A multi-agent workbench built on top of GenericAgent.
Keep the classic GenericAgent executor, and add orchestration, UI, attachments, restore, and memory workflows.
Upstream GenericAgent | 项目定位 | 核心升级 | 快速开始 | 对比上游
Important
这个仓库的核心定位不是“替代上游 GenericAgent”，而是“以 GenericAgent 为执行内核做出来的工作台层”。
如果把上游 GenericAgent 看成一个极简、自演化、真实可执行的 Agent 内核，那么这个仓库就是围绕它搭出来的一个更适合日常使用的工作台：
- 保留经典 GenericAgent 作为“强执行器”
- 新增 OpenAI Agents 多智能体编排层
- 增强 Streamlit 聊天式 UI
- 支持文本 / PDF / DOCX 附件注入
- 支持结构化历史恢复、摘要提炼、记忆候选池
- 支持桌面窗口、Bot 前端、调度与归档工作流
一句话概括：
GenericAgent 是内核，GenericAgent Workbench 是工作台。
GenericAgent Workbench 是一个以 GenericAgent 为执行底座的多智能体工作台。
它不是只做“聊天”，也不是重新发明一套执行器，而是在上游内核之外补齐更像产品的那一层：
- 路由
- 编排
- UI
- 会话管理
- 附件处理
- 历史恢复
- 调度与记忆操作
- 不是上游主线仓库的逐行同步镜像
- 不是“官方下一代 GenericAgent”
- 不是把经典 GenericAgent 丢掉后另起炉灶
因为这个仓库最重要的事实没有变：
- 真正的文件 / 代码 / 浏览器 / 工具执行，仍然依赖经典 GenericAgent
- 新增的大部分内容，本质上是围绕这个执行内核做的工作台包装
- 因此名字里保留
GenericAgent，能直接说明血缘关系和核心能力来源
- 双后端：经典 GenericAgent + OpenAI Agents 编排后端
- 多智能体分工：
task_router / chat_specialist / planner_executor - 规则快速路由层
- 聊天式 Streamlit 工作台 UI
- 文本 / PDF / DOCX 附件处理
- 结构化
INPUT_ITEMS历史恢复 - 历史提炼、记忆候选池、L4 会话归档
- 桌面窗口 + Telegram / Feishu / 企业微信 / 钉钉 / 微信等前端入口
它不是另一个“自己全做”的执行器，而是一个 orchestration layer：
task_router：只负责分流，不直接执行chat_specialist：处理解释型、纯对话型请求planner_executor：负责复杂任务的规划、委派、验证run_genericagent_executor：把真实执行委托给经典 GenericAgent
这套结构的价值是：
- 简单聊天不必进入重型执行路径
- 复杂任务仍然复用上游真实工具链
- 编排层和执行层职责更清晰
在 LLM 路由前先做一层轻量规则判断：
- 简单问答优先去
chat_specialist - 文件 / 代码 / 浏览器 / shell / 多步骤任务优先去
planner_executor - 未命中规则时，再交给模型做最终判断
这让系统在“聊天”和“执行”之间切换时更稳，也更省。
主界面在 frontends/stapp.py。
它已经不是一个只有输入框的 demo，而是一个工作台：
- 历史对话列表与预览
- 一键恢复历史上下文
- 历史摘要提炼
- 记忆面板查看
L1 / L2 / Inbox - 附件上传面板
- 助手历史回复压缩 / 展开
- 兼容
genericagent与openai-agents
新增 frontends/file_processor.py。
支持：
- 文本类文件
- DOCX
它会自动完成：
- 抽取正文
- 生成预览
- 压缩长文为 distilled text
- 敏感文件名预警
- 把附件摘要拼进 prompt
所以这个工作台不是“只能聊天”，而是“能带文档上下文工作”。
相关逻辑在：
除了传统文本日志恢复，这个分支还支持：
- 为
openai-agents后端写入结构化INPUT_ITEMS - 从结构化历史中恢复真实
user / assistant消息 - 避免把工具结果误恢复成用户消息
- 在 UI 与部分 Bot 前端里复用同一套恢复逻辑
入口包括：
launch.pyw：默认桌面启动器start_test.pyw：直接启动openai-agents后端core/runtime_env.py：优先选择rag-envConda 环境reflect/scheduler.py：调度与归档触发
因此这个仓库更接近“持续运行的桌面 Agent 工作台”，而不是一次性脚本集合。
flowchart LR
U["User / Bot / UI"] --> F["Workbench Frontends"]
F --> B{"Backend"}
B --> G["Classic GenericAgent"]
B --> O["OpenAI Agents Orchestrator"]
O --> R["task_router"]
R --> C["chat_specialist"]
R --> P["planner_executor"]
P --> E["run_genericagent_executor"]
E --> G
G --> X["Files / Code / Browser / Memory / ADB"]
simple question
-> task_router
-> chat_specialist
-> direct answer
complex task
-> task_router
-> planner_executor
-> run_genericagent_executor
-> classic GenericAgent
