一个强大的、可扩展的多智能体工作流引擎，支持多智能体系统、自动化工作流、MCP-SERVER 接入等功能，提供智能代理和自动化服务执行。
Proteus 是一个基于 Python 和 FastAPI 构建的现代化工作流引擎，旨在提供一个灵活、高效的平台，用于构建和管理复杂的自动化任务和智能代理系统。它通过集成多种工具、支持灵活的工作流编排和多智能体协作，帮助用户实现从数据收集、分析到决策执行的全流程自动化。
Proteus（普罗透斯）源自希腊神话中的海神，他以能够随意改变自己的形态而闻名。这个名字完美契合了本项目的核心特性：
- 强大的可变性：就像普罗透斯能够变化成任何形态，本引擎可以通过不同节点类型的组合实现各种复杂的工作流。
- 智能适应：普罗透斯具有预知未来的能力，类似地，我们的 Agent 系统能够智能地选择最适合的工具和执行路径。
- 灵活性：如同海神能够掌控海洋的变化，本引擎能够灵活处理各种任务场景和数据流。
Proteus 引擎提供以下核心功能，赋能您的自动化和智能代理需求：
- 基于 Chain-of-Thought (CoT) 推理：支持复杂的任务分解和高级推理能力。
- 动态工具选择与执行：智能体能够根据任务需求动态选择并调用最适合的内置或外部工具。
- 多轮对话与上下文管理：支持多轮对话，保持上下文连贯性，提升交互体验。
- 多种智能体模式：包括超级智能体、自动工作流智能体、MCP 智能体、多智能体协作、深度研究智能体和浏览器智能体等，满足不同应用场景。
- 任务交接 (Handoff) 节点：支持智能体之间进行任务交接，实现更复杂的协作流程。
- 可视化工作流编排：直观的 Web 界面支持节点和边的拖拽，轻松构建复杂工作流。
- 工作流生命周期管理：支持工作流的创建、启动、暂停、恢复和取消。
- 节点依赖关系处理：智能调度节点执行顺序，确保数据流正确。
- 异步执行与实时状态更新：基于 SSE (Server-Sent Events) 实现实时通信，监控节点执行状态和结果。
- 循环节点与嵌套工作流：支持循环执行和工作流嵌套，提升工作流的复用性和灵活性。
内置超过 20 种节点类型，涵盖多种操作，并支持轻松扩展：
- 数据与文件操作：文件读写 (
file_read,file_write)、数据库查询与执行 (db_query,db_execute)。 - 信息检索：多种搜索引擎集成 (
duckduckgo_search,arxiv_search,serper_search)、Web 爬虫 (web_crawler,web_crawler_local)。 - 代码与自动化：Python 代码执行 (
python_execute)、终端命令执行 (terminal)、浏览器自动化 (browser_agent)。 - 交互与通信：API 调用 (
api_call)、聊天 (chat)、用户输入 (user_input)、邮件发送 (email_sender)。 - 特殊功能：天气预报 (
weather_forecast)、MCP 客户端 (mcp_client)、团队生成 (team_generator)、工作流生成 (workflow_generate)。
- SSE 实时通信：通过 Server-Sent Events 实现前后端实时数据传输。
- 节点执行状态实时更新：Web 界面实时展示节点执行进度、状态和结果。
- 弹幕功能：实时显示智能体思考过程和操作，增强可观察性。
- 历史记录管理：支持会话历史的查询、存储、摘要生成和恢复。
- 可扩展外部工具与资源：支持 MCP 标准，动态加载和管理外部工具和资源。
- 与远程 MCP 服务器集成：通过 MCP 客户端节点与外部服务无缝交互。
- 标准化工具描述：便于大型语言模型 (LLM) 理解和使用工具。
- 提供独立的沙箱环境，用于安全地执行 Python 代码和终端命令，隔离潜在风险。
- Web 可视化界面：提供直观的 Web 界面进行工作流构建、智能体交互和状态监控。
- 功能强大的 CLI 工具：方便开发者和用户在终端中直接与 Proteus AI 系统交互，支持快速测试和自动化脚本。
详见 examples 文件夹中的研究报告示例，展示了 Proteus 在复杂信息收集和分析方面的能力：
- Python 3.11+
- Docker (可选，用于容器化部署)
- LLM API 密钥 (支持多种 LLM 服务，默认配置为 Deepseek Chat)
-
克隆项目
git clone https://github.com/yourusername/proteus-ai.git cd proteus-ai -
创建并激活虚拟环境
