Agent-Graph是基于上下文工程的多智能体系统，提供Agent管理、Workflow可视化编排、Subagent任务分解、双层记忆架构、MCP集成等核心功能。支持团队协作，可分享对话并导出为训练数据，适合构建复杂AI工作流。项目开源，提供完整文档和体验平台，是开发多智能体系统的理想选择。
✨Agent-Graph是基于上下文工程理念构建的多智能体系统。
💡 如果您在研究多智能体系统或需要构建复杂的 AI 工作流，不妨看看这个项目，欢迎关注，欢迎交流!
快速开始
- 开源地址：https://github.com/keta1930/mcp-agent-graph
- 网站体验：https://agent-graph.com/
- 邀请码：TEAM-QI10IT
- 文档：https://keta1930.github.io/mcp-agent-graph/
💎 核心功能
🔹Agent管理
支持快速创建多个的智能体，每个智能体可以配置独立的Agent card、指令、工具集和模型，并具有独立的记忆库。支持Agent导入与导出。
🔹Workflow编排
可视化的图编辑器，支持子图嵌套，将复杂工作流模块化。与Agent执行相比，workflow更加稳定可靠。
🔹Subagent
支持将复杂任务分解并分配给子Agent。每个子任务在独立的执行环境中完成，不同任务上下文独立。任务ID机制实现完整的执行追踪，多智能体可通过文件传递工作成果。
🔹文件系统
提供会话级别的文档管理。系统自动记录完整的文档版本更新。用户可参与编辑。
🔹记忆系统
项目实现了双层记忆架构。短期记忆维护单次会话的上下文，长期记忆包含Agent和User双主体记忆架构，让Agent越来越专业。
🔹MCP集成
通过 MCP 连接外部工具和数据源。适合连接私有API、数据库、知识库、云服务和网络搜索等外部资源。
🔹内置工具
1️⃣ 设计类:交互式创建，让Agent帮您设计和创建Agent/Workflow/MCP/Prompt;
2️⃣ 协作类:为Agent提供协作和文件管理的能力;
3️⃣ 记忆类:为Agent提供记忆的更新，存储，检索能力;
4️⃣ 查询类:为Agent提供检索系统资源的能力。
🔹任务调度
支持定时或周期性自动执行工作流，适合需要定期运行的自动化任务。
🔹对话分享与导出
对话可以分享给未登录的用户。也可以导出为LLM训练格式数据用于Agent训练与分析。
🔹团队功能
支持多用户，角色权限管理。管理员可以创建邀请码，邀请团队成员的加入。后续将支持团队内的资源共享功能。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
