planner

• 代码路径：advanced_ai_agents/single_agent_apps/ai_personal_finance_agent
• 一句话简介：基于GPT-4o的个人财务规划代理，根据用户目标与财务状况生成预算、投资策略与储蓄计划。
• 技术栈：Streamlit, OpenAI GPT-4o, SerpAPI, Python
• 入口文件：finance_agent.py

使用方式

1) 安装依赖 2) 设置 OPENAI_API_KEY 与 SERPAPI_API_KEY 3) 运行 streamlit run finance_agent.py 4) 输入财务目标与现状 5) 获取个性化财务方案

改造 / 扩展建议

• 接入银行账户/记账数据
• 增加税务规划模块
• 支持风险偏好问卷
• 接入市场数据做投资回测
• 生成可视化资产负债表

注意事项

理财建议仅供参考，不构成专业投资意见。

---

4.13 AI Recipe & Meal Planning Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_recipe_meal_planning_agent
• 一句话简介：基于Agno的智能膳食代理，支持按食材发现食谱、营养分析、成本估算与一周膳食计划。
• 技术栈：Agno, OpenAI GPT-5 mini, Streamlit, Spoonacular API, DuckDuckGo, Python
• 入口文件：ai_recipe_meal_planning_agent.py

使用方式

1) 安装依赖 2) 创建.env文件并设置 OPENAI_API_KEY（SPOONACULAR_API_KEY可选但推荐） 3) 运行 streamlit run ai_recipe_meal_planning_agent.py 4) 输入食材或膳食需求 5) 查看食谱、营养与计划

改造 / 扩展建议

• 接入本地菜价数据提高成本估算
• 增加过敏原与宗教饮食过滤
• 支持食谱收藏与历史记录
• 接入食材电商API生成购物清单
• 添加家庭成员营养目标

注意事项

无Spoonacular密钥时食谱搜索和营养工具会报错；记忆仅在当前会话有效。

---

4.14 AI Startup Insight with Firecrawl FIRE-1 Agent

• 代码路径：advanced_ai_agents/single_agent_apps/ai_startup_insight_fire1_agent
• 一句话简介：利用Firecrawl FIRE-1代理与Agno框架，自动从公司网站提取结构化信息并生成商业分析。
• 能力标签：浏览器自动化、自动化 / 工作流
• 技术栈：Firecrawl FIRE-1, Agno, OpenAI GPT, Streamlit, Python
• 入口文件：ai_startup_insight_fire1_agent.py

使用方式

1) 安装依赖 2) 获取Firecrawl和OpenAI API密钥 3) 运行 streamlit run ai_startup_insight_fire1_agent.py 4) 在侧边栏输入密钥，在文本区输入公司网址 5) 点击 Start Analysis 查看结构化数据与AI分析

改造 / 扩展建议

• 扩展输出字段（融资、团队、竞品）
• 批量处理URL列表
• 接入CRM/投资数据库
• 增加竞品对比功能
• 导出为PDF/Excel报告

注意事项

FIRE-1可处理动态页面、分页和多步骤交互。

---

4.15 AI System Architect Advisor with R1

• 代码路径：advanced_ai_agents/single_agent_apps/ai_system_architect_r1
• 一句话简介：双模型架构顾问系统，结合DeepSeek R1推理与Claude 3.5生成软件架构分析、实施路线图与技术规范。
• 技术栈：Agno, DeepSeek R1, Anthropic Claude 3.5, Streamlit, Python
• 入口文件：ai_system_architect_r1.py

使用方式

1) 安装依赖 2) 配置DeepSeek和Anthropic API密钥 3) 运行 streamlit run ai_system_architect_r1.py 4) 输入项目背景、需求、约束与规模 5) 查看架构分析、组件与风险建议

改造 / 扩展建议

• 增加成本估算模型
• 接入架构图生成（Mermaid/Diagrams）
• 支持更多架构类型
• 添加合规框架映射（SOC2/GDPR）
• 导出为Architecture Decision Records

注意事项

需要同时提供DeepSeek和Anthropic密钥；API调用会产生费用。

---

4.16 Earnings Call Analyst Agent

• 代码路径：advanced_ai_agents/single_agent_apps/earnings_call_analyst_agent
• 一句话简介：投资者级财报电话会议分析助手，将YouTube财报视频转换为与播放同步的分析师工作区，实时展示关键信号与引用。
• 能力标签：数据分析 / BI
• 技术栈：Google ADK, Gemini/Vertex AI, FastAPI, Uvicorn, YouTube Data API, Python
• 入口文件：earnings_call_analyst_agent/live_demo/server.py

使用方式

1) 创建虚拟环境并安装依赖 2) 复制.env.example为.env并配置Google/Vertex AI密钥 3) 运行 PYTHONPATH=.. python -m uvicorn earnings_call_analyst_agent.live_demo.server:app --host 127.0.0.1 --port 4188 4) 打开 http://127.0.0.1:4188 5) 粘贴YouTube财报电话会议URL

改造 / 扩展建议

• 支持更多视频平台（Vimeo、公司官网）
• 接入EDGAR/SEC全文检索
• 增加情感趋势图表
• 添加同行对比面板
• 导出会议纪要与洞察卡片

注意事项

需配置Vertex AI或Gemini API；无字幕视频会回退到ADK音频转录。

---

4.17 AI Research Planner & Executor Agent with Google’s Interactions API

• 代码路径：advanced_ai_agents/single_agent_apps/research_agent_gemini_interaction_api
• 一句话简介：基于Google Interactions API的多阶段研究代理，支持状态化对话、模型混合、异步执行与自动生成信息图。
• 能力标签：自动化 / 工作流
• 技术栈：Google Interactions API, Gemini 3 Flash/Pro, Deep Research Agent, google-genai, Streamlit, Python
• 入口文件：research_planner_executor_agent.py

使用方式

1) 安装依赖 2) 获取Google API密钥 3) 运行 streamlit run research_planner_executor_agent.py 4) 在侧边栏输入密钥与研究目标 5) 按阶段选择任务并查看报告与信息图

改造 / 扩展建议

• 接入企业内部知识库
• 增加报告模板（学术/商业/技术）
• 支持批量研究任务调度
• 添加团队协作与评论
• 导出为PPT/Word

注意事项

Interactions API处于Beta；深度研究可能需要2-5分钟；信息图使用Gemini 3 Pro Image生成。

---

4.18 Windows Use Autonomous Agent

• 代码路径：advanced_ai_agents/single_agent_apps/windows_use_autonomous_agent
• 一句话简介：直接在Windows GUI层执行自动化任务的代理，可打开应用、点击按钮、输入文字、执行Shell命令并捕获UI状态，无需传统计算机视觉模型。
• 能力标签：生成式 UI、自动化 / 工作流
• 技术栈：windows-use, LangChain Google GenAI, Gemini 2.0 Flash, Python 3.12+
• 入口文件：main.py

使用方式

1) 确保Windows 10/11与Python 3.12+ 2) 安装UV或pip 3) 执行 pip install windows-use 4) 设置 GOOGLE_API_KEY 5) 运行 python main.py 并输入任务

改造 / 扩展建议

• 增加任务计划与定时执行
• 支持本地LLM（Mistral/LLaMA）
• 添加操作录屏与回放
• 实现权限白名单与撤销机制
• 扩展跨应用工作流模板

注意事项

直接在Windows GUI层操作，建议在沙箱环境运行；存在误操作风险。

---

5. Autonomous Game-Playing Agents（自主游戏 Agent）

5.1 AI 3D PyGame Visualizer with DeepSeek R1

• 代码路径：advanced_ai_agents/autonomous_game_playing_agent_apps/ai_3dpygame_r1
• 一句话简介：基于DeepSeek R1推理与OpenAI代码提取的PyGame代码生成与可视化系统，通过浏览器代理在Trinket.io自动运行并展示效果。
• 能力标签：浏览器自动化、代码 / 开发助手、自动化 / 工作流
• 技术栈：DeepSeek R1, OpenAI GPT-4o, Streamlit, Browser Automation, Trinket.io, Python
• 入口文件：ai_3dpygame_r1.py

使用方式

1) 安装依赖 2) 设置DeepSeek和OpenAI API密钥 3) 运行 streamlit run ai_3dpygame_r1.py 4) 用自然语言描述想要的PyGame效果 5) 系统自动生成代码并在浏览器中可视化

改造 / 扩展建议

• 支持更多可视化平台（CodePen、JSFiddle）
• 增加3D库支持（Three.js、Pygame 3D）
• 添加代码版本对比
• 实现代码自动纠错与重试
• 导出为可运行本地文件

注意事项

依赖Trinket.io外部站点，网络或浏览器自动化失败会影响可视化。

---

5.2 Agent White vs Agent Black: Chess Game

• 代码路径：advanced_ai_agents/autonomous_game_playing_agent_apps/ai_chess_agent
• 一句话简介：两个AI代理在Streamlit应用中对弈国际象棋，使用Autogen构建并包含走法验证与游戏状态管理。
• 能力标签：自动化 / 工作流
• 技术栈：Autogen, OpenAI, Streamlit, Python
• 入口文件：ai_chess_agent.py

使用方式

1) 安装依赖 2) 设置 OPENAI_API_KEY 3) 运行 streamlit run ai_chess_agent.py 4) 在浏览器中观看白方与黑方AI代理自动对弈

改造 / 扩展建议

• 支持不同模型对战（Claude vs Gemini）
• 增加人类玩家参与模式
• 添加棋局复盘与关键走法分析
• 接入棋谱数据库（Lichess）
• 实现ELO评分与对战记录

注意事项

包含白方、黑方与棋盘代理（验证代理）三个Autogen代理。

---

5.3 Agent X vs Agent O: Tic-Tac-Toe Game

• 代码路径：advanced_ai_agents/autonomous_game_playing_agent_apps/ai_tic_tac_toe_agent
• 一句话简介：基于Agno框架与Streamlit的井字棋对战游戏，可让不同LLM模型（GPT-4、Claude、Gemini等）作为玩家互相对弈。
• 能力标签：本地 / 私有化、自动化 / 工作流
• 技术栈：Agno, Streamlit, OpenAI GPT-4o/o3-mini, Gemini, Claude, Groq/Llama 3, Python
• 入口文件：app.py

使用方式

1) 安装依赖 2) 创建.env文件并填入对应模型API密钥 3) 运行 streamlit run app.py 4) 在界面选择双方AI模型 5) 点击开始观看对战

改造 / 扩展建议

• 增加人类对战AI模式
• 扩展更多棋盘游戏（四连棋、五子棋）
• 添加策略解释与胜率预测
• 支持本地模型（Ollama）
• 记录并回放对战历史

注意事项

主裁判代理负责协调、验证走法与维护状态；支持多模型组合对战。

---

6. Advanced LLM Apps / Esoteric & Local LLM（高级 LLM 应用 / 小众与本地模型）

6.1 The Magician IA Reader（AI 塔罗占卜）

• 代码路径：advanced_llm_apps/chat-with-tarots
• 一句话简介：基于本地 phi4 大模型与 CSV 塔罗牌知识库的 Streamlit 互动占卜应用。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Python, Streamlit, LangChain/LCEL, Ollama (phi4), pandas, Pillow
• 入口文件：advanced_llm_apps/chat-with-tarots/app.py

使用方式

1) 安装并启动 Ollama，执行 `ollama pull phi4 && ollama serve`；2) 进入目录后 `pip install -r requirements.txt`；3) 运行 `streamlit run app.py`；4) 在浏览器 localhost:8501 选择 3/5/7 张牌，输入问题后抽牌并查看 AI 解读。

改造 / 扩展建议

• 将 data/tarots.csv 替换为其他语言/自定义牌意以支持多语言占卜
• 在 helpers/help_func.py 中切换为其他 Ollama 模型（如 llama3.1）
• 增加更多牌阵模板（凯尔特十字、关系牌阵等）
• 加入历史记录与解读保存功能
• 接入向量数据库做 RAG，扩展牌意外的背景知识

注意事项

核心数据来自 data/tarots.csv（含 upright/reversed/symbolism），78 张牌面图存放于 images/；应用通过 LCEL 链组合 prompt、牌意与 LLM。

---

7. Advanced LLM Apps / Chat with X（高级 LLM 应用 / 与 X 对话）

7.1 Chat with GitHub Repo

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_github
• 一句话简介：使用 Embedchain 对 GitHub 仓库做 RAG 问答的 Streamlit 应用。
• 能力标签：RAG / 知识库
• 技术栈：Python, Streamlit, embedchain[github], OpenAI API, GitHub Personal Access Token
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_github/chat_github.py

使用方式

1) `pip install -r requirements.txt`；2) 准备 OpenAI API Key 与 GitHub Token；3) 运行 `streamlit run chat_github.py`；4) 在界面输入 OpenAI Key、仓库地址，等待知识库构建后提问。

改造 / 扩展建议

• 使用同目录的 chat_github_llama3.py 切换到本地 Llama3
• 增加分支、子路径或文件类型过滤，避免索引整库
• 将 Chroma 向量库持久化到磁盘而非临时目录
• 支持同时对比多个仓库
• 改进 UI，展示答案引用的源码片段与文件路径

注意事项

代码中 GitHub Token 为硬编码占位符，实际使用前需在 GithubLoader 配置中替换。

---

7.2 Chat with Gmail Inbox

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_gmail
• 一句话简介：通过 Embedchain 连接 Gmail 收件箱，使用 OpenAI GPT-4-turbo 回答邮件相关问题。
• 技术栈：Python, Streamlit, embedchain[gmail], OpenAI API, Google OAuth/Gmail API
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_gmail/chat_gmail.py

使用方式

1) 在 Google Cloud Console 创建项目、启用 Gmail API、配置 OAuth 同意屏并下载 `credentials.json` 到工作目录；2) `pip install -r requirements.txt`；3) `streamlit run chat_gmail.py`；4) 输入 OpenAI Key，自动索引 `to: me label:inbox` 邮件后提问。

改造 / 扩展建议

• 支持自定义 Gmail 搜索条件（日期范围、发件人、标签）
• 按对话线程聚合邮件，减少重复上下文
• 添加附件内容解析（PDF/图片 OCR）
• 支持本地模型替代 OpenAI
• 增加邮件摘要与待办提取功能

注意事项

过滤条件在代码中写死为 to: me label:inbox，首次运行会触发 OAuth 授权流程。

---

7.3 Chat with PDF

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_pdf
• 一句话简介：上传 PDF 后基于 Embedchain + OpenAI 做 RAG 问答的最小化 Streamlit 应用。
• 能力标签：RAG / 知识库
• 技术栈：Python, Streamlit, Embedchain, OpenAI API, streamlit-chat
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_pdf/chat_pdf.py

使用方式

1) `pip install -r requirements.txt`；2) `streamlit run chat_pdf.py`；3) 输入 OpenAI Key，上传 PDF，等待 `Added to knowledge base` 提示后提问。

改造 / 扩展建议

• 使用 chat_pdf_llama3.py 或 chat_pdf_llama3.2.py 切换到本地模型
• 支持一次上传多份 PDF 并跨文档问答
• 在答案旁显示引用页码与原文片段
• 调整文本切分策略（chunk size/overlap）
• 将向量库持久化，避免每次重新索引

