MiroFlow: высокопроизводительный мультиагентный фреймворк от команды MiroMind 92

MiroFlow — это высокопроизводительный мультиагентный фреймворк с открытым исходным кодом, опубликованный командой MiroMind. Он превращает различные большие модели в ИИ-ассистентов для глубоких исследований, подобных Openai Deep Research. Проще говоря, он позволяет модели, подобно человеку при проведении исследования, самостоятельно планировать шаги, использовать инструменты, проверять результаты и выполнять многоэтапные сложные задачи.

Ключевые возможности MiroFlow

• Мультиинструментальное взаимодействие: позволяет объединять веб-поиск, выполнение Python, чтение файлов, вызов кода, построение графиков и другие инструменты — всё это задействуется в процессе работы.

• Разделение ролей главного и дочернего агентов: главный агент разбивает задачу и распределяет её между дочерними агентами, которые умеют просматривать страницы, писать код и выполнять вычисления, а затем собирает результаты. Так можно параллельно выполнять разные задачи, причём более профессионально.

• Высокая параллельность и отказоустойчивость: использование асинхронных очередей в сочетании с повторными попытками, тайм-аутами и откатами обеспечивает успешное выполнение задачи даже при зависании интерфейса или нестабильной сети.

• Прозрачность и объяснимость: имеется веб-панель, где слева в реальном времени отображаются ход мыслей модели и используемые инструменты, а справа — итоговый ответ, что упрощает поиск проблем и формирование доверия.

• Потоковый вывод: мысли модели, прогресс выполнения инструментов и промежуточные результаты отображаются мгновенно, что делает использование похожим на расширенный режим ChatGPT.

Ключевые показатели

• В тесте глубоких исследований GAIA процент прохождения составляет 72.2%–82.4% — это лучший воспроизводимый результат среди открытых агентных фреймворков на данный момент.

• Низкие затраты на развёртывание: с открытой моделью MiroThinker полный набор сервисов можно запустить на одной карте RTX 4090, без необходимости покупать платные проприетарные модели.

Сценарии использования MiroFlow

• Академические исследования: автоматический поиск литературы, выделение ключевых моментов, написание обзоров, а также помощь в проведении экспериментов.

• Бизнес-аналитика: объединение финансовых отчётов, новостей и данных из социальных сетей для подготовки инвестиционных отчётов или конкурентного анализа.

• Образование или программирование: помощь с домашними заданиями, написание и отладка кода, построение графиков по данным.

Экосистема MiroFlow

MiroFlow является частью экосистемы MiroMind AI, в которую также входят:

• MiroThinker: базовая модель с открытым исходным кодом, изначально способная к рассуждениям с использованием инструментов.

• MiroVerse: содержит 147 тысяч высококачественных открытых обучающих данных для исследований в области обучения агентов.

• MiroTrain / MiroRL: инструменты для обучения моделей агентов и обеспечения стабильности.

Быстрый старт с MiroFlow

1. Клонируйте репозиторий и настройте окружение:

git clone https://github.com/MiroMindAI/MiroFlow && cd MiroFlow
uv sync

2. Настройте API-ключи:

cp .env.template .env
# Отредактируйте .env и добавьте OPENROUTER_API_KEY

3. Запустите первого агента:

uv run main.py trace --config_file_name=agent_quickstart_reading --task="What is the first country listed in the XLSX file that have names starting with Co?" --task_file_name="data/FSI-2023-DOWNLOAD.xlsx"

Репозиторий на GitHub: https://github.com/MiroMindAI/Miroflow

Демонстрация: https://miromindai.github.io/MiroFlow/