python -m venv venv source venv/bin/activate # Linux/macOS venv\Scripts\activate # Windows
-
安装依赖
pip install -r proteus/requirements.txt
-
配置环境变量
cp .env.example .env # 编辑 .env 文件，设置必要的环境变量 -
浏览器自动化依赖 (可选) 如果需要使用浏览器自动化功能（如
browser_agent或web_crawler_local节点），请安装 Playwright：playwright install
# 确保已安装所有依赖
pip install -r proteus/requirements.txt
# 如果需要浏览器自动化功能，安装 playwright
playwright install
# 启动服务
python proteus/main.py服务启动后，访问 http://localhost:8000 即可打开 Web 界面。
# 构建 Docker 镜像（在项目根目录执行）
docker build -t proteus -f proteus/Dockerfile .
# 使用 Docker Compose 启动所有服务
docker-compose -f proteus/docker/docker-compose.yml up -d服务启动后，访问 http://localhost:8000 即可打开 Web 界面。也可以通过 https://localhost:9443 访问 Nginx 代理后的 HTTPS 服务。
本项目还提供了一个功能强大的命令行工具，方便开发者和用户在终端中与 Proteus AI 系统直接交互。
- 快速开始:
# 安装 CLI 依赖 pip install -r cli/requirements_cli.txt # 运行 CLI 工具进行聊天 python cli/proteus-cli.py chat "你好"
- 获取更多信息:
关于 CLI 工具的详细用法和高级功能，请参阅
cli/CLI_README.md。
主要配置项在 .env 文件中，您需要从 .env.example 复制并配置：
API_KEY: LLM API 密钥（必填）。MODEL_NAME: 使用的模型名称（默认为deepseek-chat）。REASONER_MODEL_NAME: 推理模型名称（可选）。SERPER_API_KEY: 用于 Web 搜索的 Serper API 密钥（可选）。MCP_CONFIG_PATH: MCP 配置文件路径（默认为./proteus/proteus_mcp_config.json）。REDIS_HOST: Redis 服务器地址（默认为localhost）。REDIS_PORT: Redis 服务器端口（默认为6379）。REDIS_DB: Redis 数据库索引（默认为0）。REDIS_PASSWORD: Redis 密码（可选）。SANDBOX_URL: 沙箱服务 URL（默认为http://localhost:8001）。
- FastAPI 应用入口：作为整个 Proteus AI 系统的核心入口，负责初始化 FastAPI 应用。
- 路由管理：定义并管理所有 API 路由，包括健康检查、文件上传/删除、聊天会话、流式响应、用户输入处理以及工作流执行等。
- 静态文件服务：负责提供前端静态资源，支持 Web 用户界面。
- 文件处理：提供文件上传和删除功能，并集成文件解析服务，将文件内容作为 Agent 上下文。
- Agent 模式调度：根据请求参数动态调度不同类型的智能体模式（如
deep-research、super-agent、codeact-agent、workflow、browser-agent等），实现多样化的智能任务处理。 - 实时通信：通过 Server-Sent Events (SSE) 管理客户端与服务器的实时数据流，确保前端能实时获取 Agent 思考过程和工具执行状态。
- 认证与授权：集成用户认证中间件，保障系统安全。
- 核心执行器：负责工作流的解析、验证、调度和执行。
- 节点生命周期管理：全面管理工作流中各个节点的创建、执行、暂停、恢复和取消。
- 依赖关系处理：智能解析和调度节点间的依赖关系，确保数据流和执行顺序的正确性。
- 异步并发执行：利用 Python 的
asyncio实现高效的并发执行，提升工作流处理能力。 - 状态追踪与错误处理：实时追踪工作流和节点状态，提供健壮的错误处理机制，确保系统稳定性。
- 流式执行支持：支持流式数据处理和通过 SSE 进行实时状态反馈，增强可观察性。
- Agent 生命周期管理：负责 Agent 实例的创建、缓存、停止和上下文清理。
