企业官网建设流程全解析

• 人工智能
• 大模型
• AI Agent
• Agent 框架
• 多智能体
• AI 技能/插件

infiAgent（又称 MLA，Multi-Level Agent）是一个为无限时长运行设计的开源 AI 智能体框架。它的核心理念是：你不需要写复杂的编排代码，只要编辑几个 YAML 配置文件，就能搭建出自己的 Cowork 助手、AI Scientist 甚至 SOTA 级垂直领域智能体。支持长达数天的复杂任务、断点续跑、Agent Skills 标准和基于目录的持久记忆，特别适合需要长时间自主工作的科研写作、深度调研与办公自动化场景。

🌟 为什么选择 infiAgent？

和普通 LLM Agent 不同，infiAgent 解决的是"任务一长就崩"的痛点：

下图展示了 Web UI 中智能体实际工作过程：用户只需输入一句话（"画一只小鸟"），alpha_agent就会自动调用工具、生成图片并返回结果。

🚀 三种快速启动方式

方式一：Docker + Web UI（推荐新手）

无需配置 Python 环境，拉取镜像后直接得到带多用户注册的 Web UI：

cd /你的工作空间 mkdir -p ~/.mla_v3 docker run -d --name mla-webui \ -e HOST_PWD=$(pwd) \ -e PORT=4242 \ -v $(pwd):/workspace$(pwd) \ -v ~/.mla_v3:/root/mla_v3 \ -p 4242:4242 \ chenglinhku/mlav3:latest webui

然后打开浏览器访问http://localhost:4242。首次使用默认管理员账号为admin/admin123，也可以直接在登录页注册新用户。

方式二：Docker CLI 模式

docker run -it --rm \ -e HOST_PWD=$(pwd) \ -v $(pwd):/workspace$(pwd) \ -v ~/.mla_v3:/root/mla_v3 \ chenglinhku/mlav3:latest cli

方式三：本地安装（需要 Python 3.9+）

git clone https://gitcode.com/gh_mirrors/inf/infiAgent cd infiAgent python -m venv venv && source venv/bin/activate pip install -e . playwright install chromium # 如需浏览器工具 # 配置 API Key 并启动 mla-agent --config-set api_key "your-api-key" cd /你的工作空间 && mla-agent --cli

📖 完整步骤参考：docs/DOCKER_GUIDE.md 和 docs/CLI_GUIDE.md

⚙️ 一步到位：配置 API Key

启动 Web UI 后点击Config按钮即可进入配置管理页面。左侧可以浏览所有 agent 配置与运行时配置，右侧可直接编辑llm_config.yaml——填入 API Key 与 Base URL 后保存即可：

多供应商模型也开箱即用：在 config/run_env_config/llm_config.example.yaml 中，每个模型都可以单独覆盖api_key和base_url，让不同子智能体使用不同厂商的模型，从而精细控制成本。

🧩 核心玩法：改配置文件构建你自己的智能体

这是 infiAgent 最迷人的地方。整个智能体系统的行为都由config/目录下的 YAML 文件定义：

config/ ├── agent_library/ │ ├── Researcher/ # 科研多层级系统（论文级输出） │ │ ├── general_prompts.yaml │ │ ├── level_-1_judge_agent.yaml # 质量评判智能体 │ │ ├── level_0_tools.yaml # 工具定义 │ │ ├── level_1_agents.yaml # 底层执行智能体 │ │ ├── level_2_agents.yaml # 功能专家智能体 │ │ └── level_3_agents.yaml # 顶层编排智能体 │ └── OpenCowork/ # 通用电脑工作助手（扁平架构） └── run_env_config/ └── llm_config.example.yaml # LLM 配置模板

以顶层编排者alpha_agent为例，它的全部人设、职责和工作流程都写在 config/agent_library/Researcher/level_3_agents.yaml 中：

• available_tools：决定它能调用哪些子智能体和工具（如data_collection_agent、coder_agent、file_read）
• prompts.agent_responsibility：一句话定义角色（"你是一个研究助手……"）
• prompts.agent_workflow：详细编排流程（先收集文献 → 分析 → 写代码 → 生成图表 → 成文 → 质检）
• execution_model：甚至可以为每个子智能体单独指定模型

想做一个"新闻智能体"？复制一份 YAML，改改system_prompt和工具列表，保存即可生效——这就是"只改配置文件构建 SOTA 级智能体"的含义。

💻 开始下任务：CLI 与 Web UI 实战

启动 CLI 后，先选择智能体系统（Researcher或OpenCowork）和工具执行模式（Auto 全自动 / Manual 安全确认），然后直接输入自然语言任务：

常用命令一览：

长时任务的底气来自记忆机制：task_id等于工作空间绝对路径，同一个目录下的所有会话共享记忆。第一次会话收集了文献，几天后再次进入同一目录说"总结已收集的论文"，智能体依然记得。任何中断（崩溃、断网、手动停止）都可以用/resume或 Web UI 的 Resume 按钮完全恢复。

Researcher系统的最终产出可以达到整篇学术论文的级别——从文献检索、实验代码、图表生成到 LaTeX 排版，全部由多层级智能体自动编排完成：

🔧 进阶能力：Skills、SDK 与 IDE 集成

• Agent Skills：仓库内置了 skills/ 技能库（docx、pdf、pptx、xlsx、canvas-design 等）。把 skill 文件夹放入~/mla_v3/skills_library/，智能体会通过load_skill工具按需部署到工作空间，瞬间获得制作 PPT、填写 PDF 表单等专业能力。
• Python SDK：通过 infiagent/sdk.py 提供的infiagent类，可以在自己的程序里以task_id为粒度启动、追加消息、重置任务，完整指南见 docs/SDK_GUIDE.md。基于 SDK 还衍生出支持多 bot 协作、IM 对接的应用层 apps/cheapclaw/。
• JSONL 流式模式：mla-agent --jsonl输出结构化事件流，方便集成到 VS Code 等 IDE 插件中，实现带工作区上下文的实时流式交互（参见 docs/EVENT_SCHEMA.md）。
• Web 服务与多用户：web_ui/ 目录包含可直接部署的 Web 端，支持多用户注册、任务管理与配置编辑。

📁 快速索引：常用资源路径

• 中文说明文档：README_CN.md
• LLM 配置模板：config/run_env_config/llm_config.example.yaml
• 科研系统配置：config/agent_library/Researcher/
• 通用助手配置：config/agent_library/OpenCowork/
• 运行时核心源码：core/（智能体执行器、层级管理器、工具执行器）
• 内置工具库：tool_server_lite/tools/（文件、浏览器、代码执行、文献检索等）
• 事件协议：docs/EVENT_SCHEMA.md

总结

infiAgent 把"构建 Agent"的门槛从写代码降到了改配置：Docker 一条命令启动、YAML 文件定义智能体层级、/resume随时断点续跑、同一目录永久记忆。无论你是想让它替你跑完几天的科研写作全流程，还是做一个整理文件、生成 PPT 的 Cowork 办公助手，都值得一试。

• 人工智能
• 大模型
• AI Agent
• Agent 框架
• 多智能体
• AI 技能/插件