300+ 个 AI Agent 装进一页：这份免费清单到底能省你多少事

所有人在做 agent，但没人跟得上已经有什么。于是有人在重造一年前就发布的东西，或者为一个开源平替已经有四万颗星的工具付费。

awesome-ai-agents 想解决的就是这件事：305 个项目，按它们「实际做什么」分门别类，一页看完，不注册、不付费、不订阅。

这份清单由 Slava Kurilyak 维护，MIT 协议，可以免费读、免费 fork、也可以把数据商用（署名即可）。本文译自 kiosa（@thegreatest_sv）的整理。下面是我读完之后的取舍：先说最值得先装的五个，再按类目各给一个选择，最后是几条使用方法和核对结果。

一、它到底是什么

想象有人花两年时间，把每一个「AI Agent」发布都打开、把 README 读完、判断它属于哪个筐，再写一句诚实的说明。然后把所有东西按字母序铺在一页上，附上星数。

就是这些。没有注册墙，没有付费层，也没有邮件订阅才能看的门。

价值不在任何单一条目，而在类目存在这件事上。清单里有 24 个类目，原文表述是「约 25 个」。你真正会问的问题从来不是「有哪些 AI Agent 工具」，而是具体的：这个该怎么评测？怎么在本地跑？怎么让它上网？

原文作者说他就是把清单过了一遍，把值得花时间的挑出来，剩下的留着自己翻。

二、最值得先装的五个

如果只带走一样东西，就带走这五个。星数来自原文（当时快照），下面第七节会给出 2026-11-06 核对后的实际数字。

1. Ollama（原文约 148,000 ⭐，开源）：在自己机器上跑大模型，macOS、Windows、Linux、Docker 一条命令搞定。它是整张清单里最省钱的一环——本地跑的东西每 token 都是 0 成本，数据也不出门。
2. LangChain（约 112,000 ⭐，开源）：构建上下文感知 LLM 应用的默认框架，集成库极大（Anthropic、OpenAI、AWS 以及数百个其他服务），模板和开发工具齐全。它不是最新的选项，但你碰到问题时，它是「已经有答案」最多的那个。
3. Open Interpreter（约 60,000 ⭐，开源）：让模型真的在你机器上执行代码，还能接管键盘和鼠标。它和一个只会描述修复方案、却不会动手的助手，是两回事——没有托管沙箱的限制，也没有包管理的约束。⚠️ 权限很大，请在坏了也不心疼的环境里跑。
4. AutoGen（微软，约 48,000 ⭐，开源）：正经的多智能体框架，多个 agent 互相通信来完成一个任务，角色可定制，文档质量到位。如果不想一上来就写代码，AutoGen Studio 提供可视化界面。
5. Aider（约 36,000 ⭐，开源）：终端里的 AI 结对编程。它直接编辑你本地 git 仓库里的文件，每次修改自动提交，所以每一次 AI 改动都是一个可回滚、可审查的 commit。这是「不想换掉整套工作流」时最便宜的 agentic 编程方案。

三、每个类目挑一个

知道了技术栈的形状，剩下的就好办了。下面是清单里各个位置上的选择。

• ⚙️ 编排框架 → crewAI（约 35,000 ⭐，开源）：角色扮演式的自主 agent 协作完成任务，是多智能体最友好的入口。备选 CAMEL（约 13,500 ⭐，开源），适合研究 agent 行为而不是交付产品。
• 🤖 拿来就能跑的成品 → AutoGPT（约 177,000 ⭐，开源）：整张清单里星数最高的项目，一个完整的 agent 构建与运行框架，带 UI、CLI 和自己的评测组件。
• 💻 编码 agent → Continue（约 28,000 ⭐，开源，Apache 2.0）：VS Code 和 JetBrains 里的自动驾驶。跟 Aider 搭配正好：编辑器里用 Continue，终端里用 Aider。
• 🧠 记忆 → mem0（约 37,500 ⭐，开源）：记忆层，让 agent 跨会话记得上下文，不必每次重新入职。它修的是人们对 agent 最常见的那个抱怨。
• 📊 评测与可观测性 → AgentOps（约 4,700 ⭐，开源）做追踪、回放分析和调试，看 agent 到底干了什么；需要跨环境评测「模型当 agent 用」的表现，看 AgentBench（约 2,700 ⭐，开源）。⚠️ 大多数 agent 项目悄悄死掉，就是因为跳过了这一层——看不见的东西改不了。
• 🚫💻 无代码/可视化 → Flowise（约 42,000 ⭐，开源）：拖拽搭 LLM 工作流，Docker 就绪，不写框架的情况下从想法到原型的最近路径。
• 🔒 安全执行 → E2B（约 9,100 ⭐，开源）：为 AI agent 做的云沙箱，生成的代码在隔离环境里跑，而不是在你笔记本上跑。
• 🔧 工具/函数调用 → Composio（商业）：把 90 多个外部工具接进 agent，鉴权由它托管，省得你为每个 API 手搓集成。
• 🖥️ UI 层 → Vercel AI SDK（约 16,000 ⭐，开源）：做流式对话界面的标准库，主流模型厂商都有适配器。
• 🔄 Prompt 与流水线优化 → DSPy（斯坦福，约 26,800 ⭐，开源）：不手调 prompt，而是声明你要什么，它编译出可自我改进的流水线。prompt 工程在这里变成了真的工程。
• 🏢 多智能体「软件公司」 → MetaGPT（约 57,500 ⭐，开源）：给不同 agent 分配不同角色一起造软件，是「多智能体到底意味着什么」最好的演示。
• 🔐 隐私优先的文档问答 → PrivateGPT（约 56,000 ⭐，开源）：用 LLM 查自己的文档，完全可离线，数据不能出门时的首选。
• 🗣️ 语音栈 → ElevenLabs 做语音合成，Deepgram 做低延迟转写（两者都是商业服务）。加起来就是语音 agent 需要的大半。

