阿超 > ChatDev

ChatDev

2026-02-05

ai

懂得生命真谛的人，可以使短促的生命延长。——西塞罗

ChatDev 2.0（DevAll）：零代码编排多智能体，开发“一切”的平台

当多智能体协作从“帮我写个模块”走向“帮我完成一条完整的业务链路”，你需要的就不仅是一个大模型，而是一套能把角色、工具、流程与回放串成体系的“编排平台”。OpenBMB 的 ChatDev 2.0（代号 DevAll）正是这样一款零代码的多智能体协作平台：你无需编程，只用可视化工作流与少量配置，就能快速定义角色、串联工具、执行任务，覆盖从数据可视化、3D 生成，到游戏开发、深度研究、教学视频等丰富场景。

  • 仓库：OpenBMB/ChatDev
  • 简述：ChatDev 2.0: Dev All through LLM-powered Multi-Agent Collaboration
  • 许可：Apache 2.0
  • 技术栈：后端 FastAPI + Python（uv 管理），前端 Vite + Vue 3，工作流与运行时模块化组织

本文根据项目 README 与文档梳理 ChatDev 2.0 的定位、功能与上手方法，并提供可直接复制的命令与配置示例。

ChatDev 从 1.0 到 2.0：从“虚拟软件公司”到“零代码编排平台”

  • ChatDev 1.0（Legacy）：以“虚拟软件公司”范式自动化软件生命周期（如 CEO/CTO/程序员等角色参与设计、编码、测试与文档），强调沟通式协作与增量开发模式。目前保存在 chatdev1.0 分支，持续维护。
  • ChatDev 2.0（DevAll）：演化为“零代码多智能体平台”，通过简单配置即可定义智能体、绑定工具、构建工作流并执行，适用于开发之外的更多复杂场景（数据分析、3D、研究、教学等）。

项目在 2026 年 1 月正式发布 2.0（DevAll），同时保留了多智能体协作的研究成果（如 MacNet、Puppeteer 式演进编排等），并提供了丰富的示例工作流。

快速上手：环境、安装与运行

先准备运行环境：

  • OS：macOS / Linux / WSL / Windows
  • Python：3.12+
  • Node.js：18+
  • 包管理：uv（Python 依赖）

安装依赖与启动服务：

1
2
3
4
5
6
7
8
9
10
11
12
13
# 后端依赖（Python，uv 管理）
uv sync

# 前端依赖（Vite + Vue 3）
cd frontend && npm install

# 启动后端（项目根目录）
uv run python server_main.py --port 6400 --reload

# 启动前端（另一个终端）
cd frontend
VITE_API_BASE_URL=http://localhost:6400 npm run dev
# Web 控制台地址：http://localhost:5173

提示：

  • 如果前端无法连接后端，可能是默认端口被占用。后端改成 --port 6401，前端对应设置 VITE_API_BASE_URL=http://localhost:6401 即可。

配置模型密钥：

  • 在项目根创建 .env 文件，设置 API_KEY、BASE_URL 为你的 LLM 服务商信息
  • YAML 配置里可使用 ${VAR} 引用（例如 ${API_KEY}）

Web Console 的体验：可视化工作流 + 实时日志 + 人在回路

DevAll 的网页端提供三大核心模块：

  • Tutorial：内置的图文教程与文档，帮助你快速了解平台与工作流的用法
  • Workflow：可视化画布，用拖拽与参数配置定义多智能体系统，设置节点、上下文流与工具绑定
  • Launch：启动与监控工作流，实时查看日志与中间产物，并进行人类反馈（Human-in-the-loop）

这样的体验让“构建—编排—执行—观察—反馈”成为统一的闭环。

用 Python SDK 做自动化：批处理与脚本化执行

除了 Web Console，DevAll 也提供轻量 Python SDK，以脚本方式执行工作流、读取结果。

1
2
3
4
5
6
7
8
9
10
11
12
from runtime.sdk import run_workflow

# Execute a workflow and get the final node message
result = run_workflow(
    yaml_file="yaml_instance/demo.yaml",
    task_prompt="Summarize the attached document in one sentence.",
    attachments=["/path/to/document.pdf"],
    variables={"API_KEY": "sk-xxxx"} # Override .env variables if needed
)

if result.final_message:
    print(f"Output: {result.final_message.text_content()}")

这非常适合做批处理：把输入文件批量喂给工作流，自动获取最终节点的消息与产物。

Tooling 模块：Function vs MCP，两种工具绑定方式

DevAll 的工具绑定支持两种模式：

  • Function Tooling：调用项目内的 Python 函数（自动生成 JSON Schema，支持上下文注入）
  • MCP Tooling：连接外部 MCP 工具生态（如 FastMCP、Claude Desktop 等），HTTP 或本地 stdio 两种模式

