💡 站外导读：随着大模型能力的飞速发展，单一对话式AI已难以满足企业处理复杂、多步骤任务的需求。如何高效地构建、调试和部署能够协调多种工具、进行多轮推理的智能体系统，正成为开发者面临的核心痛点。MiroFlow应运而生，作为一个开源的多Agent开发框架，它专注于解决高性能智能体的构建难题，并通过生成高质量的智能体轨迹数据，为类似MiroThinker的模型提供“燃料”，推动AI应用从对话走向真正的任务自动化。

MiroFlow是强大的多智能体系统开发框架，专为构建复杂、高性能的AI智能体而设计，为MiroThinker等模型生成高质量的智能体轨迹数据。框架具备可复现的性能，在GAIA验证集上稳定达到72.2%的通过率。框架支持高并发和容错，内置可观测性和评估工具，方便调试和优化。MiroFlow用模块化设计，支持多轮对话、丰富的工具集成和分层子智能体架构，能灵活处理复杂任务。MiroFlow提供详细的配置系统、任务日志和输出格式化功能，方便开发者快速上手和扩展。

MiroFlow的主要功能

• 可复现的高性能：MiroFlow在GAIA验证集上稳定达到72.2%的通过率，提供完整脚本和配置文件，确保结果可复现。
• 高并发与容错能力：支持高效并发处理，具备强大的容错机制，能应对限流API和不稳定网络。
• 内置可观测性和评估工具：配备基准测试脚本和Web界面，用在可视化和调试智能体运行轨迹，同时提供全面的日志系统。
• 模块化设计：基于多轮对话、工具集成和分层子智能体架构，支持复杂任务的灵活处理。
• 灵活的工具接入：通过MCP服务器连接多种工具，支持代码执行、视觉感知、网页搜索等功能，兼容多种LLM提供商。
• 配置与扩展性：用Hydra配置管理系统，支持结构化YAML配置文件，输出格式化系统能适应不同基准测试需求。

MiroFlow的技术原理

• 多阶段工作流：用户输入通过LLM进行意图识别和查询增强。主智能体根据增强后的查询制定执行计划，并协调整个工作流，包括调用工具、委托任务给子智能体等。子智能体独立规划、执行工具调用，并将结果返回给主智能体。主智能体汇总结果并生成符合用户指令或基准测试格式的输出。
• 模块化架构：核心组件包括Pipeline（任务执行协调器）、Orchestrator（对话流管理器）和LLM Client（LLM接口）。工具管理器（Tool Manager）负责连接和管理MCP服务器，支持工具发现、错误处理和工具黑名单功能。子智能体（Sub-Agents）专注于特定领域任务，例如网页浏览、代码执行等，每个子智能体都有自己的工具集和定制化提示。
• LLM与工具集成：MiroFlow基于LLM进行任务规划和对话管理，同时用MCP服务器提供的工具执行具体任务。MCP服务器基于FastMCP构建，支持多种工具，如代码执行、视觉感知、网页搜索等。
• 高并发与容错：基于异步处理和队列管理实现高并发任务处理。内置的容错机制能处理API限流、网络不稳定等问题，确保任务的连续性。
• 可观测性与日志系统：提供Web界面用在可视化智能体的运行轨迹。全面的日志系统记录智能体交互、工具执行、性能指标和错误信息，便于调试和优化。

MiroFlow的项目地址

• GitHub仓库：https://github.com/MiroMindAI/Miroflow

MiroFlow的应用场景

• 复杂任务自动化：MiroFlow能处理多步骤、多工具的任务，例如自动化数据处理和分析，提高企业工作效率。
• 智能客服与支持：用在构建智能客服系统，自动回答用户问题，处理订单查询等复杂任务，提升客户体验。
• 教育与学习辅助：为学生提供个性化学习路径和作业辅导，根据学习进度提供针对性解答，助力教育智能化。
• 代码生成与调试：辅助软件开发，自动生成代码片段、调试代码问题，提高开发效率，减少人工干预。
• 多模态内容创作：结合文本、图像、音频等多种模态生成内容，提升内容创作的多样性和吸引力。