这是 305 个里的十几个，剩下那约 290 个不是凑数，只是更窄——等你知道自己缺什么了，自然会去找。仓库在这里。

四、这份清单适合谁，不适合谁

适合你，如果：

• 在做 agent 相关的东西，想先看看已经有什么，再决定要不要自己写
• 只需要某一个具体零件——评测器、浏览器层、语音供应商——不想读四十篇博客
• 想快速了解地形（光读类目列表就能看出 agent 系统是怎么拼起来的）
• 在写作、研究或投资这个领域，需要一张地图而不是一堆热度
• 想要结构化数据（.json / .yaml），用来搭自己的看板、newsletter 或内部工具

不适合你，如果你想要的是「哪个最好」的结论、生产就绪信号，或者最新的基准分数。这是地图，不是评测站。用它找候选，然后自己去验证。

五、怎么真的用起来

第一步：别从头读到尾。 这是最容易犯的错。打开仓库，从你需要的类目进，别按字母序。

第二步：搜问题，不搜工具名。 Ctrl/Cmd+F 搜类目标签，比如 Evaluation Frameworks、Local Inference、Web Browsing、Function Calling、Voice Providers。省时间就省在这一步——一屏之内看到这个小众方向的所有选项，还带星数看采用度。

第三步：先看两个徽标再看描述。 每条都标了 Open Source 是/否和星数。这是第一层过滤：如果你需要自托管，看到 No 就划走。

第四步：看星数旁边那个日期。 ⚠️ 很多条目写的是「Updated: 2025-07-30」这种时间。在决定之前，打开真正的 GitHub 链接，核对当前星数、最后提交时间和未关闭的 issue。一个项目可能在一年里悄无声息。

第五步：要建东西就去拿原始数据。 别去爬 README，直接拿结构化文件：

git clone https://github.com/slavakurilyak/awesome-ai-agents
cd awesome-ai-agents
ls *.json *.yaml

仓库里放着三份机器可读的生态数据：awesome-agents.json、awesome-agents.yaml、awesome-categories.yaml。

这是一整套免费的生态数据集，够撑起一个对比工具、一份研究文档，或者你自己的精选短名单。

第六步：缺什么就补回去。 仓库有开放的 PR 队列和 issue 区。加一个自己的项目、或者修正一条过期条目，是小工具能拿到的最便宜的曝光。

六、大多数人错过的那一节

把类目列表慢慢滚一遍，你会发现一件比任何单条链接都值钱的事。

Agent 不是一个产品，是一个栈：模型供应商、编排框架、接外部世界的工具/函数调用、让它在里面动作的浏览器或终端、记忆、结构化输出、护栏、能看清发生了什么的观测层，以及知道它到底成没成的评测层。

清单基本上就是这个栈，只是被写成了标题。

所以如果你在搭建、但说不清自己缺哪一块——读类目，别读项目。你架构里的那个缺口，通常在这里有个对应标题，下面挂着五个选项。

七、我核了一遍：三类偏差

原文的数据是 2026 年 7 月的快照。发布前我按 GitHub API 逐个核对了一遍（2026-11-06），三类偏差值得先说清楚。

第一类：星数普遍已经涨了一截。 有的涨幅很大，用原文数字做选型判断会失真。

项目	原文	2026-11-06 实测
Ollama	~148,000	186,013
LangChain	~112,000	149,090
AutoGPT	~177,000	187,914
mem0	~37,500	68,468
DSPy	~26,800	38,942
Vercel AI SDK	~16,000	27,756
E2B	~9,100	14,724
Aider	~36,000	49,966

第二类：有四个链接的仓库换了地址。 GitHub 会做 301 跳转，点进去还能到，但如果你把地址写进脚本或文档，得换成新的：

• Open Interpreter：OpenInterpreter/open-interpreter → openinterpreter/openinterpreter（68,800 ⭐，自述已经变成「面向开放模型的编码 agent」，不只是执行器）
• crewAI：joaomdmoura/crewai → crewAIInc/crewAI（60,540 ⭐）
• MetaGPT：geekan/MetaGPT → FoundationAgents/MetaGPT（71,183 ⭐，最后推送 2026-01-21，近十个月没动静）
• Aider：paul-gauthier/aider → Aider-AI/aider

第三类：有一个已经归档，有一个虽然没标归档但已在交接。

• Flowise：仓库已归档（2026-08-13，55,553 ⭐）。想用它做可视化原型，得先确认你们打算长期维护哪一支。
• AutoGen：API 的 archived 字段当前是 false，但仓库 README 顶上挂着 Archived 徽标，指向继任项目 microsoft/agent-framework。新项目别从 AutoGen 起手。

顺便核对清单本身：仓库 MIT 协议、2,888 ⭐、最后推送 2026-10-04，awesome-agents.json 里确实是 305 个项目，项目自带类目名 24 个，其中 301 条带星数记录。所以「300+ 项目」和「约 25 个类目」这两个说法站得住，站不住的是那些星数。

八、一条诚实的提醒

这是份精选清单，而精选清单只有一个失效模式：会变旧。有些条目已经是快速变化领域的快照，你点进去时可能已经死了几个。这不是项目的错，是这个格式的天性——维护者对更新日期是透明的。

拿它做它最擅长的事：定位。它会告诉你生态的形状、哪些类目重要、每个类目里的领跑选项。它不会告诉你哪个工具适合你的场景。

那部分仍然是你自己的活，而且一直都会是。