典型的工具配置片段如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
nodes:
  - id: solve
    type: agent
    config:
      provider: openai
      model: gpt-4o-mini
      prompt_template: solver
      tooling:
        type: function
        config:
          tools:
            - name: describe_available_files
            - name: load_file
          auto_load: true
          timeout: 20

对比总结（摘自文档）：

  • 部署：Function 为后端同进程本地函数；MCP 可远程 HTTP 或本地进程（stdio）
  • Schema：Function 来自类型注解与 ParamMeta；MCP 来自服务端 JSON Schema
  • 上下文：Function 自动注入 _context（附件/工作区）；MCP 依赖服务实现
  • 典型用途：Function 适合文件 I/O、本地脚本、内部 API；MCP 适合浏览器、数据库代理等第三方工具

安全提示：

  • Function 在后端进程内执行，应遵循最小权限原则，避免执行未验证的命令
  • MCP 的本地模式会拉起外部进程，请约束命令与环境变量，使用超时与日志判断服务就绪；涉及附件或工作区变更的工具，要遵循附件生命周期避免泄漏

所有可运行的工作流配置存放在 yaml_instance/。官方提供了多个类目与示例，覆盖常见需求：

  • 数据可视化：data_visualization_basic.yaml、data_visualization_enhanced.yaml
  • 3D 生成（需 Blender 与 blender-mcp）：blender_3d_builder_simple.yaml、blender_3d_builder_hub.yaml、blender_scientific_illustration.yaml
  • 游戏开发：GameDev_v1.yaml、ChatDev_v1.yaml
  • 深度研究：deep_research_v1.yaml
  • 教学视频（需 uv add manim）：teach_video.yaml

使用方法（在 Launch 标签页）：

  1. Select：选择工作流
  2. Upload：上传必要文件（如数据分析的 .csv）
  3. Prompt：写下你的需求（如“可视化销售趋势”“设计一个贪吃蛇游戏”）

工程结构与二次开发：模块化的可扩展性

如果你要进行二次开发或扩展新能力（节点、工具或提供商），项目结构清晰：

  • Core Systems：server/（FastAPI 后端），runtime/（智能体抽象与工具执行）
  • Orchestration：workflow/（多智能体逻辑），entity/（配置��动）
  • Frontend：frontend/（Vue 3 Web Console）
  • Extensibility：functions/（自定义 Python 工具）

参考文档（用户指南与模块说明），可按需添加新节点或扩展工具，形成“场景化工作流”的模板库。

与代理生态的关联：研究成果与编排方法

ChatDev 团队在多智能体协作方面提供了多个研究与实践成果：

  • MacNet：用有向无环图组织语言交互，实现千智能体以内的可扩展协作（macnet 分支）
  • Puppeteer 式演进编排：通过可学习的中心编排器优化多智能体协作路径（puppeteer 分支）
  • 经验共学（ECL/IER）：在系列任务中积累与传播“捷径经验”，提升泛化与效率

这些方法逐步融入平台与分支，供不同组织结构与任务类型使用与复用。

实战建议：把 DevAll 变成你的“多智能体工作台”

  • 从“示例工作流”起步：挑一个最贴近需求的模板（如数据可视化或深度研究），在 Launch 中跑通
  • 逐步“定制工作流”：在 Workflow 画布里替换模型与工具，加入你自己的 Function 或 MCP 工具
  • 用 SDK 做批处理：把常见任务脚本化，利用 run_workflow 做批量输入/输出
  • 规范你的 .env 与变量引用：把密钥与基础配置集中管理，YAML 中统一用 ${VAR} 引用
  • 工具安全与附件生命周期：修改工作区的工具要遵循生命周期文档，避免产物泄漏与状态错乱

结语：让“能协作的智能体”真正跑起来

ChatDev 2.0 把多智能体从“概念与论文”落到“可视化、可编排、可复用”的平台形态。它不要求你写复杂代码，也不把协作模式绑死；你可以通过工作流画布、工具绑定与 SDK，把具体业务流程交给智能体们协作完成，再由你在 Launch 中进行监督与微调。
无论你是做数据分析、科研、生成式设计，还是希望以更低成本实现“端到端的自动化链路”，DevAll 都是一块强有力的基座。

  • 仓库与文档：OpenBMB/ChatDev
  • 论文与分支：MacNet、Puppeteer 等研究方向已有分支与示例
  • 工作流模板：yaml_instance/ 中的各类场景
  • 平台入口：后端与前端启动后，Web Console 即可操作

试着用一个你熟悉的小场景跑起来，感受一下“零代码多智能体编排”的爽感。