注意事项

默认使用 OpenAI 嵌入与 LLM；目录内额外提供了 Llama3 与 Llama3.2 本地版本。

---

7.4 Chat with arXiv Research Papers

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_research_papers
• 一句话简介：使用 Agno Agent 与 OpenAI GPT-4o 搜索并对话 arXiv 学术论文。
• 技术栈：Python, Streamlit, Agno, OpenAI API, ArxivTools, PyPDF
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_research_papers/chat_arxiv.py

使用方式

1) `pip install -r requirements.txt`；2) `streamlit run chat_arxiv.py`；3) 输入 OpenAI Key，输入研究主题查询，Agent 会自动调用 arXiv 工具并返回答案。

改造 / 扩展建议

• 使用 chat_arxiv_llama3.py 切换到本地 Llama3
• 增加论文 PDF 下载与本地解析
• 保存搜索历史与收藏论文
• 支持多篇论文对比与综述生成
• 输出标准引用格式（BibTeX/APA）

注意事项

默认模型为 gpt-4o，temperature=0.9，max_tokens=1024。

---

7.5 Chat with Substack Newsletter

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_substack
• 一句话简介：输入 Substack 博客 URL，使用 Embedchain + OpenAI 对文章内容进行问答。
• 技术栈：Python, Streamlit, Embedchain, OpenAI API, Chroma
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_substack/chat_substack.py

使用方式

1) `pip install -r requirements.txt`；2) `streamlit run chat_substack.py`；3) 输入 OpenAI Key 与 Substack URL，等待索引完成后提问。

改造 / 扩展建议

• 支持批量导入多个 Newsletter 并选择来源
• 按作者、发布日期过滤内容
• 支持 RSS 订阅源作为输入
• 使用本地模型替代 OpenAI
• 导出聊天记录与摘要

注意事项

使用临时目录存储 Chroma 向量库，应用重启后需重新索引。

---

7.6 Chat with YouTube Videos

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/chat_with_youtube_videos
• 一句话简介：提取 YouTube 字幕，使用 Embedchain + OpenAI 对视频内容进行 RAG 问答。
• 能力标签：RAG / 知识库
• 技术栈：Python, Streamlit, embedchain[youtube], youtube-transcript-api, OpenAI API
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/chat_with_youtube_videos/chat_youtube.py

使用方式

1) `pip install -r requirements.txt`；2) `streamlit run chat_youtube.py`；3) 输入 OpenAI Key，粘贴带字幕的 YouTube URL，等待转录加载后提问。

改造 / 扩展建议

• 增加多语言翻译与字幕语言选择
• 生成带时间戳的视频摘要
• 批量处理整个播放列表
• 结合视频关键帧做多模态问答
• 将字幕向量持久化，支持历史视频快速查询

注意事项

仅支持有自动或手动字幕的视频；代码优先尝试英语，回退到任意可用语言。

---

7.7 Streaming AI Chatbot（Motia）

• 代码路径：advanced_llm_apps/chat_with_X_tutorials/streaming_ai_chatbot
• 一句话简介：基于 Motia 框架的流式 AI 聊天机器人示例，演示实时响应与对话状态管理。
• 技术栈：TypeScript, Node.js, Motia, OpenAI API, Zod
• 入口文件：advanced_llm_apps/chat_with_X_tutorials/streaming_ai_chatbot/steps/chat-api.step.ts（API 入口）

使用方式

1) `npm install`；2) 复制 `.env.example` 为 `.env` 并填入 `OPENAI_API_KEY`；3) `npm run dev`；4) 打开 Motia Workbench（localhost:3000）或 POST `/chat` 发送消息。

改造 / 扩展建议

• 接入 Anthropic/Gemini 等其他 LLM 提供商
• 将对话状态持久化到 Redis/数据库
• 增加用户认证与多租户隔离
• 扩展为多轮对话 Web UI
• 添加按 conversationId 查询历史消息的接口

注意事项

核心仅 3 个文件：chat-api.step.ts、ai-response.step.ts、conversation.stream.ts；事件驱动，使用 Motia State Stream 做实时状态更新。

---

8. Advanced LLM Apps / Cursor AI Experiments（高级 LLM 应用 / Cursor AI 实验）

8.1 RouteLLM Chat App

• 代码路径：advanced_llm_apps/cursor_ai_experiments/llm_router_app
• 一句话简介：使用 RouteLLM 根据查询复杂度在 GPT-4o-mini 与 Llama 3.1 70B 之间自动路由的聊天应用。
• 能力标签：本地 / 私有化、自动化 / 工作流
• 技术栈：Python, Streamlit, RouteLLM, OpenAI API, Together AI API
• 入口文件：advanced_llm_apps/cursor_ai_experiments/llm_router_app/llm_router.py

使用方式

1) `pip install -r requirements.txt`；2) 在代码或环境变量中设置 `OPENAI_API_KEY` 与 `TOGETHERAI_API_KEY`；3) `streamlit run llm_router.py`；4) 输入消息，界面会显示实际选用的模型。

改造 / 扩展建议

• 调整路由阈值与 router 策略
• 增加更多强弱模型候选（如 Claude、Gemini、本地模型）
• 记录每次调用的成本与延迟统计
• 添加模型性能对比看板
• 支持流式输出以提升体验

注意事项

强模型为 gpt-4o-mini，弱模型为 Together AI 上的 Meta-Llama-3.1-70B-Instruct-Turbo。

---

8.2 ChatGPT Clone using Llama-3（LM Studio）

• 代码路径：advanced_llm_apps/cursor_ai_experiments/local_chatgpt_clone
• 一句话简介：使用 LM Studio 本地托管 Llama-3 的 ChatGPT 克隆 Streamlit 应用。
• 能力标签：本地 / 私有化
• 技术栈：Python, Streamlit, OpenAI Python SDK（兼容 LM Studio 本地 API）
• 入口文件：advanced_llm_apps/cursor_ai_experiments/local_chatgpt_clone/chatgpt_clone_llama3.py

使用方式

1) 安装 LM Studio 并下载 Llama-3 Instruct 模型；2) 在 LM Studio 启动本地服务器（默认 localhost:1234/v1）；3) `pip install -r requirements.txt`；4) `streamlit run chatgpt_clone_llama3.py`。

改造 / 扩展建议

• 支持加载其他 GGUF 本地模型
• 添加会话列表与历史管理
• 增加可配置的系统提示词
• 保存聊天记录到本地文件
• 在侧边栏暴露 temperature、top_p 等参数

注意事项

完全本地运行，无需互联网或 OpenAI API Key。

---

9. Advanced LLM Apps / Advanced Patterns（高级 LLM 应用 / 高级模式）

9.1 GPT-OSS Advanced Critique & Improvement Loop

• 代码路径：advanced_llm_apps/gpt_oss_critique_improvement_loop
• 一句话简介：通过“生成初始答案—AI 批判—修订—迭代”循环提升输出质量的 Streamlit 演示。
• 技术栈：Python, Streamlit, Groq API, GPT-OSS 120B
• 入口文件：advanced_llm_apps/gpt_oss_critique_improvement_loop/streamlit_app.py

使用方式

1) `pip install -r requirements.txt`；2) 设置环境变量 `GROQ_API_KEY`；3) `streamlit run streamlit_app.py`；4) 输入提示词并选择 1-3 轮迭代，查看每轮批判与改进结果。

改造 / 扩展建议

• 更换为其他模型/提供商（如 OpenAI、Anthropic、本地模型）
• 调整并行候选数量与合成温度
• 自定义批判者（critic）与修订者（revisor）的提示词
• 支持输出结构化格式（Markdown/JSON）
• 加入自动质量评分与停止条件

注意事项

默认生成 3 个高温度候选并用低温度合成，随后进行最多 3 轮批判-修订；每轮输出限制 1024 tokens 以适配 Groq。

---

10. Advanced LLM Apps / Memory（高级 LLM 应用 / 记忆系统）

10.1 AI Research Agent with Memory

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/ai_arxiv_agent_memory
• 一句话简介：基于 Mem0 + Qdrant + MultiOn 的 arXiv 研究助手，能记住用户研究兴趣并个性化搜索。
• 能力标签：记忆 / Memory
• 技术栈：Python, Streamlit, OpenAI API (gpt-4o-mini), Mem0, Qdrant, MultiOn
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/ai_arxiv_agent_memory/ai_arxiv_agent_memory.py

使用方式

1) 使用 Docker 启动 Qdrant：`docker run -p 6333:6333 qdrant/qdrant`；2) `pip install -r requirements.txt`；3) `streamlit run ai_arxiv_agent_memory.py`；4) 输入 OpenAI 与 MultiOn API Key、用户名和研究主题。

改造 / 扩展建议

• 将 arXiv 替换为 Google Scholar、Semantic Scholar 等学术数据库
• 添加论文收藏与阅读列表
• 导出标准引用格式
• 支持 PDF 下载与本地解析
• 集成本地模型减少 API 成本

注意事项

MultiOn 负责网页浏览，Mem0 负责根据用户历史记忆个性化搜索结果。

---

10.2 AI Travel Agent with Memory

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/ai_travel_agent_memory
• 一句话简介：使用 Mem0 + Qdrant 记住用户偏好与历史对话的 GPT-4o 旅行助手。
• 能力标签：记忆 / Memory
• 技术栈：Python, Streamlit, OpenAI API (gpt-4o), Mem0, Qdrant
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/ai_travel_agent_memory/travel_agent_memory.py

使用方式

1) 启动 Qdrant（localhost:6333）；2) `pip install -r requirements.txt`；3) `streamlit run travel_agent_memory.py`；4) 输入 OpenAI Key 与用户名后开始聊天。

改造 / 扩展建议

• 接入航班/酒店/景点 API 做实时推荐
• 增加行程规划与日历导出
• 支持多语言与货币转换
• 集成地图组件展示推荐地点
• 增加预算追踪与旅行清单

注意事项

切换用户时会清空当前聊天记录，但记忆已持久保存在 Qdrant 中。

---

10.3 Local Llama-3 Stateful Chat（LM Studio）

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/llama3_stateful_chat
• 一句话简介：使用 LM Studio 本地 Llama-3 的状态化 Streamlit 聊天应用（基于 session state 的简易记忆）。
• 能力标签：记忆 / Memory、本地 / 私有化
• 技术栈：Python, Streamlit, OpenAI SDK（LM Studio 本地兼容接口）
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/llama3_stateful_chat/local_llama3_chat.py

使用方式

1) 在 LM Studio 启动本地服务器（localhost:1234/v1）；2) `pip install -r requirements.txt`；3) `streamlit run local_llama3_chat.py`；4) 进行多轮对话，历史保留在 session state 中。

改造 / 扩展建议

• 将会话历史持久化到文件或数据库
• 添加用户选择实现多用户隔离
• 支持流式输出提升体验
• 切换到 Ollama 本地 API
• 增加系统提示词模板与参数调节

注意事项

该子目录无 README，入口为 local_llama3_chat.py；记忆仅在当前浏览器会话有效，未使用向量数据库。

---

10.4 LLM App with Personalized Memory

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/llm_app_personalized_memory
• 一句话简介：使用 Mem0 + Qdrant 为每个用户提供个性化长期记忆的 GPT-4o 聊天应用。
• 能力标签：记忆 / Memory
• 技术栈：Python, Streamlit, OpenAI API (gpt-4o), Mem0, Qdrant
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/llm_app_personalized_memory/llm_app_memory.py

使用方式

1) 启动 Qdrant（localhost:6333）；2) `pip install -r requirements.txt`；3) `streamlit run llm_app_memory.py`；4) 输入 OpenAI Key、用户名和问题。

改造 / 扩展建议

• 实现多用户隔离与权限管理
• 支持记忆的编辑、删除与导入导出
• 接入本地模型替代 OpenAI
• 为记忆添加分类标签与优先级
• 增加记忆可视化与管理后台

注意事项

记忆集合名为 llm_app_memory，按 user_id 检索相关记忆并拼接到 prompt 中。

---

10.5 Local ChatGPT with Personal Memory（Ollama）

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/local_chatgpt_with_memory
• 一句话简介：完全本地的 Llama 3.1 + Nomic Embed + Qdrant 个性化记忆聊天应用。
• 能力标签：记忆 / Memory、本地 / 私有化
• 技术栈：Python, Streamlit, Ollama (llama3.1, nomic-embed-text), Mem0, Qdrant, LiteLLM
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/local_chatgpt_with_memory/local_chatgpt_memory.py

使用方式

1) 启动 Qdrant；2) 安装 Ollama 并拉取 `llama3.1` 与 `nomic-embed-text`；3) `pip install -r requirements.txt`；4) `streamlit run local_chatgpt_memory.py`；5) 输入用户名开始聊天。

改造 / 扩展建议

• 更换为其他 Ollama 嵌入模型（如 snowflake-arctic-embed）
• 支持更多 Ollama 大模型切换
• 增加语音输入与朗读
• 导出用户记忆与聊天记录
• 扩展多模态（图片理解）能力

注意事项

通过 LiteLLM 调用 Ollama，响应为流式输出；配置中 embedding_model_dims=768，ollama_base_url 默认 localhost:11434。

---

10.6 Multi-LLM App with Shared Memory

• 代码路径：advanced_llm_apps/llm_apps_with_memory_tutorials/multi_llm_memory
• 一句话简介：支持 GPT-4o 与 Claude 3.5 Sonnet 共享 Mem0/Qdrant 记忆的聊天应用。
• 能力标签：记忆 / Memory
• 技术栈：Python, Streamlit, OpenAI API, Anthropic API, Mem0, Qdrant, LiteLLM
• 入口文件：advanced_llm_apps/llm_apps_with_memory_tutorials/multi_llm_memory/multi_llm_memory.py

使用方式

1) 启动 Qdrant；2) `pip install -r requirements.txt`；3) `streamlit run multi_llm_memory.py`；4) 输入 OpenAI 与 Anthropic Key，选择模型并提问。

改造 / 扩展建议

• 增加 Gemini、Llama 等更多模型选项
• 同时调用多个模型并对比回答
• 记录各模型调用的 token 与成本
• 添加用户权限与记忆隔离
• 可视化共享记忆与相关性得分

注意事项

Claude 通过 LiteLLM 调用；所有模型共用同一个 Mem0 记忆层。

---

11. Advanced LLM Apps / Fine-tuning（高级 LLM 应用 / 微调）

11.1 Finetune Gemma 3 with Unsloth

• 代码路径：advanced_llm_apps/llm_finetuning_tutorials/gemma3_finetuning
• 一句话简介：使用 Unsloth 对 Google Gemma 3 进行 4-bit LoRA 微调的极简脚本。
• 能力标签：微调 / Fine-tuning、数据分析 / BI
• 技术栈：Python, PyTorch, Transformers, TRL, Unsloth, Datasets (FineTome-100k)
• 入口文件：advanced_llm_apps/llm_finetuning_tutorials/gemma3_finetuning/finetune_gemma3.py

使用方式

1) 确保有 CUDA GPU；2) `pip install -r requirements.txt`（必要时按 README 强制重装 unsloth）；3) `python finetune_gemma3.py`；4) 微调后的权重保存到 `finetuned_model/`。

