企业官网建设流程全解析

ChatDev 多智能体工作流：用可视化画布搭出 AI 协作流水线的完整指南

【免费下载链接】ChatDevChatDev 2.0: Dev All through LLM-powered Multi-Agent Collaboration项目地址: https://gitcode.com/GitHub_Trending/ch/ChatDev

你有没有遇到过这种情况：想让好几个 AI 智能体分工协作完成一件事，结果光把 prompt 串起来、把上下文一层层传递，就要写一堆胶水代码？ChatDev 想解决的就是这个麻烦——它是个零代码多智能体编排平台，你在网页画布上拖拽节点，就能把"谁先干、谁后干、什么条件下走哪条路"编排清楚，不用写一行代码。

把"智能体协作"从写代码变成拖节点

传统做法里，多智能体协作意味着你要手工管理每个智能体的角色、输入输出、调用顺序。ChatDev 把这件事抽象成一张图：节点是执行单元，边决定消息流向。

ChatDev 可视化画布：拖拽节点即可编排

ChatDev 内置了一组节点类型，覆盖绝大多数场景：

• agent：调用大模型，可挂工具、记忆、思考
• python：执行 Python 代码，所有 python 节点共享同一个工作目录
• human：在网页上阻塞等待你人工输入，实现"人也在回路里"
• subgraph：嵌入一张子图，复用复杂流程
• literal：输出固定文本，适合注入提示
• passthrough：只透传最后一条消息，给上下文瘦身
• loop_counter：给循环设置最大次数，防止死转

节点之间的边还支持条件分支。比如只有当输出里出现某个关键词时才走某条路，也可以直接写个 Python 函数判断——这些配置都能在画布上完成，不用碰代码。

最省事的安装方法：5 分钟启动 ChatDev 服务

ChatDev 的环境要求不苛刻，但版本要对得上：

• Python 3.12 及以上
• Node.js 18 及以上
• 包管理器用uv

启动流程分四步，先把仓库拉下来：

git clone https://gitcode.com/GitHub_Trending/ch/ChatDev cd ChatDev

再装前后端依赖，然后复制一份环境变量模板并填上你的模型密钥：

uv sync cd frontend && npm install cd .. && cp .env.example .env

.env里至少填BASE_URL和API_KEY两项，对应你的大模型服务。回到项目根目录，一条命令同时起后端和前端：

make dev

浏览器打开http://localhost:5173就能看到工作台。更省事的做法是用 Docker 一键拉起整个应用：

docker compose up --build

30 秒跑通第一个 ChatDev 工作流

服务起来后，别急着自己设计。进 Launch 标签页，选一个现成的演示工作流直接跑，最快能建立直观感受。

Launch 标签页：选工作流、填任务、看实时日志

推荐先跑demo_function_call。它的结构很典型：第一个 agent 负责查天气，会调用内置的get_weather工具拿到真实温度；第二个 agent 拿到温度后生成穿衣建议。你只需要输入一个城市名，两个智能体就自动接力了。整个过程的中间产物、每个节点的 stdout，都能在界面上实时看到。

不想在网页里点，也可以用 Python SDK 直接在脚本里调，方便批量处理和自动化：

from runtime.sdk import run_workflow result = run_workflow( yaml_file="yaml_instance/demo_function_call.yaml", task_prompt="北京今天多少度？" ) print(result.final_message.text_content())

SDK 还支持传附件、覆盖.env里的变量，跑完直接拿到最终节点的消息，不用自己解析。

给 agent 节点挂工具、记忆和人工审批

跑通 demo 之后，你会发现 agent 节点才是主力。它有三个"增强开关"，按需打开就行。

工具调用：让模型能"动手"

agent节点可以在配置里挂 tooling，分两类：一类是函数式工具，声明tools列表就自动加载；另一类是 MCP（Model Context Protocol，模型上下文协议，本质是给模型挂外部工具的标准接口）。天气 demo 用的就是第一种——模型发现要查温度，就自己去调get_weather，拿到结果再继续推理。完整函数清单在 functions/function_calling/ 下，想加新工具就在对应文件里写一个 Python 函数。

记忆与思考：给模型加"长期"和"反思"

memories字段让 agent 拥有跨轮次的记忆，内置simple（简单存取）、file（落盘成文件）、blackboard（黑板，多个节点共享一块白板）三种存储。thinking字段则开启链式思考或自反思模式，适合复杂推理任务。这两个开关都挂在单个 agent 节点上，不影响其他节点。

人工审批：human 节点卡一道闸

human节点会在网页上停下来等你输入。配合条件边，就能实现"模型先写初稿，人点头才放行"。net_example这个示例里，文章写完后会问你是否ACCEPT：接受就结束，不满意就带着修改意见再循环一轮。

节点消息在图上逐条流转

进阶：动态并行、子图复用与环境变量

当你要处理一批数据时，顺序执行太慢。ChatDev 在节点上加了dynamic字段，提供两种并行模式：

• map：把列表输入拆成多个单元，发给多个 agent 同时跑，结果打平返回
• tree：扇出并行后再分组归约，最终输出"总结的总结"这种单一结果

配好group_size控制每层合并粒度即可。复杂流程则可以拆成子图单独维护，再在主图里通过graph_path复用，主流程保持清爽。

密钥这类敏感信息也别写死。.env里的API_KEY、BASE_URL可以在 YAML 里用${API_KEY}引用，多个工作流共用一份配置。改密钥只动.env一处，所有工作流自动生效。

跑起来之后，这几个坑先绕开

端口冲突最常见。默认后端跑在 6400，一旦被占，就把后端换成--port 6401启动，同时把前端的VITE_API_BASE_URL也改成 6401，两边必须一致，否则前端连不上后端。

YAML 写得不规范容易踩坑。提交前用一条命令全量校验语法和 schema：

make validate-yamls

排查问题时，日志统一落在logs/目录，每次运行的产物（附件、Python 工作目录、上下文快照、输出摘要）都收在WareHouse/<会话名>/里，会话名由时间戳加名称组成，回溯哪一次运行一目了然。

现在就去拖几个节点，搭一条属于你自己的多智能体流水线吧。

【免费下载链接】ChatDevChatDev 2.0: Dev All through LLM-powered Multi-Agent Collaboration项目地址: https://gitcode.com/GitHub_Trending/ch/ChatDev