多AI代理云原生
多AI代理云原生 是 AI Skill Hub 本期精选Agent工作流之一。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。
📚 深度解析
多AI代理云原生 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
多AI代理云原生 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
多AI代理云原生 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install multi-ai-agents-cloud-native
# 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 multi-ai-agents-cloud-native
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/kinfey/Multi-AI-Agents-Cloud-Native
cd Multi-AI-Agents-Cloud-Native
pip install -e .
# 验证安装
python -c "import multi_ai_agents_cloud_native; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
multi-ai-agents-cloud-native --help
# 基本用法
multi-ai-agents-cloud-native input_file -o output_file
# Python 代码中调用
import multi_ai_agents_cloud_native
# 示例
result = multi_ai_agents_cloud_native.process("input")
print(result)
# multi-ai-agents-cloud-native 配置文件示例（config.yml） app: name: "multi-ai-agents-cloud-native" debug: false log_level: "INFO" # 运行时指定配置文件 multi-ai-agents-cloud-native --config config.yml # 或通过环境变量配置 export MULTI_AI_AGENTS_CLOUD_NATIVE_API_KEY="your-key" export MULTI_AI_AGENTS_CLOUD_NATIVE_OUTPUT_DIR="./output"
Multi-AI-Agents-Cloud-Native
A collection of multi-agent AI application samples designed for cloud-native deployment on Microsoft Azure. This repository demonstrates how to build, orchestrate, and deploy intelligent AI agent systems using modern cloud technologies.
Overview
Multi-agent systems represent the next evolution in AI applications, where specialized agents collaborate to solve complex tasks. This repository provides practical examples of building such systems with:
Prerequisites
Before running any example, ensure you have:
- Python: 3.12 or higher
- Node.js: 20 or higher
- Docker: For containerized deployment
- Docker Compose: v2 required for the OpenClaw security example
- Azure CLI: For Azure deployments
- kubectl: For Kubernetes deployments
- Helm: Required for installing AI Runway components in the BYOT example
- kind: For local Kubernetes clusters (Sidecar example)
- AKS Preview Extension: Required when provisioning AKS clusters with KataVmIsolation in the BYOT example
- SerpAPI Key: For DeepSearch in the podcast generator (get key)
- Git: For version control
Cloud-Native Deployment on Microsoft Azure
- Azure Container Apps - Serverless container platform for deploying microservices and AI agents with automatic scaling, built-in load balancing, and simplified operations
- Azure Kubernetes Service (AKS) - Fully managed Kubernetes for complex multi-agent deployments requiring fine-grained control, custom networking, and enterprise-grade orchestration
- Azure Container Registry - Private Docker registry for storing and managing container images
- Azure API Management (APIM) - Full-lifecycle API management for publishing, securing, and monitoring AI agent APIs with built-in rate limiting, authentication, and analytics
One-click: create cluster, build images, deploy
make up
One-command setup & launch
chmod +x setup.sh && ./setup.sh docker compose run --rm podcast-app
#### Monitoring
3. Build and push the image to ACR
bash infra/02-build-push.sh
5. Deploy manifests
bash infra/03-deploy.sh
2. Install AI Runway controller and KAITO provider
bash infra/02-install-airunway.sh
3. Deploy Qwen/Qwen3-0.6B on CPU
bash infra/03-deploy-qwen.sh kubectl -n airunway-models wait --for=condition=Ready modeldeployment/llama3-2-1b-cpu --timeout=20m
5. Deploy the four Kata-isolated MCP agents
bash infra/05-deploy-agents.sh
Examples
Tutorials
---
Configure your SerpAPI key
cp .env.example .env vim .env # fill in SERPAPI_KEY
AI Frameworks & SDKs
- GitHub Copilot SDK - Multi-platform SDK (Python, TypeScript, Go, .NET) for embedding Copilot's agentic workflows into applications. Exposes the same production-tested agent runtime behind Copilot CLI—you define agent behavior, Copilot handles planning, tool invocation, file edits, and more
- Microsoft Agent Framework - Framework for building and orchestrating AI agents
- Microsoft Foundry - Enterprise-grade AI platform for building, deploying, and managing AI applications at scale
- AI Runway with KAITO - Kubernetes-native model serving for OpenAI-compatible inference endpoints, including CPU-friendly local LLM deployment patterns
4. GitHub Copilot SDK Agent on AKS with Kata microVM Isolation
📁 Location: code/AKS_MicroVM/
A hardened GitHub Copilot SDK Agent service running on Azure Kubernetes Service (AKS) with Kata Containers microVM isolation (kata-vm-isolation). Each pod runs inside an isolated Microsoft Hyper-V (mshv) lightweight VM with its own guest kernel, drastically reducing the blast radius of container escape when the Agent executes untrusted, model-generated code (shell, file I/O, MCP servers, npx packages).