改造 / 扩展建议

• 修改 MODEL_NAME 切换 270M/1B/4B/12B/27B 模型
• 调整 LoRA rank、target_modules 与 dropout
• 替换 load_dataset 使用领域自定义数据
• 调整 max_steps、learning_rate、batch_size 等训练参数
• 将 FULL_FINETUNING 设为 True 做全量微调

注意事项

4-bit 量化需要 CUDA GPU；Mac（M1/M2）建议关闭量化或使用 CPU/MPS。

---

11.2 Finetune Llama 3.2 with Unsloth

• 代码路径：advanced_llm_apps/llm_finetuning_tutorials/llama3.2_finetuning
• 一句话简介：使用 Unsloth 对 Llama 3.2 进行 LoRA 微调的 30 行代码示例。
• 能力标签：本地 / 私有化、微调 / Fine-tuning、代码 / 开发助手、数据分析 / BI
• 技术栈：Python, PyTorch, Unsloth, Transformers, Datasets, TRL
• 入口文件：advanced_llm_apps/llm_finetuning_tutorials/llama3.2_finetuning/finetune_llama3.2.py

使用方式

1) `pip install -r requirements.txt`；2) 在 Google Colab 或 CUDA 环境运行 `python finetune_llama3.2.py`；3) 微调后的模型保存到 `finetuned_model/`。

改造 / 扩展建议

• 切换 model_name 到 Llama-3.1-1B-Instruct 或 Llama-3.2-1B-Instruct
• 调整 max_seq_length 与 LoRA rank
• 使用自定义数据集替代 FineTome-100k
• 修改 get_chat_template 的 chat_template 参数以适配其他模型
• 调整 TrainingArguments 中的学习率、步数、精度

注意事项

脚本针对 Google Colab 免费 GPU 优化；训练步数默认仅 60 步，适合演示。

---

12. Advanced LLM Apps / Optimization Tools（高级 LLM 应用 / 优化工具）

12.1 LLM Optimization Tools（目录说明）

• 代码路径：advanced_llm_apps/llm_optimization_tools
• 一句话简介：LLM 优化工具集合的目录级说明文档，介绍 TOON 等降低 token 成本的技术。
• 能力标签：代码 / 开发助手
• 技术栈：Markdown 文档，无独立可运行代码
• 入口文件：无（README.md 为说明文档）

使用方式

阅读 `advanced_llm_apps/llm_optimization_tools/README.md` 了解工具列表、使用示例与最佳实践；实际运行请进入子目录 `headroom_context_optimization` 或 `toonify_token_optimization`。

改造 / 扩展建议

• 将 TOON/Headroom 集成到自己的 LLM 应用
• 为目录贡献新的优化工具
• 补充基准测试与对比数据
• 整理成本节省计算表格
• 增加 Prompt 压缩与响应缓存专题

注意事项

该目录本身不是独立项目，而是两个子项目（Headroom、Toonify）的集合说明。

---

12.2 Headroom Context Optimization Demo

• 代码路径：advanced_llm_apps/llm_optimization_tools/headroom_context_optimization
• 一句话简介：展示 Headroom 如何通过智能上下文压缩将工具输出/token 使用降低 50-90% 的演示。
• 技术栈：Python, headroom-ai, OpenAI SDK, Anthropic SDK（可选）
• 入口文件：advanced_llm_apps/llm_optimization_tools/headroom_context_optimization/headroom_demo.py

使用方式

1) `pip install -r requirements.txt`；2) `python headroom_demo.py` 查看“针里找针”日志压缩示例；3) 按 README 使用 `headroom proxy`、`HeadroomChatModel` 或 `HeadroomAgnoModel` 集成到现有应用。

改造 / 扩展建议

• 将示例中的模拟日志替换为真实应用日志/API 返回
• 接入 LangChain/Agno/MCP 工作流
• 作为透明代理接入 Claude Code/Cursor 等客户端
• 自定义 SmartCrusher 与 RollingWindow 策略
• 添加 token 节省监控与报警

注意事项

当前 headroom_demo.py 是原理演示（模拟压缩），完整功能需要安装 headroom-ai 并使用其代理或集成包装器。

---

12.3 Toonify Token Optimization

• 代码路径：advanced_llm_apps/llm_optimization_tools/toonify_token_optimization
• 一句话简介：使用 TOON（Token-Oriented Object Notation）格式替代 JSON，减少 30-60% LLM API token 消耗的演示与交互应用。
• 技术栈：Python, Streamlit, Toonify, OpenAI, Anthropic, tiktoken, pandas
• 入口文件：advanced_llm_apps/llm_optimization_tools/toonify_token_optimization/toonify_demo.py（命令行）; toonify_app.py（Streamlit UI）

使用方式

1) `pip install -r requirements.txt`；2) 命令行演示：`python toonify_demo.py`；3) 交互界面：`streamlit run toonify_app.py`；4) 在 UI 中比较 JSON/TOON 大小、计算成本、转换自定义数据。

改造 / 扩展建议

• 接入真实业务数据集（产品目录、订单、日志）
• 批量处理文件或数据库导出
• 尝试 key_folding、tab/pipe 分隔符等高级选项
• 将 TOON 编码集成到现有 API 调用链路
• 扩展成本计算支持更多模型（GPT-4o、Claude 3.5 等）

注意事项

TOON 对规整表格数据效果最佳，对高度嵌套/不规则数据效果有限；支持 JSON 与 TOON 双向转换。

---

13. Advanced LLM Apps / Multimodal（高级 LLM 应用 / 多模态）

13.1 Multimodal Video Moment Finder

• 代码路径：advanced_llm_apps/multimodal_video_moment_finder
• 一句话简介：基于 Gemini Embedding 2 的多模态视频时刻检索：用截图或文字描述找到视频中的对应时间点。
• 能力标签：RAG / 知识库、生成式 UI
• 技术栈：Python (FastAPI, Uvicorn, ChromaDB, Pillow), TypeScript/Next.js (React, Tailwind CSS), Google GenAI (gemini-embedding-2-preview, gemini-3-flash-preview), ffmpeg
• 入口文件：advanced_llm_apps/multimodal_video_moment_finder/backend/server.py + frontend/app/page.tsx

使用方式

1) 安装 ffmpeg；2) 后端：`cd backend && python -m venv venv && pip install -r requirements.txt && export GOOGLE_API_KEY=... && python server.py`（端口 8890）；3) 前端：`cd frontend && npm install && echo NEXT_PUBLIC_API_URL=http://localhost:8890 > .env.local && npm run dev`（端口 3000）；4) 上传视频后用图片或文本搜索时刻。

改造 / 扩展建议

• 调整 fps 参数平衡精度与索引成本
• 增加视频转录/OCR 作为辅助检索
• 支持同时索引与管理多视频
• 添加用户认证与视频隔离
• 替换为其他多模态嵌入模型

注意事项

前后端分离架构；Gemini Embedding 2 原生支持图文同向量空间，无需转录或字幕。

---

14. Advanced LLM Apps / Productivity（高级 LLM 应用 / 生产力工具）

14.1 Resume & Job Matcher

• 代码路径：advanced_llm_apps/resume_job_matcher
• 一句话简介：上传简历与职位描述，使用本地 Ollama LLM 计算匹配度并给出改进建议。
• 能力标签：本地 / 私有化
• 技术栈：Python, Streamlit, Ollama (llama3), PyMuPDF, requests
• 入口文件：advanced_llm_apps/resume_job_matcher/app.py

使用方式

1) 安装 Ollama 并运行 `ollama run llama3`；2) `pip install -r requirements.txt`；3) `streamlit run app.py`；4) 上传简历与职位描述（PDF/TXT），点击匹配按钮查看 Fit Score、优势与建议。

改造 / 扩展建议

• 支持 llama3.1、gemma3 等其他本地模型
• 增加 ATS 关键词匹配与缺失关键词提示
• 根据职位自动生成简历优化版本
• 批量对比多个职位并排序
• 保存历史匹配报告并导出 Markdown

注意事项

通过 requests.post('http://localhost:11434/api/generate') 调用 Ollama，无需 OpenAI Key。

---

15. Advanced LLM Apps / Local LLM Desktop（高级 LLM 应用 / 本地 LLM 桌面端）

15.1 ThinkPath Chatbot

• 代码路径：advanced_llm_apps/thinkpath_chatbot_app
• 一句话简介：基于 Electron + Ollama 的桌面聊天应用，提供分步骤引导式战略思考与本地隐私。
• 能力标签：本地 / 私有化
• 技术栈：JavaScript, Electron, Node.js, Axios, Ollama API（默认 gemma3:1b）
• 入口文件：advanced_llm_apps/thinkpath_chatbot_app/main.js + index.html

使用方式

1) 安装 Node.js 与 Ollama；2) `ollama pull gemma3:1b`；3) `npm install`；4) `npm start` 启动 Electron 桌面应用。

改造 / 扩展建议

• 在 main.js 第 45 行更换为其他 Ollama 模型（如 llama3.1:8b）
• 自定义思考路径模板并保存为用户预设
• 导出思考会话为 Markdown/PDF
• 添加多模型并行对比视角
• 增加语音输入与主题换肤

注意事项

Electron 无边框窗口应用；main.js 负责窗口控制、Ollama 通信与思考路径生成/执行逻辑。

---

16. Voice AI Agents（语音 AI Agent）

16.1 Self-Guided AI Audio Tour Agent

• 代码路径：voice_ai_agents/ai_audio_tour_agent
• 一句话简介：基于用户位置、兴趣类别和时长，自动生成沉浸式自导语音导览的多智能体系统。
• 能力标签：语音 / Voice、自动化 / 工作流
• 技术栈：OpenAI Agents SDK, OpenAI GPT-4o Mini TTS, Streamlit, Pydantic, python-dotenv, Rich
• 入口文件：voice_ai_agents/ai_audio_tour_agent/ai_audio_tour_agent.py

使用方式

1. 进入目录 voice_ai_agents/ai_audio_tour_agent；2. 执行 pip install -r requirements.txt；3. 在侧边栏输入 OpenAI API Key；4. 运行 streamlit run ai_audio_tour_agent.py；5. 在页面输入地点、兴趣方向、选择 15/30/60 分钟导览，点击生成后可播放并下载 MP3 导览音频。

改造 / 扩展建议

• 增加更多领域专家 Agent，例如艺术、自然、音乐等主题。
• 接入地图或 GPS API，实现自动定位与附近景点推荐。
• 扩展多语言 TTS 支持，为不同语种游客生成本地语音。
• 接入实时天气、活动日历数据，让导览内容与时俱进。
• 允许用户选择不同讲解员风格（幽默、学术、儿童向）。

注意事项

采用 Orchestrator + History/Architecture/Culture/Culinary 多智能体架构；TTS 使用 gpt-4o-mini-tts 模型与 nova 音色。

---

16.2 Customer Support Voice Agent

• 代码路径：voice_ai_agents/customer_support_voice_agent
• 一句话简介：爬取文档站点构建向量知识库，并用文本加语音回答客户支持问题的语音客服智能体。
• 能力标签：RAG / 知识库、语音 / Voice、浏览器自动化
• 技术栈：OpenAI Agents SDK / GPT-4o, OpenAI TTS, Firecrawl, Qdrant, FastEmbed, Streamlit
• 入口文件：voice_ai_agents/customer_support_voice_agent/customer_support_voice_agent.py

使用方式

1. 进入项目目录；2. pip install -r requirements.txt；3. 准备 OpenAI、Qdrant Cloud、Firecrawl 的 API Key；4. 运行 streamlit run customer_support_voice_agent.py；5. 在侧边栏输入凭证，填写文档 URL，选择 TTS 音色后点击 Initialize System，随后即可提问并收听语音回答。

改造 / 扩展建议

• 增加爬取深度与多站点聚合，支持整站知识库构建。
• 接入语音输入 STT，实现全双工语音客服。
• 接入工单系统（Zendesk/Jira），实现问题自动建单。
• 支持自定义音色与品牌话术。
• 增加多语言文档处理与跨语言问答。

注意事项

支持 alloy/ash/ballad/coral/echo/fable/onyx/nova/sage/shimmer/verse 等多种 OpenAI TTS 音色；默认限制爬取 5 页。

---

16.3 Insurance Claim Live Agent Team

• 代码路径：voice_ai_agents/insurance_claim_live_agent_team
• 一句话简介：语音优先的保险理赔 intake 应用，实时通话中自动抽取事实、校验缺失项并生成理赔员交接包。
• 能力标签：语音 / Voice、自动化 / 工作流
• 技术栈：Google ADK, Gemini 3.1 Flash Live Preview, Gemini 3 Flash Preview, FastAPI, WebSocket, Pydantic, HTML/CSS/JS
• 入口文件：voice_ai_agents/insurance_claim_live_agent_team/live_demo/server.py

使用方式

1. 进入 voice_ai_agents/insurance_claim_live_agent_team；2. python3.12 -m venv .venv && source .venv/bin/activate；3. pip install -r requirements.txt；4. cp .env.example .env 并设置 GOOGLE_API_KEY；5. 运行 python -m uvicorn live_demo.server:app --reload --host 127.0.0.1 --port 4177；6. 浏览器访问 http://127.0.0.1:4177/index.html，点击麦克风开始对话，也可在文本框输入。

改造 / 扩展建议

• 接入真实保单数据库，自动核对保单号与保障范围。
• 增加更多险种路由（宠物险、责任险、农作物险等）。
• 与理赔员日程系统集成，自动预约查勘。
• 加入合规审查节点，防止承诺赔付或责任。
• 增加通话录音、审计日志与情感分析。

注意事项

server.py 负责实时 Web 传输，agent.py 定义 ADK root_agent 与 run_claim_workflow；同时使用 Gemini Live 做语音通话、Gemini Flash 做结构化抽取。

---

16.4 Voice RAG with OpenAI SDK

• 代码路径：voice_ai_agents/voice_rag_openaisdk
• 一句话简介：基于 OpenAI SDK 的语音 RAG 应用，上传 PDF 后可用语音方式问答。
• 能力标签：RAG / 知识库、语音 / Voice
• 技术栈：OpenAI Agents SDK, OpenAI TTS, LangChain, Qdrant, FastEmbed, Streamlit
• 入口文件：voice_ai_agents/voice_rag_openaisdk/rag_voice.py

使用方式

1. 进入 voice_ai_agents/voice_rag_openaisdk；2. pip install -r requirements.txt；3. 创建 .env 配置 OPENAI_API_KEY、QDRANT_URL、QDRANT_API_KEY；4. 运行 streamlit run rag_voice.py；5. 在页面上传 PDF，输入问题，等待文本与语音回答，可下载 MP3。

改造 / 扩展建议

• 支持 Word、HTML、Markdown 等更多文档格式。
• 增加语音输入，实现全程语音交互。
• 换用本地或开源 Embedding 模型降低成本。
• 引入重排序与引用高亮，提高答案可信度。
• 支持多文档集合与权限隔离。

注意事项

README 中的 cd 路径写为 rag_tutorials/voice_rag_openaisdk，实际目录在 voice_ai_agents/voice_rag_openaisdk。

