EvoAgentX 是一个开源框架，旨在构建、评估和演化基于 LLM 的智能体或智能体工作流，实现自动化、模块化和目标驱动。它使开发者与研究者超越静态提示链或手动工作流编排，引入自演化智能体生态系统，通过迭代反馈循环来构建、评估和优化 AI 智能体，类似于软件持续测试与改进的过程。
核心能力包括：
- 智能体工作流自动构建：从单个提示词出发，EvoAgentX 即可为任务量身构建结构化多智能体工作流。
- 内置评估：集成自动评估器，依据任务特定标准对智能体行为评分。
- 自演化引擎：智能体不仅工作，还能学习。EvoAgentX 利用自演化算法改进工作流。
- 即插即用兼容性：可轻松集成原始 OpenAI 和 Qwen 或其他流行模型，包括 Claude、Deepseek、kimi 等，通过 LiteLLM、siliconflow 或 openrouter 实现。若希望在本地机器部署 LLM，可尝试 LiteLLM。
- 全面内置工具：提供丰富内置工具集，让智能体与真实环境交互。
- 记忆模块：支持临时（短期）和持久（长期）记忆系统。
- 人在回路（HITL）交互：支持交互式工作流，由人类审查、纠正和指导智能体行为。
EvoAgentX 的用途广泛，适合 AI 研究者、工作流工程师或初创团队，从模糊想法快速构建功能完整的智能体系统，最小化工程投入并最大化灵活性。具体场景包括：自动演化优化智能体工作流；通过 HITL 检查点监督和控制流程；利用短期与长期记忆模块让智能体记住、反思并改进；描述目标后自动组装多智能体工作流；借助搜索、代码、浏览器、文件 I/O、API 等内置工具让智能体与真实世界交互。
安装与使用方式：推荐使用 pip 安装，也可从源码安装，本地开发或详细设置（如使用 conda）可参考 Installation Guide。LLM 配置需设置 API 密钥，可在 Windows 命令提示符或 PowerShell 中设置，或在项目根目录创建 .env 文件并加载。配置完成后，可初始化 LLM，定义自然语言目标，使用 WorkFlowGenerator 生成工作流，通过 AgentManager 实例化智能体，再通过 WorkFlow 执行。工作流可可视化（workflow_graph.display()）和保存/加载（save_module() / from_file()）。完整示例见 workflow_demo.py。
内置工具涵盖多个类别：代码解释器（Python、Docker）、搜索与 HTTP 请求（Google、Wikipedia、arXiv、RSS）、文件系统工具（读写、shell 命令）、数据库（MongoDB、PostgreSQL、FAISS）、图像工具（分析、生成）、浏览器自动化（低级与 LLM 驱动）。EvoAgentX 还支持 MCP 工具，并提供配置教程。
工具启用工作流生成：在更高级场景中，可向 WorkFlowGenerator 提供工具包列表，生成器将考虑并适时纳入智能体。例如启用 Arxiv 工具包。
人在回路支持：EvoAgentX 支持在智能体工作流中集成人在回路交互，可暂停执行以进行人工批准或注入用户输入。所有人类交互通过中央 HITLManager 实例管理，包括 HITLInterceptorAgent（批准门控）和 HITLUserInputCollectorAgent（收集用户数据）。例如，在发送邮件智能体执行动作前要求人工批准，触发时将暂停并在控制台提示 [a]pprove 或 [r]eject。
应用演示包括：金融信息智能体工作流（根据给定指数收集公司公开信息，包括市场指数、股价、机构买卖活动等，生成 HTML 报告并提供买入/卖出/持有建议）；ArXiv 研究摘要工作流（基于 ArXiv MCP 工具，根据关键词和时间范围检索并总结论文）。
演化算法：EvoAgentX 集成了若干有效的智能体/工作流演化算法，并在多跳问答（HotPotQA）、代码生成（MBPP）和推理（MATH）任务上评估优化性能。还用于优化现有开源多智能体系统在 GAIA 基准上的表现，如 Open Deep Research 和 OWL。
项目动态包括 2025 年 8 月发布自演化 AI 智能体综述，2025 年 7 月框架论文上线 arXiv，GitHub 星标超 1000，2025 年 5 月正式发布。
社区支持：可通过 Discord、X（原 Twitter）、微信加入社区，每周会议（周日 16:30–17:30 GMT+8）可添加至日历。联系邮箱 evoagentx.ai@gmail.com，2-3 个工作日内回复。项目欢迎贡献，并提供贡献指南。若发现 EvoAgentX 有帮助，可引用其论文。项目建立在多个开源项目之上，包括 AFlow、TextGrad、DSPy、EvoPrompt、LiveCodeBench 等。
限制方面：资料未提供具体收费、价格、平台限制或性能保证等信息，暂未提供。
