Easy Agents

2025-07-22AI专业工具 / 智能体开发113 次浏览

综合介绍

Easy-Agents 是一个旨在简化智能自动化智能体（Agent）构建的框架。它提出了一种新的自动化实现方式，用自然语言指令来替代传统的复杂脚本编写。使用者只需用简单的语言描述任务的高级步骤，框架便能利用先进的大型语言模型（特别是Claude Code）来理解这些指令，并调用外部工具来完成工作流。该框架的核心是模型上下文协议（MCP），它为AI与外部API和服务交互提供了一种标准化的方式，使得工具集成变得像修改配置文件一样简单。这个项目不仅是一个工具，更是一个模板，团队可以用它来快速构建符合自身特定场景的自动化工作流。

功能列表

自然语言定义逻辑：用户无需编写复杂的代码，只需用自然语言描述操作流程，即可定义智能体的行为。
LLM驱动的任务编排：利用Claude Code等先进大语言模型，将高层次的目标分解为详细的执行计划，并能应对执行中的意外情况。
标准化的工具集成：通过模型上下文协议（MCP），轻松地将智能体与各类第三方服务（如Slack、GitHub、VirusTotal）连接，集成新工具只需更改配置。
易于维护：自动化逻辑就是团队的操作手册（playbook），团队成员可以轻松理解、修改和扩展工作流。
提供真实世界案例：项目内置了多个网络安全领域的应用案例，例如安全警报调查、应用程序安全修复等，展示了框架的实际应用能力。
高度可扩展：用户可以方便地创建自己的智能体，并通过FastMCP构建定制化的MCP服务器来扩展智能体的能力。

使用帮助

Easy-Agents 提供了一个完整的框架，让你可以快速上手并构建自己的自动化智能体。

1. 先决条件

在开始之前，请确保你已准备好以下环境：

uv：一个快速的Python包管理器，用于管理项目依赖。
Claude Code：作为智能体执行的核心，需要能访问其服务。

2. 安装与启动

按照以下步骤来安装和运行Easy-Agents：

第一步：克隆项目仓库你可以直接克隆此仓库，或者使用它作为模板创建一个新项目。

git clone https://github.com/kpolley/easy-agents.git
cd easy-agents

第二步：安装依赖进入项目目录后，使用uv来同步并安装所有必需的依赖包。

uv sync

第三步：启动开发服务器安装完成后，运行以下命令来启动一个基于FastAPI的开发服务器。服务器会加载main.py中定义的智能体。

uv run fastapi dev main.py

3. 如何创建自定义智能体

创建属于你自己的智能体非常直接，主要分为三个步骤：

用自然语言定义行为：在一个文件中，用清晰的、分步骤的自然语言写下你的智能体需要完成的任务。例如，定义一个安全调查智能体：

你是一名负责调查安全警报的专家。
完成任务的高级步骤：
1. 根据给定的ID查找警报。
2. 对警报进行极其深入的分析。
3. 生成一份详细的调查结果报告。
4. 如果警报是有效的，则将报告发送到Slack的 #security-alerts 频道。

指定所需的MCP服务器：在智能体配置中，明确指出它需要访问哪些工具或服务。这些服务通过MCP服务器接入。
部署智能体：通过项目提供的FastAPI端点或设置cron定时任务来触发你的智能体，使其可以自动执行任务。

4. 如何创建自定义MCP服务器

如果现有工具无法满足你的需求，你可以扩展智能体的能力。使用 FastMCP 框架，你可以为任何API或服务创建自定义的MCP服务器。项目中的mcps/github_extended.py文件是一个很好的参考示例，它展示了如何扩展已有的GitHub MCP服务。

应用场景

网络安全警报调查智能体可以自动接收和分类传入的安全警报。它通过关联来自多个数据源（如Panther Security Monitoring、VirusTotal）的事件，评估风险等级，然后将问题智能地分配给相应的团队处理。
应用程序与代码安全该智能体可以审查GitHub Advanced Security发现的代码扫描警报。对于确认的漏洞，它可以自动创建修复问题的拉取请求（PR），甚至运行测试和代码格式化工具来确保代码质量，最后指派合适的成员进行审查。
软件供应链安全管理此场景下的智能体专注于处理GitHub Dependabot发出的依赖项漏洞警报。它会评估漏洞的影响，尝试将软件包更新到安全的版本，确保所有测试都能通过，并管理从创建PR到合并的整个工作流程。
自动化项目周报该智能体可以配置为在每个周末自动运行。它会连接到项目管理工具（如Linear），审查团队本周完成的工单和项目进展，然后撰写一份详细的摘要报告，说明当前项目状态、本周完成事项以及每个人的贡献。

QA

Easy-Agents的工作原理是什么？它的核心是利用像Claude Code这样的大语言模型（LLM）来理解用自然语言编写的高级指令。然后，LLM作为“大脑”负责任务编排，通过一个名为“模型上下文协议（MCP）”的标准化接口，调用各种外部工具和API来执行具体的子任务，从而完成整个自动化工作流。
什么是模型上下文协议（MCP）？模型上下文协议（Model Context Protocol, MCP）是一种为AI与外部工具交互而设计的标准规范。它让工具的集成过程变得非常简单，开发者无需为每个API编写特定的适配代码，只需通过简单的配置就能让智能体使用新工具。
为什么用自然语言来定义自动化逻辑是一种更好的方法？因为自然语言是人类最熟悉的沟通方式。将操作手册（playbooks）直接作为自动化逻辑，使得团队中无论是技术人员还是非技术人员都能轻松理解、修改和维护工作流。这降低了维护成本，并提高了团队协作的效率。