---

17. Always-on Agents（常驻后台 Agent）

17.1 Always-on Hacker News Briefing Agent (AgentScout)

• 代码路径：always_on_agents/always_on_hn_briefing_agent
• 一句话简介：持续监控 Hacker News，自动筛选 AI 智能体、MCP、编码智能体与 LLM 应用相关高价值故事并生成每日简报。
• 能力标签：MCP 工具集成、自动化 / 工作流
• 技术栈：Google ADK, Gemini 3 Flash Preview, FastAPI, uvicorn, Gmail API, Webhook
• 入口文件：always_on_agents/always_on_hn_briefing_agent/scheduler_api.py

使用方式

1. 进入 always_on_agents/always_on_hn_briefing_agent；2. pip install -r requirements.txt；3. export GOOGLE_API_KEY；4. 方式一：adk web . 进入交互模式请求简报；5. 方式二：uvicorn scheduler_api:app --host 0.0.0.0 --port 8000 启动调度服务，调用 GET /agent-scout/dry-run 或 POST /agent-scout/trigger；6. 配置 AGENTSCOUT_DELIVERY 与 Gmail/Webhook 环境变量后可实现定时投递。

改造 / 扩展建议

• 扩展监控源到 Reddit、Twitter、Discord、Product Hunt。
• 增加 Slack、Teams、飞书、钉钉等投递通道。
• 加入持久化存储，支持历史简报对比与趋势分析。
• 按团队或个人偏好进行主题过滤与权重排序。
• 接入自定义排名模型，替代启发式信号分。

注意事项

默认 dry_run 模式不会发送任何邮件；支持 Cloud Scheduler / Pub/Sub 部署。

---

18. Generative UI Agents（生成式 UI Agent）

18.1 AI Dashboard Canvas Agent

• 代码路径：generative_ui_agents/ai-dashboard-canvas-agent
• 一句话简介：在持久化 Canvas 画布上动态放置图表、KPI 与实时数据面板的生成式 UI 智能体。
• 能力标签：生成式 UI
• 技术栈：Next.js 15, React 19, TailwindCSS 4, CopilotKit, AG-UI, Google ADK, Recharts, Radix UI
• 入口文件：generative_ui_agents/ai-dashboard-canvas-agent/src/app/page.tsx

使用方式

1. cd generative_ui_agents/ai-dashboard-canvas-agent；2. pnpm install；3. pnpm install:agent；4. cp .env.example .env 并设置 GOOGLE_API_KEY；5. pnpm run dev 同时启动 Next.js UI 与 ADK Agent；6. 在浏览器中与 agent 对话，生成并更新仪表盘。

改造 / 扩展建议

• 新增表格、地图、桑基图等可视化组件。
• 接入真实业务数据源 API（数据库、BI 接口）。
• 增加拖拽布局持久化与多工作区。
• 加入权限控制与多人协作编辑。
• 支持主题切换与品牌设计系统。

注意事项

采用 pnpm 工作流；agent 与 Next.js 通过 AG-UI / CopilotKit 通信。

---

18.2 AI Deep Research Agent

• 代码路径：generative_ui_agents/ai-deep-research-agent
• 一句话简介：规划、搜索、写入虚拟文件系统，并将每次工具调用渲染为工作区卡片的深度研究助手。
• 能力标签：生成式 UI
• 技术栈：Next.js 16, React 19, CopilotKit, AG-UI, LangGraph (Python), Deep Agents, Tavily, OpenAI GPT-5.5, FastAPI
• 入口文件：generative_ui_agents/ai-deep-research-agent/agent/main.py

使用方式

1. npm install；2. cd agent && uv venv && source .venv/bin/activate && uv pip install -e .；3. cp .env.example .env 到项目根目录与 agent/ 目录，设置 OPENAI_API_KEY 与 TAVILY_API_KEY；4. 终端一 cd agent && uv run python main.py；5. 终端二 npm run dev；6. 访问 http://localhost:3000 输入研究主题。

改造 / 扩展建议

• 接入 Google Scholar、ArXiv、PubMed 等学术源。
• 增加 PDF / Word 研究报告导出。
• 加入引用校验与来源可信度评分。
• 支持多 agent 并行研究与子主题拆分。
• 增加研究计划版本控制与差异对比。

注意事项

使用 Deep Agents 内部研究 agent 与 Tavily 搜索；前端通过 useDefaultTool 镜像 agent 文件系统，避免 Dict 与 Array 类型冲突。

---

18.3 AI Financial Coach Agent

• 代码路径：generative_ui_agents/ai-financial-coach-agent
• 一句话简介：分析预算、规划储蓄、制定还债策略，并以交互式 UI 卡片在报告页展示的财务教练。
• 能力标签：生成式 UI
• 技术栈：Next.js 16, React 19, TailwindCSS 4, CopilotKit, AG-UI, Google ADK, Shiki
• 入口文件：generative_ui_agents/ai-financial-coach-agent/src/app/page.tsx

使用方式

1. npm install；2. npm run install:agent；3. export GOOGLE_API_KEY；4. npm run dev 同时启动 UI 与 agent；5. 在聊天中描述财务状况或运行预算/储蓄/债务分析。

改造 / 扩展建议

• 接入银行或记账应用 API 实现自动同步。
• 增加投资模拟器与资产配置视图。
• 支持多币种、汇率与国际账户。
• 加入目标追踪进度与提醒。
• 增加报告导出与家庭共享功能。

注意事项

顶层 coach agent 路由到预算、储蓄、债务等专用工具；每次工具调用都会在聊天与报告标签页同步渲染卡片。

---

18.4 AI MCP App Builder

• 代码路径：generative_ui_agents/ai-mcp-app-builder
• 一句话简介：通过聊天描述即可生成并运行在 E2B 沙箱中的完整 MCP 应用。
• 能力标签：MCP 工具集成、生成式 UI
• 技术栈：Next.js, React, pnpm workspace, Turbo, CopilotKit, AG-UI, Mastra, E2B, OpenAI GPT-5.5
• 入口文件：generative_ui_agents/ai-mcp-app-builder/apps/web/app/page.tsx

使用方式

1. pnpm i；2. Copy-Item .env.example .env 并至少设置 OPENAI_API_KEY，按需设置 E2B_API_KEY/E2B_TEMPLATE/E2B_REPO_URL；3. pnpm dev 启动整个工作区；4. 浏览器访问 http://localhost:3000，通过聊天描述想要的 MCP 应用。

改造 / 扩展建议

• 接入自定义 MCP 服务器模板。
• 增加一键部署到 Vercel、Railway、Cloudflare。
• 支持多轮迭代修改生成的应用。
• 增加应用版本管理与回滚。
• 加入自动化测试与预览审核节点。

注意事项

使用 pnpm monorepo；默认依赖 E2B 沙箱与 template 冷启动；侧边栏默认提供 Excalidraw MCP 示例。

---

18.5 AI Shadcn Component Generator

• 代码路径：generative_ui_agents/ai-shadcn-component-generator
• 一句话简介：用自然语言描述生成可交互 shadcn/ui 组件，并支持导出为 React 代码。
• 能力标签：生成式 UI、代码 / 开发助手
• 技术栈：React + Vite (UI), Hono + CopilotKit (Runtime), FastAPI + LangGraph (Agent), shadcn/ui, AG-UI, Tavily, OpenAI, pnpm monorepo, Render
• 入口文件：generative_ui_agents/ai-shadcn-component-generator/apps/agent/main.py

使用方式

1. pnpm install；2. 配置 apps/runtime/.env 中的 OPENAI_API_KEY；3. 配置 apps/agent/.env 中的 OPENAI_API_KEY 与 TAVILY_API_KEY；4. pnpm dev；5. UI 在 5173，runtime 在 4000，agent 在 8123；6. 在 UI 中描述所需组件并导出代码。

改造 / 扩展建议

• 扩展 shadcn 组件目录与自定义设计系统。
• 接入主题与品牌色配置。
• 支持组件版本管理与依赖检测。
• 增加 A/B 预览与代码对比。
• 导出到 Figma、Storybook 或 CodeSandbox。

注意事项

三服务架构；agent 通过完整 shadcn 组件 schema 决定输出；render.yaml 支持一键部署到 Render。

---

18.6 Generative UI Starter Project

• 代码路径：generative_ui_agents/generative-ui-starter-project
• 一句话简介：聊天驱动的看板，用户与智能体共享同一份任务状态，双向同步更新。
• 能力标签：生成式 UI
• 技术栈：Next.js 16, React 19, TailwindCSS 4, CopilotKit v2, LangGraph (Python), OpenAI GPT-5.5, Hono, Recharts, A2UI
• 入口文件：generative_ui_agents/generative-ui-starter-project/src/app/page.tsx

使用方式

1. npm install（postinstall 会自动通过 uv sync 安装 agent 依赖）；2. cp .env.example .env 并设置 OPENAI_API_KEY；3. npm run dev；4. 在聊天中让 agent 添加/移动/完成任务，也可直接在 UI 中操作看板。

改造 / 扩展建议

• 扩展为项目管理或缺陷跟踪模板。
• 增加用户认证与多工作区支持。
• 接入 Slack、邮件或日历通知。
• 增加 A2UI 自定义组件（航班搜索之外）。
• 支持拖拽看板布局持久化。

注意事项

既是 showcase 也是 template；包含 A2UI 航班搜索示例；使用 CopilotKit v2 的 useAgent 实现双向状态同步。

---

18.7 MCP Apps Generative UI Showcase

• 代码路径：generative_ui_agents/mcp-apps-generative-ui-showcase
• 一句话简介：在聊天中通过 MCP Apps 扩展渲染航班、酒店、投资、看板等完整交互应用。
• 能力标签：MCP 工具集成、生成式 UI
• 技术栈：Next.js 16, React 19, TailwindCSS 4, CopilotKit, AG-UI MCP Apps Middleware, MCP SDK, Hono, Vite
• 入口文件：generative_ui_agents/mcp-apps-generative-ui-showcase/src/app/page.tsx

使用方式

1. npm install；2. cd mcp-server && npm install && cd ..；3. 在项目根目录创建 .env.local 并设置 OPENAI_API_KEY；4. 终端一 cd mcp-server && npm run build && npm run dev（服务在 3001/mcp）；5. 终端二 npm run dev（前端在 3000）；6. 打开 http://localhost:3000 使用示例提示词。

改造 / 扩展建议

• 新增 MCP App，如租车、订餐、日历日程。
• 接入真实航班、酒店、股票 API。
• 增加用户登录与订单状态持久化。
• 加强 iframe 与 host 之间的安全策略。
• 部署到 Railway、Render 或 Vercel。

注意事项

已有 Railway 在线演示；工具通过 _meta[‘ui/resourceUri’] 链接 HTML 资源；iframe 内应用通过 postMessage 以 JSON-RPC 与 MCP server 通信。

---

19. MCP AI Agents（MCP AI Agent）

19.1 MCP Travel Planner Agent Team

• 代码路径：mcp_ai_agents/ai_travel_planner_mcp_agent_team
• 一句话简介：结合 Airbnb MCP 与 Google Maps MCP 生成详细、个性化的旅行行程。
• 能力标签：MCP 工具集成
• 技术栈：Streamlit, Agno, OpenAI GPT-4o, Airbnb MCP, Google Maps MCP, Google Search, icalendar
• 入口文件：mcp_ai_agents/ai_travel_planner_mcp_agent_team/app.py

使用方式

1. cd mcp_ai_agents/ai_travel_planner_mcp_agent_team；2. pip install -r requirements.txt；3. streamlit run app.py；4. 在侧边栏输入 OpenAI API Key 与 Google Maps API Key；5. 填写目的地、天数、预算和偏好，点击生成行程；6. 可下载 .ics 日历文件导入 Google/Apple/Outlook 日历。

改造 / 扩展建议

• 接入航班、租车 MCP 实现一站式出行规划。
• 增加预算优化与性价比推荐算法。
• 支持多人行程协作与投票。
• 接入天气、活动、餐厅实时数据。
• 增加行程地图可视化与导航链接。

注意事项

即使 MCP 连接失败也会用通用知识生成完整行程；工具调用配置了 60 秒超时。

---

19.2 Browser MCP Agent

• 代码路径：mcp_ai_agents/browser_mcp_agent
• 一句话简介：用自然语言命令控制浏览器访问网页、点击、填表、截图的 MCP 智能体。
• 能力标签：MCP 工具集成、浏览器自动化、本地 / 私有化
• 技术栈：Streamlit, mcp-agent, Playwright, OpenAI / Ollama 兼容模型
• 入口文件：mcp_ai_agents/browser_mcp_agent/main.py

使用方式

1. 确保已安装 Node.js 与 npm；2. cd mcp_ai_agents/browser_mcp_agent；3. pip install -r requirements.txt；4. 设置 OPENAI_API_KEY，或复制 mcp_agent.secrets.yaml.example 并修改 mcp_agent.config.yaml 以使用本地 Ollama；5. streamlit run main.py；6. 在页面输入自然语言浏览命令并查看结果与截图。

改造 / 扩展建议

• 增加浏览器会话录制与回放。
• 支持批量网页数据抓取与导出。
• 接入验证码识别服务。
• 扩展移动端 UA、多标签与隐身模式。
• 增加任务审计日志与合规审查。

注意事项

支持本地 Ollama 模型如 llama3.2；README 提示较小模型在多步 Playwright 任务上可能表现不佳。

---

19.3 GitHub MCP Agent

• 代码路径：mcp_ai_agents/github_mcp_agent
• 一句话简介：通过自然语言查询分析 GitHub 仓库 issue、PR 与活动的 MCP 智能体。
• 能力标签：MCP 工具集成
• 技术栈：Streamlit, Agno, official GitHub MCP Server, OpenAI, Docker
• 入口文件：mcp_ai_agents/github_mcp_agent/github_agent.py

使用方式

1. 安装并启动 Docker；2. cd mcp_ai_agents/github_mcp_agent；3. pip install -r requirements.txt；4. streamlit run github_agent.py；5. 在侧边栏输入 OpenAI API Key 与 GitHub Token；6. 指定仓库并选择查询类型或自定义提问。

改造 / 扩展建议

• 扩展代码审查与 PR 自动摘要能力。
• 接入 CI/CD 状态分析与构建失败诊断。
• 支持跨仓库对比与组织级报告。
• 增加 PR 标签、审阅人推荐。
• 支持 GitHub Enterprise 与 GitLab 迁移。

注意事项

README 中 cd 路径写为 mcp-github-agent，实际路径为 mcp_ai_agents/github_mcp_agent；使用官方 GitHub MCP Server，需要 Docker 运行。

---

19.4 Multi-MCP Intelligent Assistant

• 代码路径：mcp_ai_agents/multi_mcp_agent
• 一句话简介：集成 GitHub、Perplexity、Calendar、Gmail 多个 MCP 服务器的生产力助手。
• 能力标签：MCP 工具集成、记忆 / Memory
• 技术栈：Python CLI, Agno, OpenAI GPT-4o, MultiMCPTools, SQLite memory, GitHub/Perplexity/Calendar/Gmail MCP servers
• 入口文件：mcp_ai_agents/multi_mcp_agent/multi_mcp_agent.py

使用方式

1. cd mcp_ai_agents/multi_mcp_agent；2. pip install -r requirements.txt；3. 确认 node、npm、npx 可用；4. 创建 .env 设置 OPENAI_API_KEY、GITHUB_PERSONAL_ACCESS_TOKEN、PERPLEXITY_API_KEY；5. python multi_mcp_agent.py；6. 输入自然语言命令，支持 exit/quit/bye 退出。