-> result verification
| 维度 | 上游 GenericAgent | GenericAgent Workbench |
|---|---|---|
| 核心定位 | 极简、自演化 Agent 内核 | 围绕内核构建的交互工作台 |
| 主要卖点 | 最小核心、真实执行、自演化 skill | 编排层、工作台 UI、附件、恢复、记忆工作流 |
| 执行架构 | 经典单体执行循环 | 多智能体编排 + 经典执行器下沉 |
| 后端模式 | 经典后端 | 双后端可切换 |
| 路由方式 | 主要依赖主模型 | 规则快速路由 + agent handoff |
| UI 形态 | 原生前端 / demo 风格 | 聊天式 Streamlit workbench |
| 会话恢复 | 传统文本日志恢复 | 结构化 INPUT_ITEMS 恢复 |
| 文件上下文 | 以任务输入为主 | 文本 / PDF / DOCX 附件注入 |
| 适合人群 | 研究原始设计、喜欢极简 runtime | 想直接把 Agent 当工作台使用 |
如果你更在意：
- 最小代码量
- 主线能力同步
- 原教旨式 GenericAgent 设计
那更适合直接使用上游仓库：
https://github.com/lsdefine/GenericAgent
如果你更在意：
- 更强的日常交互体验
- 更清晰的 agent 分工
- 更好用的历史恢复
- 文档附件上下文
- 更像产品而不是 demo 的桌面入口
那这个工作台分支会更顺手。
GAgent-Multi/
├─ core/ # 核心运行时与编排逻辑
│ ├─ openai_agentmain.py # OpenAI Agents 多智能体编排后端
│ ├─ agentmain.py # 经典 GenericAgent 后端
│ ├─ router_rules.py # 规则快速路由层
│ ├─ llmcore.py # 模型会话与供应商适配
│ └─ runtime_env.py # Conda 运行时选择
├─ launch.pyw # 默认桌面启动器
├─ start_test.pyw # openai-agents 启动器
├─ frontends/
│ ├─ stapp.py # 主 Streamlit 工作台
│ ├─ chatapp_common.py # 恢复、提炼、公共聊天逻辑
│ ├─ file_processor.py # 附件抽取与压缩
│ ├─ tgapp.py # Telegram 前端
│ ├─ fsapp.py # Feishu 前端
│ ├─ wecomapp.py # 企业微信前端
│ ├─ dingtalkapp.py # 钉钉前端
│ ├─ wechatapp.py # 微信个人号前端
│ └─ ...
├─ memory/
│ ├─ global_mem.txt
│ ├─ global_mem_insight.txt
│ ├─ history_memory_inbox.md
│ └─ L4_raw_sessions/
└─ reflect/
└─ scheduler.py # 调度与会话归档
- Windows 桌面环境
- Python 3.11+
- 推荐 Conda 环境：
rag-env
最常用的一组依赖：
pip install streamlit pywebview requests qrcode pycryptodome lark-oapi如果你要启用附件上传（PDF / DOCX）：
pip install pymupdf python-docx复制模板：
copy mykey_template.py mykey.py然后填写你的模型配置。
当前多智能体后端会优先尝试从这些位置读取配置：
mykey.pymykey.json~/.claude/settings.json- 环境变量中的
OPENAI_*/ANTHROPIC_*
python launch.pyw推荐直接使用：
python start_test.pyw或者手动切换：
$env:GA_AGENT_BACKEND = "openai-agents"
python launch.pywpython launch.pyw --sched| 入口 | 用途 |
|---|---|
python launch.pyw |
默认桌面工作台 |
python start_test.pyw |
OpenAI Agents 编排后端测试入口 |
python frontends/tgapp.py |
Telegram 前端 |
python frontends/fsapp.py |
Feishu 前端 |
python frontends/wecomapp.py |
企业微信前端 |
python frontends/dingtalkapp.py |
钉钉前端 |
python frontends/wechatapp.py |
微信个人号前端 |
- 继续吃到 GenericAgent 的真实执行能力
- 但又不想只停留在一个极简 runtime
- 想要更好的交互层和工作台体验
- 想尝试“编排层 + 执行层”拆分架构
- 最小、最直接的 GenericAgent 内核体验
- 更强的主线一致性
- 更聚焦于自演化 runtime 本身
Q1. 这是不是 GenericAgent 的官方主线升级版？
不是。
更准确地说，这是一个以 GenericAgent 为执行底座的工程化工作台分支。
Q2. 为什么名字里还保留 GenericAgent？
因为最核心的执行能力仍然来自经典 GenericAgent。
这个仓库新增的主要是编排层、交互层、恢复与工作流层。
Q3. 这个仓库和上游是什么关系？
可以理解为：
- 上游：Agent 内核
- 这个仓库：围绕内核做出来的工作台
Q4. 这个仓库未来最像什么？
更像一个“个人 Agent Workbench”，而不是单纯的聊天界面或一次性脚本集合。
GenericAgent Workbench = GenericAgent execution core + orchestration layer + workbench UI + memory and restore workflows.