Architecture
| Layer | Protection |
|---|---|
| **Pod sandbox** | runtimeClassName: kata-vm-isolation → microVM + isolated guest kernel |
| **Container** | runAsNonRoot, readOnlyRootFilesystem, drop ALL caps, seccompProfile: RuntimeDefault |
| **Network** | NetworkPolicy restricts egress to required Copilot / GitHub / MCP endpoints |
| **Secrets** | GH_TOKEN via Kubernetes Secret (swappable with CSI + Azure Key Vault) |
| **Agent tools** | on_permission_request deny-by-default with explicit allowlist |
Key Features
| Feature | Description |
|---|---|
| **Kata microVM Isolation** | Each pod runs in its own Hyper-V lightweight VM with a dedicated guest kernel |
| **Microsoft Agent Framework + Copilot SDK** | FastAPI service wrapping GitHubCopilotAgent with sync and streaming endpoints |
| **Untrusted Code Containment** | Safe to run Copilot CLI, MCP servers, and arbitrary npx packages |
| **NetworkPolicy Egress Control** | Only required outbound destinations allowed |
| **Defense-in-Depth Pod Security** | Non-root, read-only root FS, dropped caps, seccomp RuntimeDefault |
| **AKS Pod Sandboxing** | Uses AKS-native kata-vm-isolation RuntimeClass on Azure Linux nodes |
Technologies Used
- Python 3.12 + FastAPI + uvicorn
- GitHub Copilot SDK + Copilot CLI (Node.js 20)
- Microsoft Agent Framework
- Azure Kubernetes Service (AKS) with Pod Sandboxing (Kata Containers)
- Azure Linux node pool + nested-virtualization-capable VM SKU (e.g.
Standard_D4s_v3) - Azure Container Registry
Quick Start
```bash cd code/AKS_MicroVM
6. Call the agent via API server proxy (port-forward does NOT work for Kata pods)
kubectl proxy --port=8001 & curl -s -X POST \ http://localhost:8001/api/v1/namespaces/copilot-agent/services/copilot-agent:80/proxy/chat \ -H 'content-type: application/json' \ -d '{"message":"Briefly introduce Kata Containers."}' ```
⚠️ Kata caveat: kubectl port-forward does not work against Kata pods because the listener lives inside the microVM, not in the sandbox netns. Use the API server proxy, an in-cluster client, or expose the Service via Ingress / LoadBalancer.
---
6. Print the public MCP endpoints for GitHub Copilot Chat
bash infra/06-show-mcp-endpoints.sh ```
After deployment, update the bundled code/BYOT_Dev/.vscode/mcp.json with the LoadBalancer IPs printed by step 6. In Copilot Chat agent mode, you can ask: "Use the byot tower to take this idea - a URL shortener with click analytics - from requirements through deployment."
---
高质量的AI工作流开源项目
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：Multi-AI-Agents-Cloud-Native 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −未明确开源协议，商用场景需谨慎评估
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
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。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，多AI代理云原生 在Agent工作流赛道中表现稳健，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 | Multi-AI-Agents-Cloud-Native |
| 原始描述 | 开源AI工作流：These are multi-ai-agents samples for Cloud Native。⭐21 · Python |
| Topics | AICloud NativePython |
| GitHub | https://github.com/kinfey/Multi-AI-Agents-Cloud-Native |
| 语言 | Python |
收录时间：2026-06-01 · 更新时间：2026-06-01 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。