改造 / 扩展建议

• 增加 Slack、Notion、Linear、Jira 等 MCP 服务器。
• 加入长期记忆与用户画像。
• 支持语音或邮件触发工作流。
• 增加任务编排 DAG 与依赖管理。
• 提供 Web 界面或 Slack 机器人入口。

注意事项

每次启动生成唯一 user_id 与 session_id；工具链可跨平台自动化，例如 GitHub issue 转 Calendar 事件。

---

19.5 Multi-MCP Agent Router

• 代码路径：mcp_ai_agents/multi_mcp_agent_router
• 一句话简介：根据查询意图将请求路由到代码审查、安全审计、研究或 BIM 等专业智能体的 MCP 路由应用。
• 能力标签：MCP 工具集成、代码 / 开发助手、数据分析 / BI
• 技术栈：Streamlit, Anthropic Claude, mcp, Pydantic
• 入口文件：mcp_ai_agents/multi_mcp_agent_router/agent_forge.py

使用方式

1. cd mcp_ai_agents/multi_mcp_agent_router；2. pip install -r requirements.txt；3. streamlit run agent_forge.py；4. 在侧边栏输入 Anthropic API Key；5. 选择专业 agent 或让路由自动分类，输入问题后查看流式回答。

改造 / 扩展建议

• 增加法律、医疗、财务等专业 agent。
• 支持 OpenAI、Gemini 等多种模型后端。
• 加入 agent 间协作与结果汇总。
• 增加领域知识库与 RAG。
• 接入企业身份认证与审计。

注意事项

每个 agent 只连接其需要的 MCP 服务器，遵循最小权限原则；灵感来自 cadre-ai/Agent Forge。

---

19.6 Notion MCP Agent

• 代码路径：mcp_ai_agents/notion_mcp_agent
• 一句话简介：通过终端自然语言与 Notion 页面交互，实现增删改查与评论的 MCP 智能体。
• 能力标签：MCP 工具集成、记忆 / Memory
• 技术栈：Python CLI, Agno, OpenAI, Notion MCP server, SQLite memory
• 入口文件：mcp_ai_agents/notion_mcp_agent/notion_mcp_agent.py

使用方式

1. cd mcp_ai_agents/notion_mcp_agent；2. pip install -r requirements.txt；3. 在 Notion 创建 integration 并获取 Internal Integration Token；4. 将页面分享给该 integration；5. export NOTION_API_KEY、OPENAI_API_KEY、NOTION_PAGE_ID；6. python notion_mcp_agent.py [page_id]；7. 输入自然语言命令操作页面。

改造 / 扩展建议

• 增加 Web 或 Slack 界面。
• 支持批量页面与数据库操作。
• 接入 Notion 数据库查询与报表生成。
• 增加变更审计日志。
• 支持多工作区与细粒度权限管理。

注意事项

命令行参数可直接传入 page_id；每次启动生成唯一 user/session ID 维持对话上下文。

---

20. RAG Tutorials（RAG 教程）

20.1 Agentic RAG with EmbeddingGemma

• 代码路径：rag_tutorials/agentic_rag_embedding_gemma
• 一句话简介：使用 Google EmbeddingGemma 做嵌入、Llama 3.2 做生成，通过 Agno 与 LanceDB 实现的本地 Agentic RAG 应用。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Agno, Streamlit, LanceDB, Ollama, EmbeddingGemma, Llama 3.2
• 入口文件：agentic_rag_embeddinggemma.py

使用方式

1. 安装依赖 pip install -r requirements.txt；2. 用 Ollama 拉取 embeddinggemma:latest 和 llama3.2:latest 模型；3. 运行 streamlit run agentic_rag_embeddinggemma.py；4. 在浏览器中打开 http://localhost:8501。

改造 / 扩展建议

• 支持更多文档类型（如 Word、Markdown）
• 增加多模态输入（图像、表格）
• 接入企业知识库管理后台

注意事项

需本地运行 Ollama 并提前拉取指定模型。

---

20.2 Agentic RAG with GPT-5

• 代码路径：rag_tutorials/agentic_rag_gpt5
• 一句话简介：基于 Agno 框架，使用 OpenAI GPT-5-nano 与 LanceDB 构建的云端 Agentic RAG 问答应用。
• 能力标签：RAG / 知识库
• 技术栈：Agno, Streamlit, LanceDB, OpenAI GPT-5-nano, OpenAIEmbedder
• 入口文件：agentic_rag_gpt5.py

使用方式

1. 设置 OPENAI_API_KEY；2. 安装依赖；3. 运行 streamlit run agentic_rag_gpt5.py；4. 在侧边栏输入 API key 与知识源 URL 后提问。

改造 / 扩展建议

• 接入企业私有文档上传
• 增加多轮对话记忆
• 切换为更小的 GPT-5 模型以降低成本

注意事项

需要 OpenAI GPT-5 访问权限。

---

20.3 Math Tutor Agent

• 代码路径：rag_tutorials/agentic_rag_math_agent
• 一句话简介：面向 JEE 数学题的 Agentic RAG 辅导代理，结合 Qdrant、Tavily 与 DSPy 输入输出护栏，支持人工反馈。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：DSPy, Qdrant, OpenAI Embeddings, Tavily, GPT-4.1, Streamlit, llama-index, JEEBench
• 入口文件：app/streamlit.py

使用方式

1. 安装依赖；2. 配置 OpenAI、Tavily、Qdrant 等 API key；3. 运行 streamlit run app/streamlit.py；4. 输入数学问题并反馈答案质量。

改造 / 扩展建议

• 扩展至物理/化学题库
• 加入 LaTeX 渲染与分步板书
• 用真实错题自动微调模型

注意事项

内置 JEEBench 数据集基准测试，准确率约 66%。

---

20.4 Agentic RAG with Reasoning

• 代码路径：rag_tutorials/agentic_rag_with_reasoning
• 一句话简介：使用 Agno v2.0、Gemini 2.5 Flash 与 OpenAI 嵌入实现的可视化推理 Agentic RAG 系统。
• 能力标签：RAG / 知识库
• 技术栈：Agno v2.0, Gemini 2.5 Flash, OpenAI Embeddings, LanceDB, ReasoningTools, Streamlit
• 入口文件：rag_reasoning_agent.py

使用方式

1. 配置 Google 与 OpenAI API key；2. 安装依赖；3. 运行 streamlit run rag_reasoning_agent.py；4. 在左侧面板观察推理过程，右侧面板查看答案与引用。

改造 / 扩展建议

• 导出推理链为 Markdown 报告
• 接入更多知识源格式（PDF、Word）
• 支持多语言推理

注意事项

左右分屏展示推理与答案，需同时提供 Google 和 OpenAI API key。

---

20.5 AI Blog Search

• 代码路径：rag_tutorials/ai_blog_search
• 一句话简介：基于 LangGraph 与 Gemini 的 Agentic RAG 博客搜索引擎，支持查询重写、相关性评分与检索增强。
• 能力标签：RAG / 知识库
• 技术栈：LangChain, LangGraph, Qdrant, Gemini 2.0 Flash, Google Embeddings, WebBaseLoader, Streamlit
• 入口文件：app.py

使用方式

1. 安装依赖；2. 运行 streamlit run app.py；3. 在侧边栏输入 Google API Key 与博客链接；4. 输入查询获取答案。

改造 / 扩展建议

• 支持批量博客 RSS 订阅
• 增加搜索历史与收藏
• 接入更多搜索引擎（如 Bing）

注意事项

使用 LangGraph 构建状态图工作流。

---

20.6 AutoRAG

• 代码路径：rag_tutorials/autonomous_rag
• 一句话简介：基于 GPT-4o 与 PgVector 的自主 RAG 应用，支持 PDF 上传、知识库查询与 DuckDuckGo 网络搜索。
• 能力标签：RAG / 知识库
• 技术栈：OpenAI GPT-4o, PostgreSQL, PgVector, DuckDuckGo, Streamlit, Agno
• 入口文件：autorag.py

使用方式

1. 用 Docker 启动 PgVector 数据库；2. 安装依赖；3. 运行 streamlit run autorag.py；4. 上传 PDF 并提问。

改造 / 扩展建议

• 接入更多文档解析器（如 OCR）
• 增加权限控制与多租户
• 支持异步批量索引

注意事项

PgVector 默认运行在 localhost:5532。

---

20.7 Contextual AI RAG Agent

• 代码路径：rag_tutorials/contextualai_rag_agent
• 一句话简介：基于 Contextual AI 托管 RAG 平台的 Streamlit 应用，支持数据存储、文档摄取、Agent 创建与检索可视化。
• 能力标签：RAG / 知识库
• 技术栈：Contextual AI, GLM, Streamlit, Python
• 入口文件：contextualai_rag_agent.py

使用方式

1. 获取 Contextual AI API key；2. 安装依赖；3. 运行 streamlit run contextualai_rag_agent.py；4. 创建 datastore、上传文档、绑定 agent 后聊天。

改造 / 扩展建议

• 接入 SSO 与企业权限
• 增加自定义重排序策略
• 导出检索归因报告

注意事项

非美区云实例需在侧边栏设置 Base URL。

---

20.8 Corrective RAG Agent

• 代码路径：rag_tutorials/corrective_rag
• 一句话简介：使用 LangGraph 实现的多阶段纠错 RAG，结合相关性评分、查询转换与 Tavily 网络搜索回退。
• 能力标签：RAG / 知识库
• 技术栈：LangChain, LangGraph, Qdrant, Claude 4.5 sonnet, OpenAI Embeddings, Tavily, Streamlit
• 入口文件：corrective_rag.py

使用方式

1. 配置 OpenAI、Anthropic、Tavily、Qdrant Cloud API key；2. 安装依赖；3. 运行 streamlit run corrective_rag.py；4. 上传文档或输入 URL 后提问。

改造 / 扩展建议

• 增加查询改写历史记录
• 支持更多向量数据库（Pinecone、Weaviate）
• 引入答案一致性校验

注意事项

需要多个 API key 与 Qdrant Cloud 集群。

---

20.9 Deepseek Local RAG Reasoning Agent

• 代码路径：rag_tutorials/deepseek_local_rag_agent
• 一句话简介：基于本地 DeepSeek-R1、Snowflake Arctic Embedding、Qdrant 与 Agno 的推理型本地 RAG 代理。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：DeepSeek-R1, Ollama, Snowflake Arctic Embedding, Qdrant, Agno, Exa AI, Streamlit
• 入口文件：deepseek_rag_agent.py

使用方式

1. 用 Ollama 拉取 deepseek-r1、snowflake-arctic-embed、llama3.2；2. 配置 Qdrant Cloud；3. 安装依赖；4. 运行 streamlit run deepseek_rag_agent.py。

改造 / 扩展建议

• 增加思考链导出
• 支持本地 Qdrant 替代云端
• 接入代码文档检索

注意事项

支持 1.5b 与 7b 两种 DeepSeek-R1 模型，Exa AI 可选。

---

20.10 Agentic RAG with Gemini Flash Thinking

• 代码路径：rag_tutorials/gemini_agentic_rag
• 一句话简介：使用 Gemini 2.0 Flash Thinking、Qdrant 与 Agno 构建的 Agentic RAG，支持查询重写、文档处理与网络搜索回退。
• 能力标签：RAG / 知识库
• 技术栈：Gemini 2.0 Flash Thinking, Gemini Embeddings, Qdrant, Agno, Exa AI, Streamlit
• 入口文件：agentic_rag_gemini.py

使用方式

1. 配置 Google API key 与 Qdrant 凭证；2. 可选配置 Exa AI key；3. 安装依赖；4. 运行 streamlit run agentic_rag_gemini.py。

改造 / 扩展建议

• 接入 Google Drive/Workspace 文档
• 增加多模态图像问答
• 支持会话持久化

注意事项

Exa AI 为可选网络搜索。

---

20.11 RAG App with Hybrid Search

• 代码路径：rag_tutorials/hybrid_search_rag
• 一句话简介：基于 RAGLite、Claude 与混合搜索的文档问答应用，结合语义搜索、关键词匹配与 Cohere 重排序。
• 能力标签：RAG / 知识库
• 技术栈：RAGLite, Claude 3 Opus, OpenAI text-embedding-3-large, Cohere 3.5 reranker, PostgreSQL/Neon, Streamlit, spaCy
• 入口文件：main.py

使用方式

1. 创建 Neon PostgreSQL 数据库并获取连接串；2. 安装依赖与 spaCy 模型；3. 运行 streamlit run main.py；4. 配置 API key 后上传 PDF 提问。

改造 / 扩展建议

• 支持更多数据库后端（MySQL、SQLite）
• 接入本地嵌入模型降本
• 增加答案引用高亮

注意事项

默认支持 PostgreSQL、MySQL、SQLite 三种后端。

---

20.12 Knowledge Graph RAG with Verifiable Citations

• 代码路径：rag_tutorials/knowledge_graph_rag_citations
• 一句话简介：基于 Neo4j 知识图谱与 Ollama 本地 LLM 的 RAG，支持多跳推理与可追溯引用。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Neo4j, Ollama, llama3.2, Python, Streamlit
• 入口文件：knowledge_graph_rag.py

使用方式

1. 启动 Ollama 与 Neo4j（Docker）；2. 安装依赖；3. 运行 streamlit run knowledge_graph_rag.py；4. 添加文档并提问，查看引用来源。

改造 / 扩展建议

• 增加图谱可视化
• 支持 PDF 自动解析
• 引入更强大的实体抽取模型

注意事项

完全本地运行，数据存储于 Neo4j。

---

20.13 Local Llama-3.1 with RAG

• 代码路径：rag_tutorials/llama3.1_local_rag
• 一句话简介：使用本地 Llama-3.1 与 Chroma 对任意网页进行 RAG 问答的 Streamlit 应用。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Ollama, Llama-3.1, Chroma, LangChain, WebBaseLoader, Streamlit
• 入口文件：llama3.1_local_rag.py

使用方式

1. 安装依赖；2. 运行 streamlit run llama3.1_local_rag.py；3. 输入网页 URL；4. 提问获取答案。

改造 / 扩展建议

• 支持 PDF/本地文件上传
• 增加多网页批量索引
• 接入本地嵌入模型选择

注意事项

100% 本地运行，无需联网。

---

20.14 Local RAG App with Hybrid Search

• 代码路径：rag_tutorials/local_hybrid_search_rag
• 一句话简介：基于 llama.cpp、RAGLite 与本地模型的混合搜索 RAG 文档问答应用。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：llama-cpp-python, RAGLite, BGE-M3, FlashRank, PostgreSQL/Neon, Streamlit, spaCy
• 入口文件：local_main.py

使用方式

1. 安装 spaCy 模型与加速版 llama-cpp-python；2. 安装依赖；3. 运行 streamlit run local_main.py；4. 配置本地模型路径与数据库后上传 PDF 提问。

改造 / 扩展建议

• 增加模型量化自动选择
• 支持 GPU/CUDA 加速开关
• 接入更多开源嵌入模型

注意事项

推荐 Llama-3.2-3B-Instruct Q4_K_M 与 BGE-M3 Q4_K_M。

---

20.15 Local RAG Agent with Llama 3.2

• 代码路径：rag_tutorials/local_rag_agent
• 一句话简介：使用 Ollama 本地 Llama 3.2、Qdrant 与 Agno v2.0 实现的完全本地 RAG 代理。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Ollama, Llama 3.2, OpenHermes, Qdrant, Agno v2.0, AgentOS
• 入口文件：local_rag_agent.py