- 工具调用：管理 Agent 可用的工具集，并根据 LLM 的决策动态调用内置或外部工具。
- 提示词构建：根据当前任务、历史对话、工具描述和上下文信息，动态构建发送给大型语言模型 (LLM) 的提示词。
- LLM 交互：封装与 LLM API 的通信逻辑，处理模型响应并进行解析。
- 用户输入处理：提供异步等待机制，允许 Agent 在执行过程中暂停并等待用户输入。
- Agent 间通信：通过 Redis 队列实现 Agent 间的事件订阅和发布，支持多智能体协作和任务交接。
- 终止条件：支持多种终止条件，确保 Agent 在达到特定目标或限制时能够优雅地停止。
- 统一的节点接口定义：所有节点遵循统一接口，易于扩展和管理。
- 丰富的内置节点类型：提供多样化的预定义节点，覆盖常见任务需求。
- 节点参数验证：确保节点输入参数的有效性和正确性。
- 节点执行状态管理：详细记录每个节点的执行状态、输入和输出。
- 支持同步和异步执行：根据节点特性选择合适的执行模式。
- 错误重试机制：针对可恢复错误提供自动重试功能。
- 基于 Chain-of-Thought (CoT) 推理：通过 Chain-of-Thought 提示词，引导 LLM 进行多步骤推理。
- 动态工具选择与执行：智能体能够根据推理结果，灵活选择并调用可用工具。
- 上下文管理：有效管理对话和任务上下文，保持智能体行为的连贯性。
- 多轮对话处理：支持复杂的交互式多轮对话。
- 支持多种 Agent 模式：提供多种预设智能体模式，以适应不同任务场景。
- 用户输入交互：智能体能够接收并处理用户输入，进行实时互动。
- 历史记录管理：自动记录智能体交互历史，便于回顾和分析。
- RESTful API 设计：提供清晰、标准的 RESTful API 接口。
- 实时通信 (SSE) 支持：通过 Server-Sent Events 实现客户端与服务器的实时数据流。
- 工作流生成和执行：提供 API 接口用于创建、启动和管理工作流。
- 历史记录管理：API 支持查询和管理所有会话和工作流的历史记录。
- 事件驱动架构：基于事件的内部通信机制，提高系统解耦性。
- 认证和授权：提供用户认证和权限管理功能，确保系统安全。
- Model Context Protocol (MCP) 标准支持：遵循 MCP 协议，实现模型与外部工具和资源的标准化交互。
- 动态加载和管理外部工具和资源：允许系统动态发现和集成新的工具和数据源。
- 与远程 MCP 服务器集成：通过 MCP 客户端节点，无缝连接和利用远程 MCP 服务提供的能力。
- 扩展智能体能力：为智能体提供更丰富的工具集和数据访问能力。
- 标准化的工具描述格式：确保 LLM 能够准确理解和使用各种工具。
以下是一个简单的研究工作流示例，用于收集和分析主题信息：
name: 简单研究流程
description: 一个简单的研究工作流示例
nodes:
- type: user_input
id: input
params:
question: "请输入研究主题"
- type: duckduckgo_search
id: search
params:
query: "{{input.output}}"
max_results: 5
- type: web_crawler
id: crawler
params:
urls: "{{search.output}}"
- type: chat
id: analysis
params:
prompt: |
请基于以下内容进行分析总结：
{{crawler.output}}
- type: file_write
id: output
params:
path: "./research_output.md"
content: "{{analysis.output}}"name: 天气查询
description: 使用MCP工具查询天气
nodes:
- type: user_input
id: input
params:
question: "请输入城市名称"
- type: mcp_client
id: weather
params:
server_name: "amap-maps"
tool_name: "maps_weather"
arguments: |
{
"city": "{{input.output}}"
}
- type: chat
id: format
params:
prompt: |
将天气数据格式化为友好回复：
{{weather.output}}- 在
proteus/src/nodes/目录下创建新的节点文件。 - 继承
