此项目目前还处于开发测试中，请等待项目正式发布 ...
MindMatrix 是一个基于 Agno 的轻量级智能体"应用"框架，专为快速构建具有RAG、记忆和可访问能力的生产级多智能体系统而设计。
TODO
MindMatrix 将帮助您构建一流的、高性能的智能体系统，节省数小时的研究和样板代码时间。以下是 MindMatrix 的关键特性：
- 智能体插件系统：智能体即插即用，以插件形式注册智能体（Agent）、工作流（Workflow）
- 智能体接口：插件注册后即可访问，通过 FastAPI 实现，预置 SSE、OpenAI 兼容等形式的智能体接口
- RAG 功能增强：内置 RAG 功能增强代码，更好中文场景、中文模型支持
- 长期记忆功能增强：内置长期记忆功能增强代码，更好中文场景长期记忆提取
pip install -U mindmatrix让我们构建一个智能体来感受 MindMatrix 的功能。MindMatrix智能体是基于Agno Agent实现的。
完整代码可访问：simple_agent.py
import os
from typing import List, Callable
from mindmatrix import MindMatrix, BaseAgent, OpenAILike
# 智能体的角色
CHATTER_DESCRIPTION = """
你是一个智能协作助手，名字叫做Chatter，是用户请求的最终回复者。
"""
# 智能体的目标(任务)
CHATTER_GOAL = """
当用户的请求没有匹配到其他协作者时，你会接收到这个请求，你需要回复用户。
"""
# 智能体的指令（约束）
CHATTER_INSTRUCTIONS = [
"语言精炼，不要啰嗦",
"回答符合人类交流的语气，不能包含表情",
]
def create_chatter(
mm: MindMatrix,
model: OpenAILike,
name: str = "闲聊",
description: str = None,
goal: str = None,
instructions: List[str] = None,
tools: List[Callable] = None,
show_tool_calls: bool = False,
**kwargs
) -> BaseAgent:
if description is None:
description = CHATTER_DESCRIPTION
if goal is None:
goal = CHATTER_GOAL
if instructions is None:
instructions = CHATTER_INSTRUCTIONS
return BaseAgent(
model=model,
name=name,
description=description,
goal=goal,
instructions=instructions,
tools=tools,
show_tool_calls=show_tool_calls,
**kwargs
)
if __name__ == "__main__":
# 请确保已设置以下环境变量，否则 OpenAILike 无法正常工作：
# OPENAI_API_MODEL: 你的模型ID，例如 "gpt-4o-mini"
# OPENAI_API_KEY: 你的OpenAI API密钥
# OPENAI_API_BASEURL: OpenAI API的Base URL（如使用官方API可不设置，第三方代理需设置）
#
# 设置方法（Linux/macOS）:
# export OPENAI_API_MODEL="gpt-4o-mini"
# export OPENAI_API_KEY="sk-xxxx"
# export OPENAI_API_BASEURL="https://api.openai.com/v1"
#
# 设置方法（Windows CMD）:
# set OPENAI_API_MODEL=gpt-4o-mini
# set OPENAI_API_KEY=sk-xxxx
# set OPENAI_API_BASEURL=https://api.openai.com/v1
llm = OpenAILike(
id=os.getenv("OPENAI_API_MODEL", "gpt-4o-mini"),
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_API_BASEURL", "https://api.openai.com/v1"),
)
mm = MindMatrix(llm=llm)
mm.register_agent_factory(
agent_name="chatter",
agent_factory=create_chatter,
agent_config={
"name": "chatter",
"model": mm.llm,
"debug_mode": True,
},
)
mm.start_web_server(host="127.0.0.1", port=9527)然后创建虚拟环境，安装依赖并运行智能体：
uv venv --python 3.12
source .venv/bin/activate
uv pip install mindmatrix
export OPENAI_API_MODEL="gpt-4o-mini"
export OPENAI_API_KEY="sk-xxxx"
python simple_agent.py让我们基于上面的chatter闲聊智能体，继续构建一个简单的工作流(Workflow)。MindMatrix工作流是基于Agno Workflow(v2)实现的。
在chatter闲聊智能体之前，我们添加一个50%概率返回固定内容的前置工作流步骤（Step），并将chatter闲聊智能体做为工作流的第二个步骤。
首先，新增导入：
from mindmatrix import (
MindMatrix,
BaseAgent,
BaseWorkflow,
Step,
StepInput,
StepOutput,
OpenAILike,
)然后，定义前置步骤函数（步骤可以是Agent，也可以是函数）:
def random_step(step_input: StepInput) -> AsyncIterator[StepOutput | RunResponseContentEvent]:
if random.random() < 0.5:
# 50%概率返回固定内容
yield RunResponseContentEvent(content="我正在思考，请稍等...")
# 停止执行
yield StepOutput(content="这是一个固定内容", stop=True, success=True)
else:
# 50%概率返回上一级内容，继续执行
yield StepOutput(content=step_input.previous_step_content, stop=False)然后，定义工作流：
def create_workflow(mm: MindMatrix) -> BaseWorkflow:
return BaseWorkflow(
name="简单工作流",
steps=[
Step(name="random_step", description="随机步骤", executor=random_step), # 前置步骤
Step(name="chatter", description="闲聊", agent=mm.get_agent("chatter")), # 闲聊智能体
],
)最后，修改最终执行代码：
if __name__ == "__main__":
...
# 新增注册workflow
mm.register_workflow_factory(
workflow_name="simple_workflow",
workflow_factory=create_workflow,
)
...
mm.start_web_server(host="127.0.0.1", port=9527)完整代码可访问：simple_workflow.py
代码修改完成后，安装依赖并运行工作流：
uv venv --python 3.12
source .venv/bin/activate
uv pip install mindmatrix
export OPENAI_API_MODEL="gpt-4o-mini"
export OPENAI_API_KEY="sk-xxxx"
python simple_workflow.py请参照项目：MindMatrix Sample Plugin
mindmatrix/
├── src/mindmatrix/
│ ├── _mindmatrix.py # MindMatrix 核心类
│ ├── agent_base/ # 智能体基类
│ ├── knowledge_base/ # 知识库组件
│ ├── memory_base/ # 记忆管理
│ ├── web/ # Web API 实现
│ └── utils/ # 工具类
├── docs/ # 文档
└── pyproject.toml # 项目配置
TODO