ChatDev 2.0 (DevAll): 零代码多 Agent 编排平台
这是可索引项目报告证据页:它保留 ChatDev 2.0 (DevAll): 零代码多 Agent 编排平台 的源材料入口、机制线索和限制提醒;正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。
ChatDev 2.0 (DevAll): 零代码多 Agent 编排平台
基本信息
| 字段 | 内容 |
|---|---|
| GitHub | https://github.com/OpenBMB/ChatDev |
| Star | 26,000+ |
| 技术栈 | Python, React, Next.js, LLM API |
| 许可证 | Apache 2.0 |
| 开发者 | 清华大学 OpenBMB 团队 |
项目简介
ChatDev 最初是一个虚拟软件公司多 Agent 系统,通过 CEO、CTO、程序员等角色 Agent 的协作自动化软件开发生命周期。ChatDev 2.0(DevAll)演化为一个零代码多 Agent 编排平台,用户可以通过简单配置(无需编码)定义 Agent、工作流和任务,编排数据可视化、3D 生成、深度研究等复杂场景。其核心研究贡献包括多 Agent 协作网络(MacNet)、迭代经验精炼(IER)、以及基于强化学习的 Puppeteer 编排范式(NeurIPS 2025)。
目录结构
openbmb__chatdev/
├── server/ # 后端服务
│ ├── app.py # Flask 应用入口
│ ├── bootstrap.py # 初始化逻辑
│ ├── routes/ # API 路由
│ ├── services/ # 业务逻辑服务层
│ ├── models.py # 数据模型
│ ├── settings.py # 配置管理
│ └── state.py # 状态管理
├── frontend/ # 前端界面
│ ├── src/ # React 源码
│ ├── public/ # 静态资源
│ └── vite.config.js # Vite 构建配置
├── functions/ # Agent 功能函数
├── workflow/ # 工作流引擎
├── runtime/ # 运行时执行环境
├── tools/ # 工具集
├── entity/ # 实体定义
├── schema_registry/ # Schema 注册表
├── yaml_instance/ # YAML 配置实例
├── yaml_template/ # YAML 配置模板
├── run.py # 运行入口
├── server_main.py # 服务启动入口
└── tests/ # 测试
核心模块分析
1. 工作流引擎(Workflow Engine)
ChatDev 2.0 的核心创新是从链式拓扑升级为通用工作流编排。用户通过 YAML 配置定义工作流,支持条件分支、并行执行、循环等控制结构。工作流引擎负责解析配置、调度 Agent 执行、管理中间状态传递,实现了从”虚拟软件公司”到”通用编排平台”的转变。
2. 多 Agent 协作网络(MacNet)
MacNet 是 ChatDev 团队提出的有向无环图(DAG)协作范式,支持多种拓扑结构下超过千个 Agent 的协作而不会超出上下文限制。相比 v1 的链式拓扑,MacNet 提供了更丰富、更具扩展性的协作模式,已应用于逻辑推理、数据分析、故事生成等非软件开发场景。
3. Puppeteer 编排范式(NeurIPS 2025)
最新研究成果:利用可学习的中央编排器(Central Orchestrator),通过强化学习优化,动态激活和排序 Agent 以构建高效的上下文感知推理路径。Puppeteer 范式不仅提高了推理质量,还降低了计算成本,实现了可扩展和自适应的多 Agent 协作。
4. 迭代经验精炼(IER)
IER 方法让指导者(Instructor)和助手(Assistant)Agent 通过跨任务的经验获取、利用、传播和消除来增强面向快捷方式的经验。这使得 Agent 在面对新任务时能够更高效地适应,减少重复错误,缩短开发流程。
5. 零代码配置系统
通过 YAML 模板和 Schema Registry 实现零代码编排:
yaml_template/提供预定义模板yaml_instance/存储用户实例schema_registry/管理配置验证- 前端提供可视化编辑界面
技术亮点
- 角色扮演对话范式:ChatDev 较早展示的”虚拟软件公司”模式——Agent 扮演 CEO、CTO、程序员等角色通过对话协作完成软件开发生命周期,成为多 Agent 协作的常见参考范式。
- Puppeteer 强化学习编排:基于 RL 的可学习编排器,能够根据任务特征动态选择最优 Agent 序列,在效率和效果之间取得平衡(NeurIPS 2025 收录)。
- 千级 Agent 扩展:MacNet 支持 1000+ Agent 的协作而不超出上下文窗口,通过 DAG 结构实现消息的高效路由和上下文隔离。
- 经验驱动的持续改进:IER 机制让 Agent 在跨任务执行中积累和精炼经验,每次执行都比上次更高效,体现了自进化的核心理念。
- 从代码到配置的进化:从 v1 需要编写 Python 代码到 v2 纯 YAML 配置,大幅降低了多 Agent 系统的使用门槛。
与 Self-Evolve 关联
| 维度 | 贡献 |
|---|---|
| 多 Agent 协作范式 | 角色扮演对话模式为 Self-Evolve 的多 Agent 自评估提供了协作模型参考 |
| 经验精炼 | IER 的跨任务经验积累和精炼机制直接对应 Self-Evolve 的经验驱动自改进 |
| 可学习编排 | Puppeteer 的 RL 编排器为 Self-Evolve 的自适应工作流优化提供了思路 |
| 大规模协作 | MacNet 的千级 Agent 扩展方案为 Self-Evolve 的规模化自改进提供了架构参考 |
| 零代码编排 | YAML 配置驱动的编排模式为 Self-Evolve 的任务定义和流程管理提供了简化方案 |
| 增量开发 | 增量开发模式允许在现有代码基础上迭代,体现了渐进式自改进的理念 |