阿里开源多Agent框架agentUniverse：10+组件、PEER与DOE协同、RAG注入领域知识！

在AI agent领域，最近常常被提起的一个名字是 agentUniverse。这是一个基于大型语言模型的多智能体框架，核心价值在于帮助开发者和企业，相对轻松地构建出具备领域专家级别的协作智能体。

核心特性

它的一大亮点，是提供了多种经过产业验证的多智能体协同模式。比如 PEER 模式，包含 Plan、Execute、Express、Review 四个环节，特别适合事件解读和行业分析这类任务；而 DOE 模式，涵盖 Data-fining、Opinion-inject、Express，在财报生成等场景中表现不错。当然，用户也可以根据自己的需求，自定义编排新的协作模式。

另一个值得关注的点是，框架中几乎所有组件都是可定制的。无论是 LLM、知识库、工具、记忆，还是 Planner 模块，都支持用户进行个性化增强。

与此同时，agentUniverse 在融入领域经验方面也做了功课。它支持领域提示词的构建与管理，并且能够将领域级别的标准操作流程（SOP）注入到智能体中，从而让智能体在对齐到专家水平时更加顺畅。

法律咨询案例

先看一个法律咨询的例子。通过 RagPlanner，可以快速搭建一个法律咨询智能体。它的工作方式，是检索民法典和刑法中的相关条例，再结合具体的案件背景，给出相应的法律建议。

Python自动执行案例

再来看看 Python 自动执行的场景。利用 ReactPlanner，搭建了一个能够自动生成 Python 代码并执行的智能体。从图片中的执行过程可以看出，它一共走了三步：第一步，模型根据问题生成了一段代码，交给 python_runner 工具执行，但失败了——原因是没有使用 print 打印结果；第二步，模型意识到问题，主动修改代码，再次执行，这次成功了；第三步，模型将执行成功的代码返回给用户。整个过程展现了 agent 在错误中自我修正的能力。

多智能体讨论组案例

多智能体的讨论组功能也很有意思。它设置了两类角色：一位讨论组主持人，以及若干讨论组成员。用户发起一个话题后，主持人会组织成员们开始讨论。每一轮，每位成员根据议题发表观点——有趣的是，这些观点并非一成不变，而是会随着讨论的推进不断调整。几轮下来，主持人会对整个过程进行总结，并将经过多轮碰撞后的结果返回给用户。文中还给出了两个示例：“甜粽子好吃还是咸粽子好吃”和“中医好还是西医好”的讨论案例，可以作为理解这种互动方式的参照。

金融事件分析案例

最后是一个金融事件分析案例。基于 PeerPlanner，构建了一个专门用于金融事件分析的多智能体协作系统。以“巴菲特2023年减持比亚迪”这一事件为例，可以清晰地看到 PEER 模式中每种智能体的配置方式和输出结果。Planning Agent 负责将原始的金融问题拆解成多个可单独分析的子问题；Executing Agent 则针对这些子问题逐一执行；Expressing Agent 将所有执行结果汇总，并根据设定的要求，形成对原始问题的最终回答；最后，Reviewing Agent 会对表达结果进行评估，判断其是否有效回应了最初的问题。整个流程环环相扣，挺有实际应用价值。