**AgentSwarms** 是一个完整的、可自托管的、**源码可见**的 Agentic AI 与商业智能平台：包含 agent 对话、可视化多 agent swarm 画布、 带 RAG 的知识库、工具使用、MCP 连接、已连接的数据库与 数据仓库、仪表盘、预算以及完整的执行 trace。它专为 **便捷部署**而设计：一个 Supabase 项目作为后端，一条 Docker 命令即可 运行，并支持**自带一切** —— 你的数据存放在你自己的 Supabase 项目中，模型通过你自己的提供商密钥运行（OpenRouter、OpenAI、 Anthropic、Gemini、Bedrock、Azure、OCI、Qwen、Grok、Groq、Ollama、vLLM…）。 你也可以选择设置一个全实例范围的 OpenRouter 密钥，让实例上的每个用户都能实现零配置开箱即用。 ## 看一眼 **Swarm 画布** —— 以图的形式设计多 agent 工作流并端到端运行。 每个节点都是一个步骤（agent、路由、条件、循环、审批、工具调用）； 检查器负责设置其提供商、模型、prompt、工具和知识。 相同的图可以从画布、从 API 以及按计划调度运行。  **BI 工作区** —— 基于已连接的表和 数据仓库构建的多页仪表盘，支持 KPI、交叉过滤、定时刷新、PDF 导出以及 发布并分享的链接。  **Agent 对话，带可视化 BI** —— 用自然语言提问，并在 答案旁边获取根据你自己的数据计算出的图表。生成它的 SQL 会作为来源显示，因此这些数据是可核查的，而不是凭空断言的。  **Agent 对话，生成文档** —— 将对话和你的数据转化为 真实的、可编辑的 PowerPoint、Word 文档或 Excel 工作簿。Excel 可以拉取 所有行并带有实时的公式，而不是粘贴的静态快照。  **开发者工作区** —— 在沙盒化的服务器内核上运行 Python notebook，预装了 真实的 `langchain`、`langgraph` 和 `llama_index`。模型和知识库 的调用由平台代理，因此沙盒中绝不存在任何提供商密钥。Notebook 可以调用你已部署的 agent，并且它们自身也 可以发布为可调用的 API。  ## 本仓库 vs. agentswarms.fyi 相同的 UI，两种不同的使命： | | **本仓库（源码可见，Elastic License 2.0）** | **[agentswarms.fyi](https://agentswarms.fyi)（托管版）** | | ------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **侧重点** | 在你自己的基础设施上**轻松部署完整的 Agentic AI 和 BI 平台** —— 涵盖 agent、swarm、RAG、已连接的数据、仪表盘、trace 和预算。 | **学习优先**：一个用于 Agentic AI 的实操课堂 —— 包含引导式课程、同步实操实验、交互式 notebook、演示文稿以及认证 —— 全部托管的。 | | **运行环境** | 你的 Supabase 项目、你的提供商密钥、你的 Docker 主机。 | 托管的基础设施，包括带有免费层模型的 AI 网关 —— 无需任何配置。 | | **额外特性** | 对你自己的数据进行无头控制；除了你自己的预算外，没有任何使用上限。 | 仅限托管版提供的界面：领域工程博客、社区画廊、语音 agent、网站嵌入以及免费独立工具。 | | **最适合** | 希望在自己拥有的平台上**运行** Agentic AI 的团队和折腾者。 | 希望**学习和实践** Agentic AI 而无需进行任何设置的学习者。 | “AgentSwarms”的名称及托管服务仍归项目作者所有。 ## 功能 | | | | ---------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | 🤖 **Agent 对话** | 构建 agent，连接工具，并在浏览器中与之对话（位于 **Build → Agent Chat** 下），支持完整的请求/响应 trace。开启 **Visual BI** 即可在答案旁根据你连接的表渲染图表，并根据你的 prompt + 对话生成完全可编辑的 **PowerPoint、Word 或 Excel** —— Excel 可以拉取带有实时公式的**所有**行。参见 **[Agent 对话与文档生成](./docs/AGENT_CHAT.md)**。 | | 🐝 **Swarm 画布** | 以可视化方式设计多 agent 工作流（基于 [XYFlow](https://xyflow.com) 构建）并端到端执行 —— 无论从画布、从 API，还是按计划执行。已部署的运行**会随着进度进行 checkpoint**，因此某次运行可以在重启或部署后依然存活，而**人工审批步骤会暂停运行**，直到有人做出决定，而不是走过场盲目批准或直接失败。 | | 📚 **知识库 / RAG** | 上传文档，将其分块并嵌入（通过 pgvector），从而用你自己的数据作为 agent 的基础。 | | 🏢 **数据源** | **27 个连接器。** 22 个数据库和数据仓库 —— PostgreSQL、MySQL、**Microsoft SQL Server / Azure SQL**、Oracle、Redshift、Snowflake、Databricks、BigQuery、Azure Synapse、Trino/Starburst/Presto、Athena、**ClickHouse**、**CockroachDB**、**TimescaleDB**、**AlloyDB**、**Greenplum**、**YugabyteDB**、**MariaDB**、**SingleStore**、**StarRocks**、**Apache Doris**、**PlanetScale** —— 原地查询，只读模式，凭据已加密。另有 5 个应用会按计划拉取到数据集中：**Google Sheets、Stripe、Shopify、HubSpot、Salesforce**。为 SQL 工作台、SQL agent、BI 图表、本体和定时刷新提供数据。参见 **[数据源与连接器](./docs/DATA_SOURCES.md)**。 | | 🔑 **密钥管理器** | 只需存储一次凭据（加密，只写），即可在任何地方通过 `{{secret:NAME}}` 进行引用 —— 包括数据仓库连接和提供商密钥。超级管理员可通过 IAM 将密钥与用户/组共享。 | | 🗂️ **数据目录** | 通过向导连接数据仓库、S3 兼容的存储桶（AWS S3、Google Cloud Storage、Cloudflare R2、MinIO、Spaces、B2）或 **Iceberg REST catalog**；爬虫会列出每一个表和对象，将分区文件夹分组为数据集，通过采样推断 CSV/JSON schema，分析列属性（空值百分比、不同值的数量、范围），估算行数，并标记可能包含 PII 的列。支持按日/周计划进行增量爬取并带有 schema 漂移通知，利用 AI 生成资产 + 列文档，通过所有者和标签认证或弃用资产，追溯血缘和使用情况（哪些仪表盘、准备流和指标在使用每个表），定义业务词汇表，并可直接跳转到 SQL 工作台。 | | 📊 **商业智能** | 带有拖放式仪表盘的 BI 工作区：从本地数据集或已连接的数据源构建图表，利用 AI 分析师生成可视化内容（或整个仪表盘），然后通过公开链接发布或与 IAM 组共享。包含企业级深度功能：在所有图表类型（包括地图、矩形树图、热力图）上点击进行交叉过滤和下钻，穿透到底层行，区域/货币数字格式化，带有日期预设和固定默认值的仪表盘过滤，带有小计的可展开矩阵（透视表），带有还原功能的版本历史，带有邮件报告和“变化内容”见解摘要的定时刷新，**增量刷新**（仅重新查询滞后的日期窗口），**SQL 聚合下推**确保在快照限制之外总计依然完整，数据预警（应用内 + 邮件），共享仪表盘上的行级安全**和列级掩码**（均在服务端强制执行），使用情况分析，以及移动端堆叠布局。将仪表盘组织到**工作区和文件夹**中，支持只读的组内共享，将个人草稿**提升**为共享工作区，并将模型/仪表盘定义**导出**到 **Git** 仓库（GitHub/GitLab）。 | | 🔍 **可观测性** | 在完整的执行 trace 中检查每一次工具调用、token 和成本 —— 此外还有关于谁执行了什么操作的审计跟踪（模型调用、数据集和数据仓库查询、仪表盘查看、目录爬取），具有可配置的保留期窗口，以及仅限管理员查看的按用户和 IAM 组细分的支出分析。 | | 🌐 **网页搜索与浏览** | 为 agent 提供 `web_search` 和 `web_browse` 工具。开箱即用，**无需任何密钥**（免费的 DuckDuckGo 备用方案 —— 容量有限）；要进行真正全工作区的搜索 + 全文阅读，请在集成页面连接 **Firecrawl**（或设置 `FIRECRAWL_API_KEY`），或者为每个 agent 自带 **Brave / SerpAPI / Tavily / ScrapingBee** 密钥。每次由模型驱动的获取都受到 SSRG 防护。参见 **[网页搜索与浏览](./docs/INSTALL.md#web-search--browsing-optional)**。 | | 🔌 **BYOK + MCP + A2A** | 加密的用户级提供商密钥、MCP server 连接、将 swarm 导出到 LangGraph/CrewAI/OpenAI SDK/Strands，以及 A2A endpoint。 | | 🛠️ **MCP 构建器** | 在 **Build → MCP Builder** 下使用 **FastMCP** 用 Python 编写 MCP server，将其部署到开发者工作区使用的同一沙盒化内核中，并获得真实的 Streamable-HTTP endpoint。默认情况下它会缩减至零（或保持热状态），会自动注册以便你自己的 agent 能够调用它，并且可以通过支持过期、针对单个工具和单个 IP 限制的哈希 API 密钥**公开暴露**。