BaseNode类并实现必要方法：from proteus.src.nodes.base import BaseNode class MyCustomNode(BaseNode): def __init__(self, node_id: str, params: dict): super().__init__(node_id, params) async def execute(self, context: dict) -> dict: # 实现节点逻辑 result = await self._process_data(context) return {"success": True, "data": result}
- 在
proteus/src/nodes/node_config.yaml中注册节点配置：MyCustomNode: type: my_custom_node description: "自定义节点描述" params: param1: type: string required: true description: "参数1描述"
- 在
proteus/src/agent/prompt/中添加新的提示词模板。 - 修改
proteus/src/agent/agent.py实现新的推理方法。 - 注册新的工具到 Agent 系统。
- 静态资源位于
proteus/static/目录。 - 使用 SSE 接收实时更新：
const eventSource = new EventSource(`/stream/${chatId}`); eventSource.onmessage = (event) => { const data = JSON.parse(event.data); // 处理实时数据 };
-
单元测试：
python -m pytest tests/unit/
-
集成测试：
python -m pytest tests/integration/
-
端到端测试：
python -m pytest tests/e2e/
-
配置 MCP 服务器： 在
proteus/proteus_mcp_config.json中配置 MCP 服务器信息：{ "mcpServers": { "server-name": { "type": "sse", "url": "https://your-mcp-server-url" } } } -
在代码中使用 MCP 管理器：
from proteus.src.manager.mcp_manager import get_mcp_manager, initialize_mcp_manager # 初始化 MCP 管理器 await initialize_mcp_manager() # 获取 MCP 管理器实例 mcp_manager = get_mcp_manager() # 获取所有工具 tools = mcp_manager.get_all_tools() # 获取所有资源 resources = mcp_manager.get_all_resources()
-
在 Agent 中使用 MCP 工具：
- 选择“MCP 智能体”模式。
- 或在自定义 Agent 中配置 MCP 工具。
我们致力于不断改进 Proteus 引擎，以下是未来可能优先考虑的功能和优化：
-
核心功能增强
- 完善工作流的暂停和恢复机制。
- 引入工作流模板系统，简化常用工作流的创建。
- 实现工作流版本控制，支持历史回溯和管理。
- 增加节点执行超时机制，提升系统稳定性。
-
节点类型扩展
- 集成更多主流 AI 模型和第三方服务 API。
- 实现文件格式转换节点，支持更多数据处理场景。
- 添加邮件和消息通知节点，增强工作流的通知能力。
-
Agent 系统优化
- 进一步优化 Chain-of-Thought 推理的效率和准确性。
- 增强多智能体协作机制，实现更智能的任务分配和协同。
- 实现智能体记忆系统和知识共享机制。
- 增强错误处理和恢复能力，提升智能体的鲁棒性。
-
用户体验改进
- 优化 Web 界面交互，提供更流畅的用户体验。
- 添加工作流调试工具，方便开发者排查问题。
- 实现工作流执行日志导出功能。
- 增加性能监控面板，实时查看系统运行状态。
-
部署和运维
- 添加集群部署支持，提升系统可伸缩性。
- 实现自动化测试框架，确保代码质量。
- 优化资源使用效率，降低运行成本。
- 增加监控告警机制，及时发现和处理问题。
欢迎提交 Issue 和 Pull Request 来帮助改进项目。在提交代码前，请确保：
- 代码符合项目的编码规范。
- 添加了必要的测试用例。
- 更新了相关文档。
- 遵循 Git 提交规范。
- 通过所有 CI 检查。
本项目采用 MIT 许可证，详见 LICENSE 文件。