使用方式

1. 用 Docker 启动 Qdrant；2. 用 Ollama 拉取 llama3.2 与 openhermes；3. 安装依赖；4. 运行 python local_rag_agent.py；5. 打开 http://localhost:7777。

改造 / 扩展建议

• 替换 AgentOS 为 Streamlit UI
• 支持多集合知识库
• 增加文档上传功能

注意事项

首次运行会加载 Thai Recipes PDF，可注释掉 knowledge_base.add_content() 避免重复加载。

---

20.16 Multimodal Agentic RAG

• 代码路径：rag_tutorials/multimodal_agentic_rag
• 一句话简介：基于 Gemini Embedding 2 与 Google ADK 的多模态 RAG，支持文本、URL、PDF、图片、音频、视频，并带 3D 嵌入空间可视化。
• 能力标签：RAG / 知识库、生成式 UI
• 技术栈：React, Vite, FastAPI, Gemini Embedding 2, Google ADK, Python
• 入口文件：backend/server.py + frontend npm run dev

使用方式

1. 后端：cd backend，创建虚拟环境，安装依赖，设置 GOOGLE_API_KEY，运行 python server.py；2. 前端：cd frontend，npm install，npm run dev -- --port 5177；3. 打开 http://localhost:5177 添加源并提问。

改造 / 扩展建议

• 接入持久化向量数据库
• 增加用户认证与多租户
• 支持更多模态（3D、点云）

注意事项

后端为内存存储，重启后索引重置；生产环境需替换为持久存储。

---

20.17 Qwen 3 Local RAG Reasoning Agent

• 代码路径：rag_tutorials/qwen_local_rag
• 一句话简介：使用本地 Qwen 3/Gemma 3/DeepSeek 模型、Qdrant 与 Agno v2.0 构建的多模型可选本地 RAG 推理代理。
• 能力标签：RAG / 知识库、本地 / 私有化
• 技术栈：Ollama, Qwen3, Gemma3, DeepSeek, Qdrant, Agno v2.0, Exa AI, Streamlit
• 入口文件：qwen_local_rag_agent.py

使用方式

1. 用 Ollama 拉取 qwen3 与 snowflake-arctic-embed；2. 用 Docker 启动 Qdrant；3. 安装依赖；4. 运行 streamlit run qwen_local_rag_agent.py。

改造 / 扩展建议

• 增加模型性能对比面板
• 支持本地文件系统监控自动索引
• 接入代码仓库 RAG

注意事项

可选 Exa API key 用于网络搜索回退。

---

20.18 RAG-as-a-Service with Claude 3.5 Sonnet

• 代码路径：rag_tutorials/rag-as-a-service
• 一句话简介：基于 Claude 3.5 Sonnet 与 Ragie.ai 的 50 行代码生产级 RAG 服务，支持 URL 文档上传与实时查询。
• 能力标签：RAG / 知识库、代码 / 开发助手
• 技术栈：Claude 3.5 Sonnet, Ragie.ai, Streamlit
• 入口文件：rag_app.py

使用方式

1. 获取 Anthropic 与 Ragie API key；2. 安装依赖；3. 运行 streamlit run rag_app.py；4. 上传文档 URL 并提问。

改造 / 扩展建议

• 增加文件直接上传
• 支持多租户隔离
• 接入监控与日志

注意事项

主打极简快速部署。

---

20.19 RAG Agent with Cohere Command-r

• 代码路径：rag_tutorials/rag_agent_cohere
• 一句话简介：基于 Cohere Command-r7b、Qdrant、LangChain 与 LangGraph 的 RAG 代理，支持网络搜索回退与答案总结。
• 能力标签：RAG / 知识库
• 技术栈：Cohere Command-r7b-12-2024, Cohere embed-english-v3.0, Qdrant, LangChain, LangGraph, DuckDuckGo, Streamlit
• 入口文件：rag_agent_cohere.py

使用方式

1. 获取 Cohere 与 Qdrant Cloud API key；2. 安装依赖；3. 运行 streamlit run rag_agent_cohere.py；4. 上传 PDF 并提问。

改造 / 扩展建议

• 支持更多文档类型（Word、TXT）
• 接入 Google 搜索增强
• 增加答案评估指标

注意事项

使用 LangGraph create_react_agent 进行网络研究。

---

20.20 PharmaQuery

• 代码路径：rag_tutorials/rag_chain
• 一句话简介：面向医药领域的 RAG 检索系统，使用 LangChain、ChromaDB 与 Gemini 对研究论文进行自然语言查询。
• 能力标签：RAG / 知识库
• 技术栈：LangChain, ChromaDB, Gemini 1.5 Pro, Google Embeddings, PyPDFLoader, Streamlit
• 入口文件：app.py

使用方式

1. 安装依赖；2. 运行 streamlit run app.py；3. 在侧边栏输入 Google API Key；4. 上传研究论文并提问。

改造 / 扩展建议

• 扩展至更多医学数据库（PubMed）
• 增加分子结构识别
• 支持批量论文自动索引

注意事项

目录名为 rag_chain，项目名为 PharmaQuery。

---

20.21 RAG Agent with Database Routing

• 代码路径：rag_tutorials/rag_database_routing
• 一句话简介：基于 Agno 路由代理与 LangGraph 回退的多数据库 RAG，自动将查询路由到产品、客服 FAQ 或财务数据库。
• 能力标签：RAG / 知识库、自动化 / 工作流
• 技术栈：LangChain, Agno Agent, LangGraph, DuckDuckGo, Qdrant, Streamlit
• 入口文件：rag_database_routing.py

使用方式

1. 获取 OpenAI API key 与 Qdrant Cloud 凭证；2. 安装依赖；3. 运行 streamlit run rag_database_routing.py；4. 上传 PDF 到对应数据库并提问。

改造 / 扩展建议

• 增加数据库动态注册
• 引入置信度阈值可视化
• 支持更多路由策略（LLM 路由、规则路由）

注意事项

上传文档时需选择目标数据库（产品、客服、财务）。

---

20.22 RAG Failure Diagnostics Clinic

• 代码路径：rag_tutorials/rag_failure_diagnostics_clinic
• 一句话简介：框架无关的 RAG 故障诊断诊所，使用 LLM 对 RAG 事故进行模式分类并提出最小化结构性修复建议。
• 能力标签：RAG / 知识库
• 技术栈：Python, OpenAI-compatible API
• 入口文件：rag_failure_diagnostics_clinic.py

使用方式

1. 设置 OPENAI_API_KEY（或 OPENAI_BASE_URL）；2. 安装依赖；3. 运行 python rag_failure_diagnostics_clinic.py；4. 选择示例或粘贴故障描述获取诊断报告。

改造 / 扩展建议

• 扩展更多故障模式
• 接入 Slack/OpsGenie 告警
• 构建 RAG 事故知识库

注意事项

输出 rag_failure_report.json 报告，用于事后分析与复盘。

---

20.23 Vision RAG with Cohere Embed-4

• 代码路径：rag_tutorials/vision_rag
• 一句话简介：基于 Cohere Embed-4 多模态嵌入与 Gemini 2.5 Flash 的视觉 RAG，支持图像、PDF 页面检索与视觉问答。
• 能力标签：RAG / 知识库
• 技术栈：Cohere Embed-4, Gemini 2.5 Flash, PyMuPDF, Streamlit
• 入口文件：vision_rag.py

使用方式

1. 获取 Cohere 与 Google API key；2. 安装依赖；3. 运行 streamlit run vision_rag.py；4. 加载示例或上传图像/PDF，输入问题获取答案。

改造 / 扩展建议

• 增加多页 PDF 联合推理
• 支持更多图像格式（TIFF、WebP）
• 接入本地视觉模型降本

注意事项

无需 OCR，直接对图像/PDF 页面做嵌入检索。

---

21. AI Agent Framework Crash Course / Google ADK（AI Agent 框架速成 / Google ADK）

21.1 1. Your First ADK Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/1_starter_agent
• 一句话简介：使用 Google ADK 创建第一个 LlmAgent，实现一个创意写作助手。
• 技术栈：Python, google-adk, Gemini 3 Flash
• 入口文件：creative_writing_agent/agent.py，通过 adk web 运行

使用方式

1) 配置 GOOGLE_API_KEY；2) pip install -r requirements.txt；3) 运行 adk web 并选择 creative_writing_agent。

改造 / 扩展建议

• 修改 instruction 让 agent 专注其他文体（诗歌/剧本）
• 尝试更换为其他 Gemini 模型
• 接入 Streamlit 或 FastAPI 提供 Web 入口

注意事项

ADK Web UI 是推荐的交互方式；必须将入口 agent 命名为 root_agent。

---

21.2 2. Model-Agnostic Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/2_model_agnostic_agent
• 一句话简介：通过 OpenRouter 统一接入 OpenAI GPT-4 与 Anthropic Claude，实现模型无关的 agent。
• 技术栈：Python, google-adk, OpenRouter, LiteLlm
• 入口文件：2_1_openai_adk_agent/agent.py、2_2_anthropic_adk_agent/agent.py

使用方式

1) 获取 OpenRouter API Key；2) 分别在两个子目录创建 .env；3) pip install -r requirements.txt；4) adk web 切换不同 agent 对比输出。

改造 / 扩展建议

• 添加更多模型（如 DeepSeek、Qwen）进行对比
• 把模型选择封装成可配置参数
• 为不同模型设计专属工具与 system prompt

注意事项

每个 agent 文件夹需独立 .env；agent 必须命名为 root_agent。

---

21.3 3. Structured Output Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/3_structured_output_agent
• 一句话简介：章节总览：使用 Pydantic schema 让 ADK agent 返回类型安全、可验证的结构化数据。
• 技术栈：Python, google-adk, Pydantic, Gemini 3 Flash
• 入口文件：子目录 3_1/3_2 的 agent.py

使用方式

进入子示例目录，配置 key、安装依赖后用 adk web 运行对应 agent。

改造 / 扩展建议

• 抽象公共 schema 基类减少重复
• 加入业务校验器（如邮箱正则、枚举范围）
• 把结构化输出写入数据库或 API

注意事项

本目录为概述，具体实现请查看 3_1 与 3_2。

---

21.4 3.1 Customer Support Ticket Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/3_structured_output_agent/3_1_customer_support_ticket_agent
• 一句话简介：将用户投诉自动抽取为包含优先级、分类、预计解决时间的标准化工单。
• 能力标签：自动化 / 工作流
• 技术栈：Python, google-adk, Pydantic, Gemini 3 Flash
• 入口文件：customer_support_agent/agent.py，通过 adk web 选择 support_ticket_creator

使用方式

1) cp env.example .env 并填入 GOOGLE_API_KEY；2) pip install -r requirements.txt；3) adk web 选择 support_ticket_creator。

改造 / 扩展建议

• 扩展 Ticket 字段（客户等级、关联订单）
• 接入 Jira / Zendesk API 自动创建真实工单
• 增加多语言投诉识别

注意事项

使用 Pydantic 枚举约束优先级与部门分类。

---

21.5 3.2 Email Generation Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/3_structured_output_agent/3_2_email_agent
• 一句话简介：根据自然语言请求生成带主题、正文、收件人等元数据的结构化邮件。
• 技术栈：Python, google-adk, Pydantic, Gemini 3 Flash
• 入口文件：agent.py，通过 adk web 选择 email_generator_agent

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) adk web 选择 email_generator_agent。

改造 / 扩展建议

• 增加语气、长度、附件列表字段
• 与邮件发送服务（SendGrid/AWS SES）集成
• 基于模板引擎渲染 HTML 邮件

注意事项

Schema 字段建议给出清晰描述以提升生成稳定性。

---

21.6 4. Tool Using Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent
• 一句话简介：章节总览：演示内置工具、自定义函数工具、第三方工具与 MCP 工具四类工具集成。
• 能力标签：MCP 工具集成
• 技术栈：Python, google-adk, Gemini 3 Flash, LangChain, CrewAI, MCP
• 入口文件：4_1/4_2/4_3/4_4 子目录的 agent.py

使用方式

按子目录 README 配置环境并 adk web 运行对应 agent。

改造 / 扩展建议

• 统一工具注册与错误处理中间件
• 建立工具使用日志与权限控制
• 尝试将多种工具组合成复合 agent

注意事项

内置工具仅兼容 Gemini 模型，且不能与自定义工具混用。

---

21.7 4.1 Built-in Tools

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_1_builtin_tools
• 一句话简介：使用 ADK 原生搜索工具与代码执行工具扩展 agent 能力。
• 能力标签：代码 / 开发助手
• 技术栈：Python, google-adk, Gemini 3 Flash, Search Tool, Code Execution Tool
• 入口文件：search_agent/agent.py、code_exec_agent/agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) adk web 选择 search_agent 或 code_exec_agent。

改造 / 扩展建议

• 封装搜索工具返回格式，统一引用来源
• 为代码执行增加超时与沙箱限制
• 将搜索结果缓存降低重复调用

注意事项

内置工具仅限 Gemini 模型，且同一 agent 不能混合自定义工具。

---

21.8 4.2 Function Tools

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_2_function_tools
• 一句话简介：通过自定义 Python 函数构建计算器与文本/日期/数据实用工具集。
• 技术栈：Python, google-adk, Gemini 3 Flash
• 入口文件：calculator_agent/agent.py、utility_agent/agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) adk web 选择 calculator_agent 或 utility_agent。

改造 / 扩展建议

• 扩展财务函数（IRR、房贷计算）
• 增加单位换算与地理位置工具
• 为工具编写单测确保输出稳定

注意事项

ADK 函数工具不支持默认参数，建议返回字典并写好 docstring。

---

21.9 4.3 Third-party Tools

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_3_thirdparty_tools
• 一句话简介：将 LangChain 与 CrewAI 生态工具通过适配器接入 ADK agent。
• 技术栈：Python, google-adk, LangChain, CrewAI Tools, Gemini 3 Flash
• 入口文件：langchain_agent/agent.py、crewai_agent/agent.py

使用方式

1) cp ../env.example .env；2) pip install -r requirements.txt；3) adk web 选择 langchain_agent 或 crewai_agent。

改造 / 扩展建议

• 接入更多 LangChain 工具（Wikipedia、Arxiv）
• 将 CrewAI 工具默认模型改为 Gemini 避免调用 OpenAI
• 统一工具结果格式与重试机制

注意事项

CrewAI 工具需显式配置 provider=google 与 embedder，否则会默认使用 OpenAI。

---

21.10 4.4 MCP Tools

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_4_mcp_tools
• 一句话简介：章节总览：通过 MCPToolset 将外部 MCP 服务器（文件系统、Firecrawl）接入 ADK。
• 能力标签：MCP 工具集成、浏览器自动化
• 技术栈：Python, google-adk, MCP, Node.js/npx, Gemini 3 Flash
• 入口文件：filesystem_agent/agent.py、firecrawl_agent/agent.py

