AutoGPT Platform 平台全景解析架构、核心组件、模型目录与开源许可指南【免费下载链接】AutoGPTAutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.项目地址: https://gitcode.com/GitHub_Trending/au/AutoGPTAutoGPT Platform 是 AutoGPT 开源仓库中承载持续运行 AI Agent能力的核心子系统它把 Agent 的创建、部署与运维从传统的任务式交互升级为面向企业级自动化的工作流平台。本篇以官方平台介绍文档为骨架结合仓库源码与配置文件系统梳理平台的整体架构、两大组成部件、Agent/Workflow/Block 三大概念体系、LLM 模型目录机制及双许可策略帮助你在自托管与二次开发前建立完整的平台认知地图。AutoGPT Platform 是什么AutoGPT Platform 是一个致力于革新个人与企业 AI 应用方式的开源平台其目标不是提供单次的提问—回答交互而是让用户能够创建、部署并持续管理那些替你不知疲倦地运行的 Agent。这些 Agent 可以按需执行、按触发器被唤醒也可以长期驻留云端持续工作从而把效率与创新带入日常工作流。从仓库结构看整个平台实现在 autogpt_platform 目录中与仓库顶层以及 classic早期经典版本相互独立。平台官方描述的四大关键能力为无缝集成与低代码工作流Seamless Integration and Low-Code Workflows无需深度编码即可快速搭建复杂工作流。自主运行与持续型 AgentAutonomous Operation and Continuous Agents部署在云端、可无限期运行并在相关触发器激活时自动响应。智能自动化与极致效率Intelligent Automation and Maximum Efficiency通过自动化重复流程来精简工作流。可靠性能与可预期执行Reliable Performance and Predictable Execution为长时运行流程提供一致、稳定的执行保证。这些特性并非停留在宣传层面——从源码结构看平台后端包含graph图、executor执行器、scheduler相关的完整实现目录backend/executor以及大量针对执行状态、触发器的数据库迁移脚本见 backend/migrations印证了持续运行 触发器驱动的执行模型确实是平台的核心设计取向。平台总体架构Server 与 Frontend 两大组件官方架构文档将 AutoGPT Platform 划分为两个主要组成部分AutoGPT Server与AutoGPT Frontend。在仓库中这两者分别对应 autogpt_platform/backend 与 autogpt_platform/frontend 两个工程。1. AutoGPT Server平台的动力核心Server 被定义为整个平台的发动机舱the powerhouse of our platform承担三类职责Source Code核心逻辑源码驱动 Agent 与自动化流程的核心逻辑。从仓库看它主要由 backend/apiAPI 路由层、backend/blocksBlock 执行单元、backend/executor执行引擎等模块构成。Infrastructure基础设施保障可靠与可扩展运行的系统底座。默认部署形态下Postgres、Redis、RabbitMQ 作为核心基础设施由 autogpt_platform/docker-compose.yml 编排启动。Marketplace应用市场面向预构建 Agent 的完整市场。其业务实现位于后端 backend/api/features/store并在数据层有大量配套迁移如 Store 相关 materialized view市场中的示例数据可直接在 backend/agents 目录中看到如calculator-agent.json及一系列agent_*.json。2. AutoGPT Frontend平台交互界面Frontend 是用户与平台交互的界面层一个基于 Next.js 的 Web 应用覆盖 Agent 全生命周期操作Agent BuilderAgent 构建器以可视化方式设计与配置 AI Agent。核心画布代码位于 frontend/src/components(platform)路由下还有大量页面组件。Workflow Management工作流管理构建、修改与优化自动化工作流。Deployment Controls部署控制管理 Agent 的生命周期启动、停止、调度等。Ready-to-Use Agents开箱即用 Agent从预配置 Agent 中直接选用。Agent InteractionAgent 交互通过友好界面运行并与之交互。Monitoring and Analytics监控与分析跟踪 Agent 运行表现、获取可执行洞察。值得一提的是仓库根目录 README.md 将当前平台概括为四个产品表面——AutoPilot自然语言描述生成 Agent、Agents运行看板、Marketplace市场与Build可视化画布可作为理解 Frontend 各功能面在真实产品中如何组织的补充参考。Frontend 技术栈与运行方式pnpm dev、依赖的本地服务等可进一步参考 docs/platform/getting-started.md 的开发章节。核心概念一Agent 与 Workflow在平台中Agent 并非黑盒程序而是一个你通过自定义工作流workflow设计出来的自动化流程。