手把手带你用 OxyGent 实现智能体的构建、部署与进化
京
OxyGent团队约 2 分钟
OxyGent团队约 2 分钟OxyGent支持开发者像搭积木一样灵活组合智能体系统，并且具备极致可扩展性和全链路决策追溯能力，进而推动“群体智能”的实现。目前，OxyGent已高分登上全球AI领域风向标级的榜单——GAIA (General AI Assistant) Benchmark！
本文将通过多个具体示例，详细介绍如何基于 OxyGent 框架，仅用 20 行代码即可快速启动智能体。手把手带您完成智能体开发的全流程，包括环境安装、模型注册、MCP 工具集成、智能体注册、可视化界面调试、多智能体协作，以及分布式智能体部署等环节，助您高效实现智能体应用。
以下代码已上传至Github仓库demo分支：
https://github.com/jd-opensource/OxyGent/tree/demo/oxygent_demo
安装环境
1.python环境（3.10及以上版本）
conda create -n oxy_env python==3.10conda activate oxy_env
2.oxygent环境
pip install oxygent3.Node.js环境（如果使用MCP工具）
https://nodejs.org/zh-cn 下载安装即可
Hello World
新建 .env 文件设置环境变量：
DEFAULT_LLM_API_KEY = "<大模型的key>"DEFAULT_LLM_BASE_URL = "<大模型的url>"DEFAULT_LLM_MODEL_NAME = "<大模型的name>"
启动
RAG
MoA
Local MCP 工具
SSE MCP 工具
FunctionHub 工具
用任意工具注册方式（FunctionHub、LocalMCP、SSEMCP），启动后都是以下效果
外部 MCP 工具
自动召回topK个工具
进入节点可视化页面
多智能体
多层级智能体
结合Workflow
Reflexion机制
Why?
数据持久化
框架具备完善的数据存储机制，可用于后续的SFT训练或RL训练。
限制任意节点的并发数量
多环境配置部署
分布式
多模态
按权重过滤执行过程的Memory
检索更多工具
自定义大模型输出解析器
自定义SSE接口
结果后处理或格式化
智能体同时调用多个工具
从中间节点重启任务
Plan-and-Solve范式
……