Archon: открытый инструмент для автоматического создания и оптимизации ИИ-агентов другими ИИ 127

Archon — это инструмент с открытым исходным кодом, который позволяет AI автоматически генерировать и оптимизировать других AI-агентов. Будучи первым «Agenteer», шестая версия Archon поддерживает множество библиотек инструментов и интеграцию с серверами MCP, что делает сгенерированных AI более эффективными и надёжными. Пользователю достаточно описать желаемую функциональность AI, и Archon создаст AI через серию шагов, включая планирование, кодирование и оптимизацию.

Основные функции:

• Объединение ресурсов документации (возможность извлечения содержимого веб-сайтов, загрузки PDF/документов и т. д.)

• Интеллектуальный поиск (на основе продвинутых стратегий RAG)

• Функции управления задачами (интеграция с базой знаний)

• Поддержка обновлений в реальном времени (синхронизация нового контента и совместных задач)

Особенности архитектуры:

Процесс архитектуры агента

Пользователь описывает AI-агента, которого необходимо создать, LLM определяет высокоуровневый охват, основной агент кодирования создаёт начального агента на основе охвата и документации. После этого пользователь может давать обратную связь или позволить Archon самостоятельно оптимизировать агента.

В случае автономной оптимизации специальный агент-оптимизатор улучшает подсказки, инструменты и конфигурацию агента. Затем основной агент кодирования снова создаёт агента на основе обратной связи, и этот процесс повторяется до тех пор, пока пользователь не сочтёт агента завершённым, после чего выдаются полный код и инструкции по запуску.

Файловая архитектура

• Основные файлы включают: streamlit_ui.py (управляет веб-интерфейсом Archon), graph_service.py (сервис, обрабатывающий рабочий процесс агента), run_docker.py (скрипт для сборки и запуска контейнеров Docker Archon), Dockerfile (определяет контейнер основного приложения Archon), файлы, связанные с MCP (реализация интеграции сервера Model Context Protocol для AI IDE).

• Пакет Archon включает: archon/ (реализация основного агента и рабочего процесса), archon_graph.py (определяет рабочий процесс LangGraph и координацию агентов), pydantic_ai_coder.py (основной агент кодирования), refiner_agents/ (специализированные агенты-оптимизаторы).

• Утилиты включают: utils/ (общие служебные функции и настройка базы данных), site_pages.sql (команды настройки базы данных).

• Рабочая область: создаётся во время выполнения, workbench/ содержит файл переменных среды env_vars.json, файл журналов logs.txt и подробный документ с описанием охвата scope.md.

Развёртывание Archon

• Docker-контейнеры:

• Основной контейнер: запускает Streamlit UI (порт 8501) и сервис графов (порт 8100), обрабатывает все функции агентов и взаимодействие с пользователем, собирается из корневого Dockerfile.

• Контейнер MCP: реализует Model Context Protocol для AI IDE, взаимодействует с сервисом графов основного контейнера, предоставляет стандартизированный интерфейс для AI IDE, таких как Windsurf, Cursor, собирается из mcp/Dockerfile. Скрипт run_docker.py автоматически собирает и запускает оба контейнера и выполняет настройку.

• Локальный Python: запуск непосредственно в системе через виртуальное окружение Python.

Применение Archon:

• Предоставление инструментов для разработчиков: помогает разработчикам создавать и оптимизировать AI-агентов, сокращая объём работы по разработке. Благодаря готовым библиотекам инструментов и интеграции с MCP разработчики могут быстро получать и использовать различные инструменты, повышая эффективность разработки.

• Демонстрация развития агентных систем: как образовательный фреймворк демонстрирует эволюцию агентных систем от простых к сложным, отражая развитие в таких аспектах, как планирование, циклы обратной связи и интеграция знаний предметной области, служа ориентиром для исследователей агентных систем.

Установка и использование Archon:

Установка:

• Docker (рекомендуется):

• Клонировать репозиторий: git clone https://github.com/coleam00/archon.git

• Перейти в каталог проекта: cd archon

• Запустить скрипт установки: python run_docker.py — этот скрипт автоматически собирает контейнеры (включая контейнер сервера MCP и основной контейнер Archon), запускает Archon и выполняет сопоставление портов; при наличии файла .env используются переменные среды из него.

• Локальная установка Python:

• Клонировать репозиторий: git clone https://github.com/coleam00/archon.git

• Перейти в каталог проекта: cd archon

• Создать и активировать виртуальное окружение: python -m venv venv, команда активации в Windows — venv\Scripts\activate, в других системах — source venv/bin/activate

• Установить зависимости: pip install -r requirements.txt

• Запустить Streamlit UI: streamlit run streamlit_ui.py

Использование:

Процесс настройки:

• Конфигурация среды: в разделе Intro интерфейса Streamlit UI настройте API-ключи и параметры модели; эти данные сохраняются в workbench/env_vars.json.

• Настройка базы данных: настройка векторной базы данных Supabase.

• Обработка документации: управляемый обход и индексирование документации Pydantic AI.

• Запуск сервиса агентов: запуск сервиса агентов, используемого для создания агентов.

• Конфигурация MCP (необязательно): настройка интеграции MCP с AI IDE.

Рабочий процесс:

После завершения настройки в соответствии с инструкциями Streamlit UI опишите желаемого AI-агента. Archon выполнит создание и оптимизацию агента в соответствии со своим рабочим процессом; пользователь может давать обратную связь или запрашивать автономную оптимизацию по ходу процесса и в итоге получит полный код и инструкции по запуску.