你可以针对下列任务类型构建 Agent数据处理与分析Data processing and analysis任务调度与管理Task scheduling and management通信与通知系统Communication and notification systems不同软件工具之间的集成Integration between different software tools基于 AI 的决策制定与内容生成AI-powered decision making and content generation从实现层面看平台后端将工作流建模为一张图graph节点是 Block节点间的连线是数据流动方向。仓库中的大量数据模型迁移如20240722143307_migrations、20240804040801_add_subgraph等见 backend/migrations与GraphExecution、NodeExecution等执行跟踪记录正是这一图即工作流模型在持久化层的落地。这意味着每个 Agent 的运行本质上是对一张有向图的一次执行调度执行器会在合适的时机触发节点、传递输入并汇聚输出。核心概念二Blocks 是工作流的积木Block 的本质与分类官方文档将 Block 定义为代表动作的单元是构建工作流的积木building blocks常见类型包括与外部服务的连接Connections to external services数据处理工具Data processing tools面向各种任务的 AI 模型调用AI models for various tasks自定义脚本或函数Custom scripts or functions条件逻辑与决策组件Conditional logic and decision-making components仓库中的 Block 生态在仓库中Block 是真实、可枚举的实体后端 backend/blocks 目录下有 359 个 Python 实现文件涵盖基础逻辑、文本、LLM 调用、HTTP 请求以及大量外部平台集成GitHub、Google、Discord、Notion、Slack、Telegram、Todoist、Airtable 等。你可以直接浏览blocks下各子目录例如blocks/github/、blocks/google/观察真实 Block 的写法。每个 Block 的基类定义在 backend/blocks/_base.py其核心契约包含input_schema/output_schema以 Pydantic 对象描述的输入、输出数据结构run方法Block 的主体逻辑通过yield逐条产出结果id全局唯一 UUID用于跨用户复用模板test_input/test_output/test_mock用于自动化测试的样例输入、期望输出与 mock 函数。对于需要认证的 Block平台提供了 API Key 与 OAuth2 两套凭证注入机制在 Input 模型中声明credentials字段后执行器会在运行时自动注入凭证相关类型定义于 backend/data/model.py通过credentials.auth_header()即可直接构造请求头。平台还支持 webhook 触发器类 Block使 Agent 能对外部事件实时响应相关配置在backend/blocks/_base.py的BlockWebhookConfig中定义。想要完整实现一个 Block含代码示例、测试方法、SSRF 防护与错误处理规范可直接阅读平台文档中的 Build your own Blocksnew_blocks.md。快速验证官方对 Block 的构建指引原文档给出进阶指引You can learn more under: Build your own Blocks。该链接对应的仓库文件即为 docs/platform/new_blocks.md其中以WikipediaSummaryBlock为例完整演示了创建 Python 文件 → 继承Block→ 定义 Input/Output schema → 在__init__中注册唯一 id 与测试数据 → 实现带错误处理的run方法 → 用poetry run pytest backend/blocks/test/test_block.py -s自动测试的完整闭环。可用语言模型Catalog-as-Code 的模型目录机制平台对支持哪些模型这一问题给出了一个非常工程化的答案。官方文档指出完整的模型列表含模型能力、上下文窗口、定价存放在随平台一并发布的模型目录中autogpt_platform/backend/backend/data/llm_registry/catalog.py。这意味着每个安装实例都自带与其代码能力完全一致的模型清单模型由代码定义、随代码发布。在源码 catalog.py 中可以确认如下实现细节文件头注释将其明确定义为 The canonical LLM catalog — catalog-as-code即本文件就是模型数据库任何模型增删改都通过 PR 完成每次部署时所有环境在启动阶段通过registry.load_catalog将目录加载到进程内注册表缓存get_catalog()是构建一次的内存访问器若目录非法会直接导致进程启动失败fail-hard 设计由 CI 中的catalog_test.py完整性测试与成本漂移测试兜底数据结构上一个CatalogModel至少包含slug、display_name、provider、creator、context_window、price_tier、cost等字段其中cost以CatalogModelCost(run_credits...)形式定义运行一次消耗的平台积分目录同时声明了**提供商providers与模型创作者creators**两类元数据providers 含aiml_apiAI/ML API、anthropic、groq、llama_api、ollama、open_router、openai、v0等creators 含 Amazon、Anthropic、Cohere、DeepSeek、Google、Meta、Microsoft、Mistral AI、OpenAI、Perplexity、Qwen、xAI、Z.ai 等。