自主进化多智能体!自动工作流生成，多进化算法，任务调度，MCP支持

摘要：它集成了自动工作流生成、任务调度、模型上下文协议（MCP）支持等功能，最硬核的是它的自进化能力，能自动优化智能体参数和工作流结构，让AI在重复任务中越用越聪明。

在 AI 自动化时代，“执行力”已经不是智能体系统的唯一衡量标准。

面对医疗诊断、科研助理、电商运营等需要持续优化和多步协作的复杂任务，我们需要的不只是多个 AI Agent，而是一个会思考、会进化的 Agent 生态系统。

作为一名热衷开源项目的科技博主，我最近发现了一款堪称“黑科技”的工具：EvoAgentX，一个具备自我进化能力的多智能体自动化系统！

它集成了自动工作流生成、任务调度、模型上下文协议（MCP）支持等功能，最硬核的是它的自进化能力，能自动优化智能体参数和工作流结构，让AI在重复任务中越用越聪明。

自动工作流生成：基于任务意图自动生成多 Agent 协作结构。自我进化机制：内置多种进化算法，能自动优化智能体的提示（prompt）、参数和工作流结构。MCP协议支持：可与 Claude Desktop、Cursor、AutoAgent 等 MCP 客户端无缝对接。支持多种AI模型：可集成OpenAI、DeepSeek等模型。任务调度引擎：支持异步、并发、多轮调度的任务调控系统。多 Agent 协作：每个智能体有独立目标和执行模块，支持并行/串行交互。

官方提供了一键即可安装的指令，方便快捷。（Python环境下）

pip install git+https://github.com/EvoagentX/EvoAgentX.git

对于本地开发环境有要求的小伙伴，可以一步步来安装：

# 克隆项目git clone https://github.com/EvoAgentX/EvoAgentX.gitcd EvoAgentX# 创建Python虚拟环境conda create -n evoagentx python=3.10# 激活进入虚拟环境conda activate evoagentx# 安装依赖pip install -r requirements.txt

设置模型 API KEY，在项目根目录下创建一个 .env 文件，并添加以下内容：

openai_API_KEY=

然后在Python中加载它：

from dotenv import load_dotenv import os load_dotenvOPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

初始化LLM

from evoagentx.models import OpenAILLMConfig, OpenAILLM# Load the API key from environmentOPENAI_API_KEY = os.getenv("OPENAI_API_KEY")# Define LLM configurationopenai_config = OpenAILLMConfig( model="gpt-4o-mini", # Specify the model name openai_key=OPENAI_API_KEY, # Pass the key directly stream=True, # Enable streaming response output_response=True # Print response to stdout)# Initialize the language modelllm = OpenAILLM(config=openai_config)# Generate a response from the LLMresponse = llm.generate(prompt="What is Agentic Workflow?")

最小自动工作流生成示例：

from evoagentx.workflow import WorkFlowGenerator, WorkFlowGraph, WorkFlowfrom evoagentx.agents import AgentManagergoal = "Generate html code for the Tetris game"workflow_graph = WorkFlowGenerator(llm=llm).generate_workflow(goal)agent_manager = AgentManageragent_manager.add_agents_from_workflow(workflow_graph, llm_config=openai_config)workflow = WorkFlow(graph=workflow_graph, agent_manager=agent_manager, llm=llm)output = workflow.executeprint(output)

更多完整使用示例可以查看项目主页进行学习。