密钥作为环境变量绑定，而绝不会进入容器环境中，如果重新部署更改了任何工具名称、描述或 schema，它将**阻止调用，直到你重新批准** —— 这正是 MCP 自身安全指南所要求的防范“暗 rug pull”的管控措施。需要启用 server runtime。 | | 🛂 **IAM** | 超级管理员、组、邀请/手动用户配置、按用户/组的模型白名单、知识库和数据表的只读共享、仪表盘共享时的行过滤器和隐藏列、仅限邀请模式。 | | 📓 **开发者工作区** | 基于 **沙盒化服务器内核** 的 Python notebook —— 真实的 CPython，支持正常工作的 `pip install，可导入真正的 **LangChain**、**LangGraph** 和 **LlamaIndex**，而不是浏览器的模拟环境。内置了针对每一个的只读、可运行的示例，以及一个混合 agentic 技术栈的集大成者（知识库、工具、技能、护栏、MCP）—— 你可以 fork 任何一个进行编辑。内置的 `agentswarms` 助手会调用你已连接的模型，搜索你的知识库并**运行你保存的 agent 和 swarm**，所有操作均受 IAM 规则约束并记录在 Traces 中 —— 沙盒内绝不存在任何提供商密钥。Notebook 也可以**发布为可调用的 API**，并作为普通的 Python 代码版本控制到 Git。运维人员可以在 **Admin → Developer runtime** 下启用该 runtime；参见 **[runtime 指南](./docs/DEVELOPER_WORKSPACE_RUNTIME.md)**。 | | 🛡️ **护栏与评估** | 提示词注入测试、PII 脱敏，以及可以针对你自己的 agent 运行的 LLM-as-judge 评分。 | ## 快速开始 **一键设置** —— 在你创建了 Supabase 项目并将其密钥放入 `.env`（见下文）之后，一个脚本会处理剩下的事情（密钥、依赖项、迁移，以及 启动整个技术栈）： ``` cp .env.example .env # fill in your Supabase keys, then: bash scripts/setup.sh # Docker stack → http://localhost:8080 # bash scripts/setup.sh --dev # 改为使用本地开发服务器 # bash scripts/setup.sh --docgen # + 服务器端 PowerPoint / Word / Excel 渲染器 # Windows PowerShell: powershell -ExecutionPolicy Bypass -File scripts\setup.ps1 ``` 或者手动操作 —— 没有单独的后端需要安装，因为 **Supabase 本身就是后端**（Postgres + Auth + Storage），作为免费层的托管 项目运行，而不是你自己安装任何东西： ``` git clone https://github.com/AgentSwarms-fyi/agentswarms.git cd agentswarms npm install cp .env.example .env # fill in your Supabase + provider keys # 应用一次数据库 schema：npx supabase login && npx supabase link && npx supabase db push npm run dev # → http://localhost:8080 ``` 使用 Docker 自托管（任何支持 Node 的主机 —— VPS、Fly、Railway、Render、K8s）： ``` cp .env.example .env # fill in Supabase + keys, apply migrations once docker compose up --build # → http://localhost:8080 ``` 第一次使用？请遵循 **[完整安装指南](./docs/INSTALL.md)** —— 它 涵盖了在 macOS、Linux 和 Windows 上的每一个步骤，包括 Supabase 仪表盘的点击操作，以及针对人们实际遇到的错误的故障排除部分。 想知道你需要什么硬件（剧透：一台 2 vCPU / 4 GB 的 VM， 不需要 GPU）？请参见 **[系统要求与配置规模](./docs/SYSTEM_REQUIREMENTS.md)**。 ## 文档 文档位于 [`docs/`](./docs) 中，每个主题对应一份专门的指南： | 指南 | 涵盖内容 | | ------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | **[安装](./docs/INSTALL.md)** | 在 macOS / Linux / Windows 上的完整本地设置：前置条件、Supabase 项目、环境变量、首次运行和故障排除。 | | **[系统要求与配置规模](./docs/SYSTEM_REQUIREMENTS.md)** | 最低硬件要求（一台 2 vCPU / 4 GB VM —— 无需 GPU），从个人试用到 1000 名用户的规模规划场景，按模型层级划分的 token 预算，自托管模型的 GPU 配置，以及跨越美国、欧洲、中东、印度和 APJC 地区的 AWS / GCP / Azure / OCI 月度成本表。 | | **[生产环境部署](./docs/DEPLOYMENT.md)** | 每一种路径：本地桌面、单一云端 VM (OCI/AWS/GCP)、负载均衡器后的自动扩缩容 VM 以及 Kubernetes —— 外加 TLS、定时任务/cron、健康检查、备份和 PWA 安装。 | | **[测试](./docs/TESTING.md)** | 运行测试套件、差异化的 SQL 引擎测试框架，以及 CI 会拦截什么以及不会拦截什么。 | | **[Agent 对话与文档生成](./docs/AGENT_CHAT.md)** | 与已保存的 agent 对话，每个 agent 的 **Visual BI** 回答，并根据你的 prompt 生成完全可编辑的 **PowerPoint / Word / Excel**（包含示例 vs. 全量数据范围以及实时的 Excel 公式） —— 外加将 agent 嵌入到你自己的网站中。 | | **[数据源与连接器](./docs/DATA_SOURCES.md)** | 每一个数据库 / 数据仓库 / 湖仓连接器（PostgreSQL、MySQL、Oracle、Redshift、Snowflake、Databricks、BigQuery、Synapse、Trino、Athena）：字段详情、只读 + 加密凭据模型、`{{secret:NAME}}` 引用，以及数据源如何为数据目录、BI 和 agent 提供数据。 | | **[商业智能](./docs/BUSINESS_INTELLIGENCE.md)** | 仪表盘与 AI 分析师：包含 AI 构建的本体在内的 19 种可视化类型、下钻与预测、定时刷新 + 数据预警、AI 生成的仪表盘、工作区与文件夹、开发→生产环境的提升、Git 导出、发布 / 嵌入 / 导出、数据准备以及连接器。 | | **[语义层](./docs/SEMANTIC_LAYER.md)** | 只需定义一次即可被 BI 和 AI agent（即 `metric_query` 工具）同时调用的受控指标 + 维度，从而确保业务定义的计算保持一致，并且由 AI 选取名称而不是去编写 SQL。模型可以声明 LEFT/INNER join，因此指标可以覆盖星型 schema 而无需预先 join。 | | **[访问控制 (IAM) 与 SSO](./docs/IAM.md)** | 超级管理员、组、用户配置、模型白名单、只读资源分享、仅限邀请模式和 SAML SSO。 | | **[开发者工作区 runtime](./docs/DEVELOPER_WORKSPACE_RUNTIME.md)** | 搭建 notebook 背后的沙盒化 Python 内核：Docker/Kubernetes/E2B 后端、威胁模型与强化、出口白名单，以及如何代理模型和知识库调用以确保没有任何密钥会接触到沙盒。 | | **[扩展 agent](./docs/EXTENDING.md)** | 添加 **技能**（markdown `skill.md` 能力，无需代码）和 **内置工具**（在注册表中定义 + 处理程序 + 门控），以及工具路由指南如何保持数据源选择的合理性。 | | **[架构](./docs/ARCHITECTURE.md)** | 技术栈和项目结构。 | ## 安全 发现漏洞？请参阅 **[SECURITY.md](./SECURITY.md)** 了解如何 负责任地报告它，而不是公开发布 issue。 ## 许可证 AgentSwarms 是基于 **[Elastic License 2.0](./LICENSE)** (ELv2) 的**源码可见**项目。 通俗来讲：你可以自由地**使用、自托管、修改和重新分发**它 —— 但你**不得将其作为托管或托管服务提供给第三方**，并且 你不得移除许可/版权声明。对于 ELv2 不允许的用例 （包括作为 SaaS 运行），可从作者处获得单独的**商业 许可证** —— 如果你有此需求，请联系我们。 **“AgentSwarms”的名称、徽标以及托管服务均为项目 作者的商标**，未获授权不得使用；ELv2 仅涵盖代码，不包括 品牌。 每一个直接依赖项都使用宽松的许可证（MIT / Apache-2.0 / ISC / BSD）， 这与 ELv2 下的重新分发兼容 —— 完整的审计和 AgentSwarms 基于其构建的 开源项目的致谢列表位于 **[ACKNOWLEDGEMENTS.md](./ACKNOWLEDGEMENTS.md)**。

标签：AI智能体, MITM代理, Supabase, 商业智能, 多智能体编排, 检索增强生成, 自动化攻击, 自托管, 请求拦截, 逆向工具