官方文档列出的平台预集成pre-integratedLLM 提供商包括OpenAIGPT 系列AnthropicClaude 系列Groq高速推理LlamaMeta Llama 系列经由 Llama API 接入AI/ML API一家聚合型 API 服务商对外提供 300 个 AI 模型涵盖 DeepSeek、Gemini、ChatGPT 等并宣称以企业级速率限制与可用性运行。结合 catalog.py 可见模型层面实际还通过 OpenRouter、Ollama本地模型与 v0 等通道扩展了可用面而 AI/ML API 与 OpenRouter 这类聚合商的存在正是一个平台对接数百模型的实现方式。若你在本地通过 Ollama 自托管模型平台文档另有一份专门的 Ollama 指南 可供参考。许可证总览MIT 与 PolyForm Shield 双许可官方文档特别强调项目采用了双许可dual-license策略以在开放协作与可持续发展之间取得平衡MIT LicenseAutoGPT 仓库的绝大部分代码沿用 MIT 许可。PolyForm Shield License适用于新增的autogpt_platform文件夹。这一策略让团队得以把此前闭源的组件开源出来从而培育一个活跃的开发者与用户生态。在仓库中可以找到对应的落地证据仓库根目录 LICENSE 为 MIT 许可证文本autogpt_platform/LICENSE.md 全文为 PolyForm Shield License 1.0.0。该许可在授予版权、分发与专利权利的同时附加了Noncompete不竞争条款——禁止将软件用于提供与软件本身或其关联方基于该软件提供的产品构成竞争的产品——这是它区别于宽松 MIT 许可的核心点autogpt_platform/AGENTS.md、autogpt_platform/Contributor License Agreement (CLA).md.md) 等文件也进一步表明该目录是独立管理的代码单元。实际使用前建议仔细阅读上述两份许可文本根据自身用途尤其是商业/竞争性产品判断适用的许可约束。快速上手从文档到自托管原文档结尾给出了两条启动路径自托管请阅读 Getting Started 文档云托管公测则需要加入等待名单。自托管入口官方指引见 docs/platform/getting-started.md。其中推荐的快速路径是使用官方安装脚本macOS/Linux 与 Windows PowerShell 各有对应命令脚本会自动安装 Docker 等依赖、拉取最新代码并启动应用手动路径则是git clone后进入autogpt_platform目录、执行cp .env.default .env并在docker compose up -d --build一键拉起全套服务随后访问http://localhost:3000。云托管官方云平台目前采取公测beta 等待名单模式托管环境下由平台方负责基础设施、模型访问、凭证、可靠性等运维事项。如果你倾向本地开发而非一键容器化运行autogpt_platform/Makefile见 autogpt_platform/README.md 与 docs/platform/getting-started.md提供了一套高频任务入口常用命令包括命令作用make init-env由.env.default生成缺失的.envautogpt_platform、backend、frontend 三处使用cp -n不会覆盖已有文件make start-core后台启动核心服务Postgres、Redis、RabbitMQmake stop-core/make logs-core停止 / 跟踪核心服务日志make migrate执行后端数据库迁移make run-backend运行后端 FastAPI 服务make run-frontend运行前端 Next.js 开发服务器make format同时格式化与检查后端Python与前端TypeScript代码默认端口约定为前端 UI3000、后端 WebSocket 服务8001、Execution API REST 服务8006。需要扩展平台时先以自托管方式将平台跑起来再按 docs/platform/getting-started.md 中的后端/前端本地开发流程poetry与pnpm搭建开发环境是较为顺畅的路线。总结AutoGPT Platform 的价值主张可以概括为一句话把AI 替我干活从一次性的对话变成可编排、可部署、可持续运行、可观测的工程系统。官方文档所描绘的 Server/Frontend 双层架构、Agent/Workflow 图式建模、Block 积木式扩展、Catalog-as-Code 的模型管理与双许可策略在仓库中均有完整的代码与配置实体支撑。对希望自托管的企业用户、希望在本地私有化部署的开发者以及准备贡献新 Block 的社区成员而言docs/platform/getting-started.md 与 docs/platform/new_blocks.md 分别提供了从跑起来到玩得转的两级进阶指引可作为阅读本篇之后的下一个落点。【免费下载链接】AutoGPTAutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.项目地址: https://gitcode.com/GitHub_Trending/au/AutoGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考