可控代理工作流框架 是 AI Skill Hub 本期精选AI工具之一。综合评分 7.5 分，整体质量较高。我们推荐使用将其纳入你的 AI 工具库，帮助提升工作效率。
可控代理工作流框架 是一款基于 Python 开发的开源工具，专注于 多代理框架、工作流编排、AI自动化 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
可控代理工作流框架 是一款基于 Python 开发的开源工具，专注于 多代理框架、工作流编排、AI自动化 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
# 方式一：pip 安装（推荐）
pip install controllable-agent
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install controllable-agent
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/Yang1999code/controllable-agent
cd controllable-agent
pip install -e .
# 验证安装
python -c "import controllable_agent; print('安装成功')"
# 命令行使用
controllable-agent --help
# 基本用法
controllable-agent input_file -o output_file
# Python 代码中调用
import controllable_agent
# 示例
result = controllable_agent.process("input")
print(result)
# controllable-agent 配置文件示例（config.yml） app: name: "controllable-agent" debug: false log_level: "INFO" # 运行时指定配置文件 controllable-agent --config config.yml # 或通过环境变量配置 export CONTROLLABLE_AGENT_API_KEY="your-key" export CONTROLLABLE_AGENT_OUTPUT_DIR="./output"
一个能自己组织团队、自己记忆、自己进化的 AI Agent 框架。 5 个 Agent 角色分工协作 + Wiki 式记忆系统 + 实时终端可视化。
---
你的 Agent 框架由 13 个核心组件 协同工作。下面用大白话一个一个说清楚：
给工具分 Tier（等级）打标签。Tier 0 是基础能力（文件读写、Shell），Tier 1 是高级能力（网页抓取、多 Agent 协作）。有了这个，系统提示不会一股脑把所有工具列出来——先说常用的，需要时再展示高级的。这叫"渐进式披露"。
动态组装发给 AI 的系统提示。告诉 Agent 它是什么、能干什么、当前在哪个目录、是什么操作系统。不像普通聊天机器人只有一个固定的"你是某某助手"——这个会根据环境信息动态生成。
git clone https://github.com/Yang1999code/controllable-agent.git
cd controllable-agent
pip install -e .需要 Python 3.12+，建议使用 conda 或 venv 隔离环境。
python -m app.cli你会看到欢迎界面：
+==================================================+
| my-agent v0.1.0 |
| Empire Code -- 可控多智能体自迭代 Agent 框架 |
+==================================================+
底层模型: deepseek-chat
可用工具: 15 个
/help | /flowchart | /exit | /多智能体
运行中随时可输入补充信息其他启动方式：
```bash
双击 start.bat 或运行：
python launch.py浏览器会自动打开 http://127.0.0.1:8765，你会看到：
双击 start.bat
↓
浏览器自动打开 http://127.0.0.1:8765
↓
输入任务 → 5 个 Agent 自动协作 → 实时动画 + 流式输出进入 TUI 后，输入 /多智能体 启动多 Agent 模式：
> /多智能体
=== 多智能体协作模式 ===
已注册角色 (5):
[C] coordinator 协调者 — 多 Agent 调度、流程监控
[P] planner 规划者 — 任务分解、步骤规划
[X] coder 编码者 — 代码实现、文件操作
[R] reviewer 审查者 — 代码审查、测试验证
[M] memorizer 记忆者 — 经验总结、知识提取
请描述你要多智能体协作完成的任务：
任务> 写一个 Python 文本统计工具，统计字符数、词数、行数，并写测试然后 5 个 Agent 自动分工：
[Agents: ~planner -coordinator -coder -reviewer -memorizer]
> planner started (planner_001)
OK planner finished (2.3s)
[Agents: *planner ~coordinator ~coder ~reviewer ~memorizer]
> coordinator started (coordinator_001)
> coder started (coder_001)
...面板图标含义：~ 运行中、* 已完成、! 出错、- 等待中。
也可以让模型自动调用——在普通对话中描述复杂任务，模型会自行决定是否使用多 Agent。
```bash
cp app/config/agent.yaml.example app/config/agent.yaml
编辑 `app/config/agent.yaml`，填入你的 API Key：
设置环境变量：
MCP（Model Context Protocol）让你给 Agent 插"外设"。Agent 原生只会读文件、跑命令，通过 MCP 可以连上 GitHub 服务器让它管理代码、连上数据库让它查数据。你的框架里 MCP 做了两件事：
支持两种连接方式：本地子进程（stdio）和远程 HTTP（SSE）。参考了 Anthropic 官方 MCP 规范 和 Claude Code 的 MCP 集成方式。
| 接口 | 职责 | 状态 |
|---|---|---|
| **ITool** | 工具注册 / 并发安全 / 结果预算 | V1 |
| **IModelProvider** | 模型流式推理 (OpenAI 兼容 + Anthropic) | V1 |
| **IMemoryBackend** | L0-L4 分层记忆, 关键词检索, jieba 分词 | V1 |
| **IHook** | 22 事件链, 优先级排序, 异常隔离 | V1 |
| **ISkill** / **ISkillConfig** | 技能注册 / YAML 加载 / 关键词匹配 | V1 |
| **IFlowInspector** | AsyncQueue 旁路, 滑动窗口统计 | V1 |
| **ICapabilityCatalog** / **ICapabilityRegistry** | Tier 渐进式披露, copy-on-read | V2 |
| **IPluginAdapter** | 4 层发现 / yaml manifest / 热重载 | V2 |
| **IPromptBuilder** | 片段式动态组装, token 预算 | V2 |
| **IWebAutomation** | fetch + search + browser (httpx + Playwright) | V2 |
| **IAgentRuntime** | spawn/spawn_parallel, 并发控制, Agent 通信 | V3 |
| **IAutonomousMemory** | 检查点 + 结晶 + Nudge + 长期更新 | V3 |
| **ISelfModification** | quality_score 三维评分 | V3 |
| **IToolErrorPolicy** | 工具异常策略 | 预留 V2 |
| **IHotLoader** | 运行时热加载 | 预留 V2 |
| **IDiscovery** | 自动发现 | 预留 V2 |
| **IMultiModelOrchestrator** | 多模型协同 | 预留 V3 |
| **IPluginMarketplace** | 插件市场 | 预留 V3 |
| **IMetaAgent** | 元 Agent 自优化 | 预留 V4 |
4 层插件发现系统。插件可以来自内置目录、用户目录、项目目录、环境变量指定路径。插件可以提供额外工具、钩子、技能——相当于给 Agent 装"App"。
python -m app.cli --model gpt-4o
架构设计规范，多代理委派机制完善，具有实际应用价值。但维护活跃度需关注，适合中小型工作流场景。
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
经综合评估，可控代理工作流框架 在AI工具赛道中表现稳健，质量良好。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | controllable-agent |
| 原始描述 | 开源AI工作流：20-interface AI agent framework with 3-layer architecture, multi-agent delegatio。⭐105 · Python |
| Topics | 多代理框架工作流编排AI自动化Python开发 |
| GitHub | https://github.com/Yang1999code/controllable-agent |
| 语言 | Python |
收录时间：2026-05-21 · 更新时间：2026-05-22 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。