搜索你想找的开源项目

输入名称、用途或关键词,也可粘贴 GitHub 仓库链接

分享到微信

当前解读页的微信分享二维码

用微信扫一扫打开,点击右上角「···」分享给朋友或朋友圈。

手机上可截屏后,在微信扫一扫中从相册识别二维码。

AgenticOrgLab/ExecOrchestra

AI 工程

用可执行计划把工具、模型、技能和 Agent 编排成工作流的 Python 框架,按子任务分配直接调用或模型参与。

214
5
Python
创建于 3 天前

项目介绍

ExecOrchestra 面向需要多种资源协作的复杂任务,把工具、模型、技能和 Agent 组织进同一份可执行计划。它会判断每个子任务该用哪种执行方式:

  • Direct:计划固定操作和输入,工具直接执行,中间不调用模型。
  • Localized:模型只承担明确的小任务(例如写一小段处理脚本),读写和计算交给工具。
  • Extended:模型或 Agent 可以查看工具返回结果,在允许的工具和会话限制内决定下一步。

每次运行都会留下中间产物、可读的 progress.log、详细的 pipeline.log 以及交付清单,便于跟踪进度和排查失败。项目还提供 GAIA 和 Terminal-Bench 的评测入口,详见评测文档。

快速使用

前提:Linux x86-64、Python 3.11 及以上、Git、Conda、当前用户可访问的 Docker Engine,以及一个 OpenAI 兼容的 LLM 接口和嵌入模型服务(默认使用 Qwen3-Embedding-4B)。

  1. 克隆并安装:

    git clone https://github.com/AgenticOrgLab/ExecOrchestra.git
    cd ExecOrchestra/execorchestra
    conda create -n execorchestra python=3.11 -y
    conda activate execorchestra
    python -m pip install torch==2.11.0 --index-url https://download.pytorch.org/whl/cpu
    python -m pip install -r requirements.txt
    python -m scripts.prepare_release init
    test -f .env || cp .env.example .env
    
  2. 构建 Docker 运行时:

    docker build -f sgar_mvp/docker/Dockerfile.runtime -t sgar-runtime:rc1 .
    python -m sgar_mvp.scripts.seal_rc1_runtime
    
  3. 准备嵌入服务。本地部署时另建一个环境,安装 requirements-embedding.txt,再用 python -m scripts.download_embedding 下载固定版本的模型和 tokenizer。也可以改用已有的嵌入服务,但必须使用相同的 Qwen3-Embedding-4B 版本并返回归一化的 2,560 维向量;此时只下载 tokenizer(--tokenizer-only),并修改 sgar_mvp/config/embedding_release.json 中的 runtime.api_endpoint_url 和 runtime.api_model_id。

  4. 在 .env 中填入自己的 LLM_BASE_URL、LLM_API_KEY 和 SGAR_EMBEDDING_API_KEY,然后加载到 shell(set -a; source .env; set +a)。

  5. 若使用本地嵌入服务,先在第二个终端启动它(python -m scripts.embedding_server,默认地址 http://127.0.0.1:8001/v1/embeddings),再准备资源:

    python -m scripts.prepare_release all --allow-unavailable
    

    该命令依次检查模型、控制角色、工具和 Agent,建立资源索引并校验配置;过程中会实际请求 API 和工具,可能产生费用。

  6. 把任务要求写入一个 UTF-8 文本文件,放进输入目录,然后运行:

    bash scripts/run.sh \
      --query-file "<task-file>" \
      --public-input-root "<input-directory>" \
      --run-dir "<new-run-directory>"
    

    运行状态看 run_manifest.json,交付文件路径看 delivery_manifest.json 中的 delivery_locator。项目自带 XBench DeepSearch 示例,可用 bash scripts/run_xbench_demo.sh 运行,示例说明单独给出。遇到安装问题可查安装指南、环境配置和模型配置。

使用约束

  • 文档只说明支持 Linux x86-64,安装步骤固定使用 CPU 版 PyTorch 2.11.0,并要求 Conda 和 Docker。
  • 必须自备可用的 LLM 接口和嵌入服务,嵌入端点需与配置的模型版本和向量维度一致。
  • 工具默认不能联网,需要在配置好搜索或浏览器服务后,用 --network-policy declared 为单次运行开启。
  • 资源准备会访问在线 API 并可能产生费用;--allow-unavailable 允许跳过不可用候选,不加则要求全部可用。
  • 仓库未声明许可证,二次分发和商业使用条款不明确。

HotRepo 点评

项目于 2026-11-16 进入 HotRepo 新项目 Python 榜,约 24 小时窗口内新增 106 Star;2026-11-15 至 2026-11-16 的采样中,Star 数从 108 升至 214。除此之外,站内记录中没有 GitHub 日榜名次,也没有讨论帖,项目主要配套发布的是一份多智能体轨迹数据集 CoEvoke。技术上值得关注的是三种执行模式:它让计划只在需要生成或判断的地方调用模型,其余交给工具;安装文档写得比较具体,但许可证缺失,若用于产品需要先确认授权条件。

本文由 AI 根据项目 README 生成,更新于 ,以项目官方文档为准。