使用方式

安装依赖并配置 API Key 后，在根目录运行 adk web 选择对应 agent。

改造 / 扩展建议

• 探索更多社区 MCP 服务器（数据库、GitHub）
• 使用 SSE 连接远程 MCP 服务
• 封装 MCPToolset 生命周期管理

注意事项

需要 Node.js 环境以通过 npx 启动 MCP 服务器。

---

21.11 4.4.1 Filesystem MCP Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_4_mcp_tools/filesystem_agent
• 一句话简介：连接 filesystem MCP 服务器，让 agent 通过自然语言读写本地文件与目录。
• 能力标签：MCP 工具集成、本地 / 私有化
• 技术栈：Python, google-adk, MCP, @modelcontextprotocol/server-filesystem
• 入口文件：agent.py，通过 adk web 选择 filesystem_mcp_agent

使用方式

1) 确保已安装 Node.js；2) 配置 Google API Key；3) adk web 选择 filesystem_mcp_agent。

改造 / 扩展建议

• 限定可访问目录提升安全性
• 增加文件搜索与批量重命名工具
• 接入云存储 MCP 服务器

注意事项

MCP 服务器只能访问启动时指定的目录，注意权限控制。

---

21.12 4.4.2 Firecrawl MCP Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/4_tool_using_agent/4_4_mcp_tools/firecrawl_agent
• 一句话简介：通过 Firecrawl MCP 服务器实现高级网页抓取、批量处理、深度研究与结构化提取。
• 能力标签：MCP 工具集成、浏览器自动化
• 技术栈：Python, google-adk, MCP, Firecrawl API, Node.js/npx
• 入口文件：agent.py，通过 adk web 选择 firecrawl_mcp_agent

使用方式

1) 设置 FIRECRAWL_API_KEY；2) 安装依赖；3) adk web 选择 firecrawl_mcp_agent。

改造 / 扩展建议

• 自定义抓取参数（深度、并发、输出格式）
• 将抓取结果写入向量数据库做 RAG
• 封装网页监控定时任务

注意事项

Firecrawl 为云服务，需要有效 API Key 与额度。

---

21.13 5. Memory Agents

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/5_memory_agent
• 一句话简介：章节总览：讲解 Session、State、Event 概念，并通过内存与 SQLite 两种方式实现对话记忆。
• 能力标签：记忆 / Memory
• 技术栈：Python, google-adk, SQLite, Gemini 3 Flash
• 入口文件：5_1/agent.py、5_2/agent.py

使用方式

进入 5_1 或 5_2 子目录，配置 key 后运行 streamlit run app.py。

改造 / 扩展建议

• 将 SQLite 替换为 PostgreSQL 支持多实例
• 实现长期记忆摘要与检索
• 加入用户画像与偏好学习

注意事项

内存会话仅用于开发测试，生产请使用数据库持久化。

---

21.14 5.1 In-Memory Conversation Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/5_memory_agent/5_1_in_memory_conversation_agent
• 一句话简介：基于 InMemorySessionService 实现可记住上下文的多轮私人助理。
• 能力标签：记忆 / Memory
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py（streamlit run app.py）

使用方式

1) pip install -r requirements.txt；2) echo GOOGLE_API_KEY=... > .env；3) streamlit run app.py。

改造 / 扩展建议

• 在 session state 中保存更丰富的用户画像
• 加入关键词触发记忆清空
• 接入短期记忆摘要压缩长上下文

注意事项

程序退出后记忆丢失，仅适合开发与原型验证。

---

21.15 5.2 Persistent Conversation Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/5_memory_agent/5_2_persistent_conversation_agent
• 一句话简介：使用 DatabaseSessionService + SQLite 实现跨重启的持久化对话记忆。
• 能力标签：记忆 / Memory、数据分析 / BI
• 技术栈：Python, google-adk, SQLite, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py（streamlit run app.py）

使用方式

1) pip install -r requirements.txt；2) 创建 .env 填入 GOOGLE_API_KEY；3) streamlit run app.py。

改造 / 扩展建议

• 迁移到 PostgreSQL/MySQL 支持多用户
• 添加会话列表与历史检索 UI
• 实现定期备份与数据清理策略

注意事项

首次运行会自动创建 sessions.db，注意备份与文件权限。

---

21.16 6. Callbacks

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/6_callbacks
• 一句话简介：章节总览：通过 Agent 生命周期、LLM 交互、工具执行三类回调监控与干预 agent 运行。
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：6_1/6_2/6_3 的 agent.py / app.py

使用方式

进入子目录，安装依赖后 streamlit run app.py 或 python agent.py。

改造 / 扩展建议

• 将回调日志发送到 ELK / OpenTelemetry
• 在回调中实现 token 成本统计
• 结合回调做异常告警与熔断

注意事项

使用 InMemoryRunner 运行才能正确触发回调。

---

21.17 6.1 Agent Lifecycle Callbacks

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/6_callbacks/6_1_agent_lifecycle_callbacks
• 一句话简介：使用 before/after_agent_callback 记录 agent 执行耗时与性能指标。
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py

使用方式

1) pip install -r requirements.txt；2) 配置 .env；3) streamlit run app.py。

改造 / 扩展建议

• 将耗时指标写入 Prometheus
• 根据耗时动态调整模型或重试
• 增加回调链式处理与日志采样

注意事项

不要在收到 is_final_response() 后立即 break，否则 after 回调不会触发。

---

21.18 6.2 LLM Interaction Callbacks

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/6_callbacks/6_2_llm_interaction_callbacks
• 一句话简介：通过 before/after_model_callback 追踪 LLM 请求、响应、token 用量与预估成本。
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py

使用方式

1) pip install -r requirements.txt；2) 配置 .env；3) streamlit run app.py。

改造 / 扩展建议

• 接入不同模型的实时价格表
• 实现慢查询告警与模型降级
• 将 token 用量持久化到数据库

注意事项

从 usage_metadata 读取 token 时使用 getattr 避免属性缺失。

---

21.19 6.3 Tool Execution Callbacks

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/6_callbacks/6_3_tool_execution_callbacks
• 一句话简介：利用 before/after_tool_callback 监控工具调用参数、结果与执行耗时。
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py

使用方式

1) pip install -r requirements.txt；2) 配置 .env；3) streamlit run app.py。

改造 / 扩展建议

• 增加工具调用权限校验
• 对敏感参数脱敏后再记录日志
• 实现工具失败自动重试与熔断

注意事项

工具必须包装为 FunctionTool 才能触发工具回调。

---

21.20 7. Plugins

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/7_plugins
• 一句话简介：通过 Runner 级插件实现全局日志、请求改写、工具监控与最终报告等横切能力。
• 技术栈：Python, google-adk, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py / plugin_example.py

使用方式

1) 创建 .env 填入 GOOGLE_API_KEY；2) pip install -r requirements.txt；3) streamlit run app.py。

改造 / 扩展建议

• 开发安全策略插件（输入脱敏、输出审计）
• 接入 APM 实现统一链路追踪
• 设计可复用插件包供多个项目共享

注意事项

插件不兼容 adk web，需通过 Python 脚本或 Streamlit 运行。

---

21.21 8. Simple Multi-Agent Researcher

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/8_simple_multi_agent
• 一句话简介：使用协调器 agent 串联研究、摘要、批评三个子 agent 完成综合研究报告。
• 能力标签：多 Agent 编排
• 技术栈：Python, google-adk, Gemini 3 Flash, Google Search
• 入口文件：multi_agent_researcher/agent.py，通过 adk web 导入并选择 root_agent

使用方式

1) pip install -r requirements.txt；2) echo GOOGLE_API_KEY=... > .env；3) adk web 导入 ai_agent_framework_crash_course.google_adk_crash_course.8_simple_multi_agent.multi_agent_researcher。

改造 / 扩展建议

• 增加数据来源校验与引用格式
• 扩展为更多子 agent（可视化、翻译）
• 将报告输出为 Markdown/PDF

注意事项

需要在 ADK Web 中输入完整模块导入路径。

---

21.22 9.1 Sequential Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/9_multi_agent_patterns/9_1_sequential_agent
• 一句话简介：使用 SequentialAgent 按市场分析 → SWOT → 战略 → 实施计划顺序生成商业落地方案。
• 技术栈：Python, google-adk, SequentialAgent, AgentTool, Gemini 3 Flash
• 入口文件：agent.py / app.py（streamlit run app.py）

使用方式

1) pip install -r requirements.txt；2) echo GOOGLE_API_KEY=... > .env；3) streamlit run app.py。

改造 / 扩展建议

• 替换为其他业务流程（内容生产、代码评审）
• 增加人机审核节点
• 把 AgentTool 搜索能力替换为私有数据源

注意事项

SequentialAgent 保证子 agent 按固定顺序执行，后一步依赖前一步输出。

---

21.23 9.2 Loop Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/9_multi_agent_patterns/9_2_loop_agent
• 一句话简介：使用 LoopAgent 迭代精炼计划，通过 session state 与 escalation 控制循环终止。
• 能力标签：记忆 / Memory
• 技术栈：Python, google-adk, LoopAgent, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py（streamlit run app.py）

使用方式

1) cd "9_2_loop agent"；2) pip install -r ../9_1_sequential_agent/requirements.txt；3) streamlit run app.py。

改造 / 扩展建议

• 自定义终止条件（质量评分、用户确认）
• 增加 plan_refiner 的子 agent 数量
• 将迭代日志可视化展示

注意事项

目录名包含空格，cd 时请使用引号；依赖复用 9_1 的 requirements.txt。

---

21.24 9.3 Parallel Agent

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/9_multi_agent_patterns/9_3_parallel_agent
• 一句话简介：使用 ParallelAgent 并发执行市场趋势、竞品、融资新闻三个研究 agent，并合并快照。
• 技术栈：Python, google-adk, ParallelAgent, Streamlit, Gemini 3 Flash
• 入口文件：agent.py / app.py（streamlit run app.py）

使用方式

1) cd "9_3_parallel agent"；2) pip install -r requirements.txt；3) streamlit run app.py。

改造 / 扩展建议

• 为每个子 agent 配置独立输出键避免覆盖
• 下游增加综合汇总 agent
• 监控并发调用成本与速率限制

注意事项

各子 agent 通过独立 output_key 写入共享 session.state。

---

21.25 Multi-Agent Web Research Team (YAML)

• 代码路径：ai_agent_framework_crash_course/google_adk_crash_course/adk_yaml_examples/multi_agent_web_research_team
• 一句话简介：完全基于 YAML 配置的多 agent 网络研究系统，集成 Firecrawl MCP 工具。
• 能力标签：MCP 工具集成、浏览器自动化
• 技术栈：YAML, google-adk, MCP, Firecrawl, Gemini 3 Flash
• 入口文件：multi_agent_web_researcher/root_agent.yaml、research_agent.yaml、summary_agent.yaml

使用方式

1) 配置 GOOGLE_API_KEY 与 FIRECRAWL_API_KEY；2) cd 到 agent 目录；3) adk web / adk run / adk api_server。

改造 / 扩展建议

• 增加更多子 agent（事实核查、翻译）
• 将 Firecrawl 替换为其他 MCP 搜索源
• 用 Vertex AI 配置替换 AI Studio

注意事项

支持 Google AI Studio 与 Vertex AI 两种认证方式。

---

22. AI Agent Framework Crash Course / OpenAI SDK（AI Agent 框架速成 / OpenAI SDK）

22.1 1. Your First OpenAI Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/1_starter_agent
• 一句话简介：使用 OpenAI Agents SDK 创建首个 agent，并演示同步、异步、流式三种执行方式。
• 技术栈：Python, openai-agents, GPT-4o, Streamlit
• 入口文件：personal_assistant_agent/agent.py、execution_demo_agent/agent.py、app.py

使用方式

1) cp .env.example .env 填入 OPENAI_API_KEY；2) pip install -r requirements.txt；3) python agent.py 或 streamlit run app.py。

改造 / 扩展建议

• 修改 instructions 打造不同角色
• 将执行方式封装为统一接口
• 添加更多模型参数配置

注意事项

默认模型为 gpt-4o，需有效的 OpenAI API Key。

---

22.2 1.1 Personal Assistant Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/1_starter_agent/1_personal_assistant_agent
• 一句话简介：最简 agent 示例，展示 Agent 类、instructions 与默认 GPT-4o 的基础用法。
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) 在 Python 中 from agent import root_agent 并用 Runner.run_sync 调用。

改造 / 扩展建议

• 更改角色为律师、医生、教练等
• 限制回答长度与风格
• 接入记忆保持上下文

注意事项

用于理解 Agent 的最小定义。

---

22.3 2. Structured Output Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/2_structured_output_agent
• 一句话简介：通过 Pydantic output_type 让 agent 返回类型安全、可验证的 JSON。
• 技术栈：Python, openai-agents, Pydantic, GPT-4o, Streamlit
• 入口文件：2_1/agent.py、2_2/agent.py、app.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python support_ticket_agent.py / streamlit run app.py。

改造 / 扩展建议

• 统一 schema 版本管理与校验规则
• 把输出直接写入数据库
• 增加可选字段与嵌套模型

注意事项

README 提到 2_3_email_generator_agent，但未在目录中提供 README。

---

22.4 2.1 Support Ticket Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/2_structured_output_agent/2_1_support_ticket_agent
• 一句话简介：把客户投诉解析为带优先级、分类、复现步骤的结构化工单。
• 技术栈：Python, openai-agents, Pydantic, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) 使用 Runner.run_sync(root_agent, "...") 运行。

改造 / 扩展建议

• 增加 severity、tags、assignee 字段
• 接入真实工单系统 API
• 用 enum 严格控制分类值

注意事项

返回 SupportTicket 对象，可直接转 JSON。

---

22.5 2.2 Product Review Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/2_structured_output_agent/2_2_product_review_agent
• 一句话简介：对商品评论进行星级、情感、优缺点与推荐意愿的结构化分析。
• 技术栈：Python, openai-agents, Pydantic, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) Runner.run_sync(root_agent, "Analyze this review: ...")。

改造 / 扩展建议

• 扩展到多评论批量分析
• 增加情感置信度与关键词提取
• 将结果汇总为可视化报表

注意事项

使用嵌套 Pydantic 模型处理复杂评论结构。

---

22.6 3. Tool Using Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/3_tool_using_agent
• 一句话简介：章节总览：演示 @function_tool、内置工具以及 Agents-as-Tools 三种工具集成方式。
• 能力标签：代码 / 开发助手
• 技术栈：Python, openai-agents, GPT-4o, WebSearchTool, CodeInterpreterTool, Streamlit
• 入口文件：3_1/agent.py、3_2/agent.py、3_3/agent.py、app.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python calculator_agent.py / streamlit run app.py。

改造 / 扩展建议

• 建立工具注册中心
• 增加工具调用日志与权限控制
• 设计多工具组合任务

注意事项

工具 docstring 与类型注解决定模型调用质量。

---

22.7 3.1 Function Tools

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/3_tool_using_agent/3_1_function_tools
• 一句话简介：使用 @function_tool 装饰器将自定义 Python 函数注册为 agent 工具。
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) Runner.run_sync(root_agent, "What time is it in New York?")。

