Agent开发团队

让 AI 从「思考」走向「行动」 — 构建开源、开放、可落地的智能体基础设施

一、组织介绍

Agent 开发团队 是一个聚焦于 AI Agent（智能体） 技术研究与工程实践的开源开发者组织。团队成员涵盖全栈开发、算法研究、产品设计等多个领域，致力于将复杂的大模型能力转化为可编排、可扩展、可落地的智能体应用。

我们相信，未来的数字世界将由无数个智能体协同工作而成。从代码助手到数据分析，从自动化办公到垂直行业解决方案，Agent 将成为连接人与算力的核心桥梁。我们希望通过开源的力量，与全球开发者共建繁荣的 AI Agent 生态。

目前，团队已发布三个面向不同场景的开源项目，覆盖 舆情分析系统、个人电脑 GUI 操作 Agent 与多智能体协作 以及 RAG 知识库 等方向。

二、核心探索方向

三、技术栈

四、项目组合

graph TD
    A[Agent 开发团队] --> B[sentiment-analysis-system<br/>舆情分析系统]
    A --> C[nova-agent<br/>Nova智能体平台]
    A --> D[sonar-kb<br/>检索增强知识库]

五、核心项目

5.1 sentiment-analysis-system 舆情分析系统

一个独立的舆情分析系统，从 HuggingFace 实战中抽离「舆情分析 + 模型微调」主线。亲手把通用中文 BERT 微调成领域舆情分类器，并用一份 1000 条纯留出测试集量化「微调前 / 微调后」的准确度差异。

核心特性：

• 亲手微调：基于 bert-base-chinese 做二分类微调（0=消极 / 1=积极），用 transformers.Trainer + DataCollatorWithPadding 训练而非用 Prompt 让大模型临时判断
• 训练 / 测试严格隔离：train_set.json 2000 条用于微调，test_set.json 1000 条纯留出用于评估，零重叠杜绝数据泄漏
• 严谨评估：evaluate.py 输出整体准确率、各类别精确率 / 召回率 / F1、宏平均，评估口径统一可追溯
• 微调前后对比：compare.py 直观验证微调带来的准确度提升（实测约 +46% 准确率、+47% 宏平均 F1），是本项目评估环节的重点
• uv 项目模式：依赖锁定，uv sync 一键复现训练与评估环境

🔗 项目地址：https://gitee.com/agent-dev-team/sentiment-analysis-system

5.2 nova-agent Nova智能体平台

基于 ReAct 范式的个人电脑 GUI 操作 Agent。核心理念是「以人为本」：以人物角色（身份）为拆分维度，每个身份 = 人设 + 模型绑定 + 专属工具，由 Windows 自动化、微信自动化、浏览器自动化等工具按需持有；并提供多执行模式、四层记忆、MCP 协议与量化评测。

核心特性：

• 身份即成员：数据驱动的身份注册表（config/identities.yml），人设 + 模型绑定 + 专属工具，新增角色零代码扩展
• 多执行模式：auto（自动路由）/ single（单身份）/ orchestration（DAG 编排）/ supervisor（DAG 并发）/ groupchat（群聊协作）
• GUI 操作：浏览器三层递进元素定位（browser_use）+ Windows UIA 桌面控制（windows_use）+ 微信客户端自动化（wechat_use）
• 多 Agent 协作：协作身份作为 IdentityAgent 节点，由 DagFlow / GroupChatFlow 编排协作
• MCP 协议：所有 Agent 通用能力，支持 stdio / sse / streamableHttp，首次思考时异步连接并动态加载远程工具
• 四层记忆架构：原始消息 + 会话级压缩摘要 + 全局跨会话记忆 + RAG 向量记忆（语义召回替代完整历史落盘）
• 量化评测：eval_report.py 零侵入扫描 workspace 产出 HTML 报告与四大量化指标
• 双入口：WebUI（内部全模式覆盖）+ MCP server（对外 AI IDE 远程调用）

🔗 项目地址：https://gitee.com/agent-dev-team/nova-agent

5.3 sonar-kb 检索增强知识库

本地部署的 RAG 知识库系统，强调全流程可控、可观测。支持 PDF / Markdown / Word / TXT，提供 FAISS + BM25 混合检索、多分块策略、重排序与可计量 Token 消耗。每一个 RAG 步骤都清晰可见、精确可控。

核心特性：

• RAG 九环节可视化、每步可配置：文件解析 → 文本分块 → 向量化 → 索引构建 → 查询改写 → 混合检索 → 重排序 → 推理生成
• 4 种分块策略：auto / hierarchical / sliding_window / llm_semantic
• 双引擎混合检索：FAISS + BM25，权重可调（weighted / rrf 倒数排名融合），Top-K 可调
• 重排序：LLM 重排 / 本地 BAAI/bge-reranker-base 模型重排（可 GPU）
• 查询改写：指代消解、省略补全、追问衔接（已切本地 Qwen3-0.6B 零费用）；可选 HyDE 假设文档嵌入
• 扁平模型池 + model_type 8 枚举 + 轮询容错；支持阿里云百炼 / OpenAI / DeepSeek / 自定义协议
• 多模态：视觉理解（qwen-vl-plus）、图片描述生成（image_to_description）
• 本地模型零费用：llama-cpp-python 加载 Qwen3-0.6B GGUF，缺失自动从 ModelScope 下载
• Token 可观测：cost_usage 目录记录消耗
• 前后端完全分离：Vue 3 + electron-vite 桌面客户端 + FastAPI 后端，HTTP + SSE 通信

RAG 流程：

🔗 项目地址：https://gitee.com/agent-dev-team/sonar-kb

六、项目对比总览

七、核心成员

头像	用户名	角色	技术方向	简历
	three.ts (yywd573)	创始人 & 主程	Java / C / C++ / Python / JavaScript / TypeScript	Gitee @yywd573

欢迎更多热爱 AI Agent 的开发者加入我们！

八、谁在使用

目前，我们的开源项目与底层工具正在被以下群体广泛探索与使用：

• 独立 AI 开发者与极客玩家
• 探索大模型前沿应用的高校 AI 实验室
• 寻求业务智能化转型的初创科技企业

九、如何加入

我们正处于从零到一的起步阶段，诚邀对 AI 充满热情、具备开源精神的开发者、研究员和产品经理加入，成为我们的「创始共建者」！

9.1 申请方式

请通过 Gitee 私信或邮件联系组织管理员 @yywd573，并提供以下信息：

1. 个人简介及擅长领域（如 LLM 微调、后端开发、前端交互、Prompt 工程等）
2. Gitee / GitHub 主页链接或过往技术博客
3. 对 AI Agent 方向的思考，或最想参与的开源项目方向

十、愿景与价值观

• 开源精神：代码开放、思想开放、协作开放
• 极客文化：鼓励探索、拥抱前沿、尊重工程美学
• 落地导向：不空谈概念，用代码说话，用产品验证
• 长期主义：构建可持续演进的技术生态

十一、联系与交流

• Gitee 组织主页：Agent 开发团队
• 核心维护者：three.ts (@yywd573)
• Issues / Discussion：欢迎在各仓库的 Issues 区进行技术交流

如果您觉得我们的项目对您有帮助，欢迎 Star & Fork！

开源不易，每一个 Star 都是我们持续前进的动力。