框架调研 · 07

AgentUniverse：华为的企业级 Agent 平台

AgentUniverse（aU）是华为开源的多 Agent 协作框架，2024 年发布。定位是帮助企业快速构建专家级多 Agent 系统，强调可观测性和企业集成能力。

GitHub：alipay/agentUniverse（蚂蚁集团与华为合作开源）

核心设计：PEER 协作模式

AgentUniverse 提出了 PEER 多 Agent 协作模式：

角色	含义	职责
Planning	规划 Agent	把复杂任务拆分成子任务
Executing	执行 Agent	完成具体的子任务
Expressing	表达 Agent	整合结果，生成最终输出
Reviewing	审查 Agent	检查结果质量，决定是否需要重试

这是对”多 Agent 如何分工”的一种具体化方案。

安装

pip install agentUniverse

配置文件驱动

AgentUniverse 的核心是 YAML 配置文件。每个 Agent、工具、LLM 都用配置文件描述：

# agent/research_agent.yaml
name: 'research_agent'
description: '专门进行信息收集和研究的 Agent'
profile:
  prompt_version: research_agent.cn
  llm_model:
    name: 'qwen_llm'
    temperature: 0.1
    max_tokens: 2000
plan:
  planner:
    name: 'react_planner'
action:
  tool:
    - 'web_search_tool'
    - 'read_file_tool'
memory:
  name: 'demo_memory'

# llm/qwen_llm.yaml
name: 'qwen_llm'
description: '通义千问 LLM'
model_name: 'qwen-max'
max_tokens: 2000
temperature: 0.5

代码示例

from agentuniverse.agent.agent_manager import AgentManager
from agentuniverse.base.agentuniverse import AgentUniverse

# 初始化框架（加载配置目录）
AgentUniverse().start(config_path='./config/config.toml')

# 获取 Agent
research_agent = AgentManager().get_instance_obj('research_agent')

# 运行
output = research_agent.run(
    input="分析 LangGraph 和 AgentScope 的技术差异"
)
print(output.get_data('output'))

自定义 Agent

from agentuniverse.agent.agent import Agent
from agentuniverse.agent.input_object import InputObject
from agentuniverse.agent.output_object import OutputObject

class CustomResearchAgent(Agent):
    """自定义研究 Agent"""

    def input_keys(self) -> list[str]:
        return ['input']

    def output_keys(self) -> list[str]:
        return ['output', 'sources']

    def parse_input(self, input_object: InputObject, agent_input: dict) -> dict:
        agent_input['input'] = input_object.get_data('input')
        return agent_input

    def parse_result(self, agent_result: dict) -> OutputObject:
        return OutputObject({
            'output': agent_result.get('output', ''),
            'sources': agent_result.get('sources', []),
        })

工具定义

from agentuniverse.agent.action.tool.tool import Tool
from agentuniverse.agent.action.tool.tool_manager import ToolManager

class WeatherTool(Tool):
    name: str = 'weather_tool'
    description: str = '获取城市天气信息'

    def execute(self, tool_input: str, **kwargs) -> str:
        """tool_input 是 LLM 传入的参数（字符串）"""
        data = {
            "北京": "晴天 25°C",
            "上海": "多云 22°C",
        }
        # 从输入中提取城市名
        for city in data:
            if city in tool_input:
                return f"{city}天气：{data[city]}"
        return "未找到城市天气数据"

对应 YAML：

# tool/weather_tool.yaml
name: 'weather_tool'
description: '获取指定城市的天气信息'
tool_type: 'api'
input_keys:
  - 'city'

PEER 多 Agent 协作示例

from agentuniverse.agent.agent_manager import AgentManager

# PEER 模式：四个 Agent 协作完成一个复杂任务
peer_agent = AgentManager().get_instance_obj('peer_agent')

result = peer_agent.run(
    input="深度分析 2024 年中国 AI 大模型市场格局，给出投资建议"
)

# PEER Agent 内部：
# 1. Planning Agent 把任务拆分：市场规模、主要玩家、技术对比、政策环境
# 2. Executing Agent 分别执行每个子任务
# 3. Expressing Agent 整合所有结果生成报告
# 4. Reviewing Agent 检查报告质量，不满足则触发重新执行

可观测性

AgentUniverse 内置监控：

# 开启 tracing
from agentuniverse.base.tracing import Tracer

tracer = Tracer()
tracer.start_trace(agent_name='research_agent', input=user_input)
# ... 执行 Agent ...
tracer.end_trace(output=result)

# 查看执行链路
trace_info = tracer.get_trace()
for step in trace_info.steps:
    print(f"{step.agent}: {step.duration_ms}ms")

知识组件（Knowledge）

from agentuniverse.agent.action.knowledge.knowledge import Knowledge

# 接入知识库
knowledge = Knowledge(
    name='company_kb',
    description='公司内部知识库',
)

# 在 Agent 配置中引用
# agent.yaml:
# knowledge:
#   - 'company_kb'

优缺点

优点：

PEER 模式是经过实践的多 Agent 协作方案
配置文件驱动，业务逻辑和代码解耦
内置可观测性，企业级 trace 支持
通义千问等国内模型集成好
企业知识库接入能力强

缺点：

配置文件学习成本高，灵活性相对低
文档以中文为主
社区规模小，开源时间不长
相比 LangGraph 在状态管理上不够灵活

适合什么场景

企业内部复杂分析任务（报告生成、市场研究）
需要 PEER 模式的多 Agent 协作
华为云 / 阿里云生态
对可观测性和审计要求高的企业项目