改造 / 扩展建议

• 扩展天气、汇率、日历等实用工具
• 增加工具参数校验与重试
• 把工具拆分到独立模块管理

注意事项

函数名与 docstring 是模型判断是否调用的关键。

---

22.8 3.2 Built-in Tools

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/3_tool_using_agent/3_2_builtin_tools
• 一句话简介：集成 WebSearchTool 与 CodeInterpreterTool 实现联网搜索与代码计算。
• 能力标签：代码 / 开发助手
• 技术栈：Python, openai-agents, GPT-4o, WebSearchTool, CodeInterpreterTool
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) Runner.run_sync(root_agent, "最新 AI 新闻并计算 15% of 200")。

改造 / 扩展建议

• 组合多个内置工具处理复杂查询
• 对搜索结果做后处理与引用
• 限制代码解释器可执行操作

注意事项

内置工具由 OpenAI 提供，需要对应 API 权限。

---

22.9 3.3 Agents as Tools

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/3_tool_using_agent/3_3_agents_as_tools
• 一句话简介：将专用 agent 转换为工具，由编排 agent 统一调度翻译与研究写作任务。
• 能力标签：多 Agent 编排
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py、advanced_agent.py

使用方式

1) cp ../env.example .env；2) 运行 agent.py 的简单编排或 advanced_agent.py 的研究写作流程。

改造 / 扩展建议

• 增加多语言翻译 agent 与质量评估 agent
• 为每个子 agent 配置不同模型与参数
• 实现递归式 agent 调用

注意事项

既可用 agent.as_tool() 快速转换，也可用 @function_tool 内嵌 Runner.run 实现精细控制。

---

22.10 4. Running Agents

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/4_running_agents
• 一句话简介：章节总览：掌握 Runner.run/run_sync/run_streamed、会话管理、运行配置、流式事件与异常处理。
• 技术栈：Python, openai-agents, GPT-4o, Streamlit
• 入口文件：agent_runner.py、4_1/agent.py、4_2/agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python -m 4_1_execution_methods.agent 或 streamlit run agent_runner.py。

改造 / 扩展建议

• 封装统一的 Runner 调用接口
• 实现全局异常捕获与重试
• 根据场景自动选择 sync/async/streaming

注意事项

README 提到 4_3/4_4/4_5，但仓库中未找到对应 README。

---

22.11 4.1 Execution Methods

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/4_running_agents/4_1_execution_methods
• 一句话简介：对比同步、异步、流式三种执行方法，理解 Agent Loop 的执行流程。
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python -m 4_1_execution_methods.agent。

改造 / 扩展建议

• 为 Web 应用封装 async runner
• 为长文本生成提供 streaming UI
• 增加超时与取消机制

注意事项

流式适合长响应，异步适合高并发 Web 服务。

---

22.12 4.2 Conversation Management

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/4_running_agents/4_2_conversation_management
• 一句话简介：演示手动 to_input_list() 与会话 SQLiteSession 两种对话历史管理方式。
• 能力标签：记忆 / Memory
• 技术栈：Python, openai-agents, GPT-4o, SQLiteSession
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python -m 4_2_conversation_management.agent。

改造 / 扩展建议

• 将会话持久化到 Redis/Postgres
• 实现对话分支与版本控制
• 在手动管理中注入系统消息

注意事项

SQLiteSession 可自动管理历史，to_input_list 提供完全可控。

---

22.13 5. Context Management

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/5_context_management
• 一句话简介：通过 RunContextWrapper 向 agent 与工具传递类型安全的用户上下文对象。
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python agent.py。

改造 / 扩展建议

• 定义更复杂的 UserInfo 上下文
• 结合 guardrail 做上下文权限校验
• 把上下文与 Sessions 联合使用

注意事项

使用泛型 Agent[YourContextType] 可在类型层面保证安全。

---

22.14 6. Guardrails & Validation

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/6_guardrails_validation
• 一句话简介：使用 input/output guardrail 与专用验证 agent 构建安全可控的 AI 应用。
• 技术栈：Python, openai-agents, Pydantic, GPT-4o
• 入口文件：agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python agent.py。

改造 / 扩展建议

• 增加业务规则 guardrail（如敏感词、权限）
• 将验证 agent 换成更小更快的模型
• 建立 guardrail 触发日志与告警

注意事项

触发 guardrail 会抛出 InputGuardrailTripwireTriggered / OutputGuardrailTripwireTriggered。

---

22.15 7. Sessions & Memory Management

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/7_sessions
• 一句话简介：章节总览：使用 SQLiteSession 自动保存对话历史，支持基础会话、记忆操作与多会话管理。
• 能力标签：记忆 / Memory、自动化 / 工作流
• 技术栈：Python, openai-agents, SQLite, Streamlit, GPT-4o
• 入口文件：streamlit_sessions_app.py、7_1/agent.py、7_2/agent.py、7_3/agent.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) streamlit run streamlit_sessions_app.py。

改造 / 扩展建议

• 将会话后端替换为分布式存储
• 实现会话过期与清理策略
• 基于会话历史做用户画像分析

注意事项

文件型 SQLiteSession 可跨应用重启保留对话。

---

22.16 7.1 Basic Sessions

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/7_sessions/7_1_basic_sessions
• 一句话简介：演示内存会话与文件型 SQLiteSession 的自动多轮记忆。
• 能力标签：记忆 / Memory、自动化 / 工作流
• 技术栈：Python, openai-agents, SQLite, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python 7_1_basic_sessions/agent.py。

改造 / 扩展建议

• 比较内存与持久化会话的性能
• 设置会话隔离策略
• 加入会话初始化问候语

注意事项

持久化会话需要指定数据库文件路径。

---

22.17 7.2 Memory Operations

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/7_sessions/7_2_memory_operations
• 一句话简介：展示 get_items、add_items、pop_item、clear_session 等会话记忆操作方法。
• 能力标签：记忆 / Memory
• 技术栈：Python, openai-agents, SQLite, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python 7_2_memory_operations/agent.py。

改造 / 扩展建议

• 实现消息编辑与撤销 UI
• 批量导入/导出会话记录
• 基于 pop_item 做对话回滚

注意事项

适用于需要人工修正对话历史的场景。

---

22.18 7.3 Multi Sessions

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/7_sessions/7_3_multi_sessions
• 一句话简介：为不同用户、不同业务场景管理多个隔离会话，并支持 agent 间共享会话。
• 技术栈：Python, openai-agents, SQLite, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python 7_3_multi_sessions/agent.py。

改造 / 扩展建议

• 设计 session ID 命名规范
• 实现会话路由与负载均衡
• 将会话与认证系统绑定

注意事项

不同 session_id 之间完全隔离，避免用户信息串扰。

---

22.19 8. Handoffs & Delegation

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/8_handoffs_delegation
• 一句话简介：通过 handoff 实现智能分诊与 agent 间任务委托，支持自定义工具名与输入过滤。
• 能力标签：多 Agent 编排
• 技术栈：Python, openai-agents, GPT-4o, Streamlit
• 入口文件：basic_handoffs.py、advanced_handoffs.py、app.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python basic_handoffs.py 或 streamlit run app.py。

改造 / 扩展建议

• 构建客服、销售、技术支持多 agent 路由
• 使用 input_filter 控制上下文传递
• 在 handoff 回调中记录日志

注意事项

handoffs 列表中的 agent 会自动生成 transfer_to_* 工具。

---

22.20 8.1 Basic Handoffs

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/8_handoffs_delegation/8_1_basic_handoffs
• 一句话简介：最简单的账单/技术支持分诊示例，展示 handoff 自动工具生成。
• 能力标签：多 Agent 编排、自动化 / 工作流
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 增加更多 specialized agent
• 为每个 agent 配置不同模型
• 加入会话历史保持

注意事项

分诊 agent 的 instructions 要清晰描述何时转交。

---

22.21 8.2 Advanced Handoffs

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/8_handoffs_delegation/8_2_advanced_handoffs
• 一句话简介：使用 handoff() 函数自定义工具名、回调与结构化输入的转交数据。
• 能力标签：多 Agent 编排
• 技术栈：Python, openai-agents, Pydantic, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 设计 EscalationData 更多字段
• 在 on_handoff 中发送通知/更新工单
• 实现动态启用/禁用 handoff

注意事项

结构化输入可让接收 agent 获得精确的转交信息。

---

22.22 9. Multi-Agent Orchestration

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/9_multi_agent_orchestration
• 一句话简介：章节总览：使用 asyncio.gather 并行执行、agents-as-tools 与复杂工作流编排多 agent。
• 能力标签：多 Agent 编排、自动化 / 工作流
• 技术栈：Python, openai-agents, GPT-4o, Streamlit
• 入口文件：parallel_execution.py、agents_as_tools.py、complex_orchestration.py、app.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python parallel_execution.py 或 streamlit run app.py。

改造 / 扩展建议

• 用 trace() 包裹多 agent 工作流
• 实现结果投票与质量选择
• 设计串并行混合流水线

注意事项

并行执行需注意 API 速率限制与成本。

---

22.23 9.1 Parallel Execution

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/9_multi_agent_orchestration/9_1_parallel_execution
• 一句话简介：并行运行多个翻译或写作 agent，再由选择 agent 挑选最佳结果。
• 技术栈：Python, openai-agents, GPT-4o, asyncio
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 扩展为 N 次采样自一致性
• 增加不同风格 agent 提升多样性
• 将最佳结果选择器训练为独立模型

注意事项

使用 asyncio.gather 并发调用，配合 trace 分组监控。

---

22.24 9.2 Agents as Tools (Orchestration)

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/9_multi_agent_orchestration/9_2_agents_as_tools
• 一句话简介：用 @function_tool 封装研究、写作、编辑 agent，由编排 agent 自动调度内容生产流程。
• 能力标签：多 Agent 编排、自动化 / 工作流
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 增加 SEO、配图、审核等更多阶段
• 为每个工具设置 max_turns 与 temperature
• 把内容流程做成可配置 DAG

注意事项

工具内部使用 Runner.run 调用子 agent，可实现精细配置。

---

22.25 10. Tracing & Observability

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/10_tracing_observability
• 一句话简介：章节总览：使用 SDK 内置 tracing、自定义 trace/span 与高级可观测性模式监控 agent。
• 技术栈：Python, openai-agents, GPT-4o, Streamlit
• 入口文件：default_tracing.py、custom_tracing.py、advanced_observability.py、app.py

使用方式

1) cp env.example .env；2) pip install -r requirements.txt；3) python default_tracing.py 或 streamlit run app.py。

改造 / 扩展建议

• 将 trace 元数据与业务 ID 关联
• 导出 trace 到外部 APM
• 配置敏感数据过滤

注意事项

默认 tracing 自动启用，可在 platform.openai.com/traces 查看。

---

22.26 10.1 Default Tracing

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/10_tracing_observability/10_1_default_tracing
• 一句话简介：展示零配置自动捕获 LLM 调用、工具执行与性能的默认 trace。
• 能力标签：自动化 / 工作流
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 在关键路径打印 run_id 便于排查
• 按环境开启/关闭 tracing
• 结合日志级别过滤噪音

注意事项

每次 Runner.run() 默认生成一个独立 trace。

---

22.27 10.2 Custom Tracing

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/10_tracing_observability/10_2_custom_tracing
• 一句话简介：使用 trace() 与 custom_span() 对多步骤业务工作流进行分组与层次化监控。
• 能力标签：自动化 / 工作流
• 技术栈：Python, openai-agents, GPT-4o
• 入口文件：agent.py

使用方式

1) cp ../env.example .env；2) python agent.py。

改造 / 扩展建议

• 用 group_id 聚合同一会话的多次交互
• 在 custom_span 中记录业务事件
• 将 trace 与订单/用户 ID 绑定

注意事项

自定义 trace 便于在 dashboard 中按业务维度检索。

---

22.28 11. Voice Agents

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/11_voice
• 一句话简介：章节总览：构建静态、流式与 Realtime 三种语音 agent，实现语音对话 pipeline。
• 能力标签：语音 / Voice
• 技术栈：Python, openai-agents[voice], sounddevice, numpy, soundfile, librosa, GPT-4o
• 入口文件：static/agent.py、streamed/agent.py、realtime/agent.py

使用方式

1) pip install 'openai-agents[voice]' 与音频依赖；2) 分别进入 static/streamed/realtime 配置 .env；3) python agent.py。

改造 / 扩展建议

• 增加更多语言 agent 与自动切换
• 为语音场景设计简洁工具
• 将语音 pipeline 接入电话/WebRTC

注意事项

Realtime 需要 Python 3.9+ 与 gpt-4o-realtime-preview 访问权限。

---

22.29 11.1 Static Voice Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/11_voice/static
• 一句话简介：基于预录制音频的回合制语音助手，支持多语言 handoff 与天气、时间、小费计算工具。
• 能力标签：多 Agent 编排、语音 / Voice
• 技术栈：Python, openai-agents[voice], sounddevice, numpy, soundfile, librosa, GPT-4o
• 入口文件：agent.py

使用方式

1) pip install 'openai-agents[voice]' 与音频依赖；2) cp env.example .env；3) python agent.py。

改造 / 扩展建议

• 调整录音时长与静音检测
• 增加更多语言 agent
• 保存音频交互记录

注意事项

需要先测试麦克风与扬声器是否正常工作。

---

22.30 11.2 Streaming Voice Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/11_voice/streamed
• 一句话简介：实时连续音频流语音助手，支持活动检测、回合管理与低延迟响应。
• 能力标签：语音 / Voice
• 技术栈：Python, openai-agents[voice], sounddevice, numpy, threading, asyncio, GPT-4o
• 入口文件：agent.py

使用方式

1) 安装语音依赖；2) cp env.example .env；3) python agent.py 开始说话。

改造 / 扩展建议

• 优化音频缓冲区降低延迟
• 增加打断处理与 lifecycle 事件
• 接入实时新闻、提醒等工具

注意事项

SDK 当前不内置打断，需通过 lifecycle 事件手动控制麦克风。

---

22.31 11.3 Realtime Voice Agent

• 代码路径：ai_agent_framework_crash_course/openai_sdk_crash_course/11_voice/realtime
• 一句话简介：基于 OpenAI Realtime API 与 WebSocket 的超低延迟语音对话 agent。
• 能力标签：语音 / Voice
• 技术栈：Python, openai-agents, Realtime API, WebSocket, GPT-4o-realtime-preview
• 入口文件：agent.py

使用方式

1) pip install openai-agents；2) cp env.example .env；3) python agent.py。

改造 / 扩展建议

• 配置语音、VAD、音频格式参数
• 增加实时 guardrail 与敏感信息过滤
• 实现断线重连与会话恢复

注意事项

Realtime 仍为 beta，需稳定的网络与 Realtime API 权限。

---

附录：如何高效使用本仓库

1. 定位需求：先根据目录找到最接近你业务场景的分类。
2. 跑通示例：按每个案例的『使用方式』配置环境变量并运行入口文件。
3. 替换模型：大多数示例默认使用 OpenAI / Gemini，可替换为本地 Ollama、LM Studio 或更便宜的云模型。
4. 接入数据：RAG 类模板把示例数据换成自己的文档/数据库/向量库即可落地。
5. 扩展工具：工具型 agent 只需增加新的 Python 函数或 MCP server，即可适配私有 API。
6. 生产化：为 Streamlit/Gradio 原型增加认证、日志、监控、持久化与限流后再上线。
7. 看统计选方向：通过『项目全貌统计』表格快速判断哪个框架/模型/能力覆盖最多，降低选型成本。

---

文档生成时间：2026-07-15