项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2362
使用教程
环境要求
- Go 1.24+(手动搭建后端时需要)
- Node.js 20+
- pnpm 包管理器
- Docker(本地全栈和容器运行需要)
- 一台可联网的 Linux/macOS/Windows 机器,Runner 提供 deb、rpm、Windows 等安装方式
安装与启动步骤
-
1注册控制台账号
直接使用 agentsmesh.ai 托管服务:注册后连接你的 Git 提供商,并准备自有 AI API 密钥(BYOK),无需自建整套后端。
-
2安装 Runner
在每一台要纳入集群的机器上执行。Runner 是轻量守护进程,代理在本地执行,代码始终留在你自己的基础设施上。
curl -fsSL https://agentsmesh.ai/install.sh | sh -
3启动 Runner
前台启动 Runner 让它上线,之后即可从 Web / 桌面 / iOS 任意控制台创建 AgentPod 并下发任务。
agentsmesh-runner run -
4安装为系统服务
可选步骤:把 Runner 注册成系统服务并启动,实现常驻在线,适合需要长期运行的机器。
agentsmesh-runner service install agentsmesh-runner service start -
5克隆项目仓库
如果要在本地跑完整技术栈,先克隆 AgentsMesh 源码到本机。
git clone https://github.com/AgentsMesh/AgentsMesh.git -
6一键启动本地栈
进入 deploy/dev 执行 dev.sh,会自动拉起 PostgreSQL、Redis、MinIO、后端、Relay、Traefik 以及带热更新前端。
cd AgentsMesh/deploy/dev ./dev.sh -
7查看后端日志
手动模式下可用该命令持续输出后端容器日志,确认服务是否正常启动、有无报错。
docker compose logs -f backend -
8登录本地控制台
浏览器打开 Web 控制台 http://localhost:3000,用测试账号登录;API 地址为 http://localhost:80/api。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
deploy/dev/.env | 否 | 记录本地全栈各服务的实际端口,端口按 worktree 动态分配 | (打开文件查看实际端口值) |
AI API Key(BYOK) | 是 | 自带模型密钥,在控制台配置后代理才能调用底层大模型 | sk-xxxxxxxx |
如何确认成功
浏览器能打开 Web 控制台 http://localhost:3000,并用 dev@agentsmesh.local / devpass123 登录成功,即表示本地全栈已启动。
常见问题
Q:本地全栈的端口到底是多少?
A:端口按 worktree 动态分配,不是固定值,请查看 deploy/dev/.env 里记录的实际端口,不要照搬文档示例。
Q:必须自己准备 AI API Key 吗?
A:是。AgentsMesh 采用 BYOK 模式,需要自带 AI 模型密钥,好处是用量没有上限、成本完全可控。
Q:Runner 和本地全栈有什么区别?
A:Runner 是跑在你自己机器上的轻量守护进程,负责在本地执行 AI 代理;本地全栈则是把控制台、后端等整套服务都在本机跑起来。
Q:支持哪些 AI 编码工具?
A:兼容 Aider、Claude Code、Codex CLI、Gemini CLI 等主流 AI 编码工具,底层模型可自由选择。
注意事项
- 最快上手方式是直接使用 agentsmesh.ai 托管服务,只需安装 Runner,不必自建整套后端。
- 端口是动态分配的,部署前先看 deploy/dev/.env,不要把 3000 或 80 写死在自有配置里。
- dev@agentsmesh.local 与 admin@agentsmesh.local 等测试账号仅供本地开发环境使用。
- Runner 还提供 deb、rpm、Windows 等更多安装方式,详见仓库 runner/ 目录下的 README。
核心亮点
- 支持并行运行数百个AI编码代理,大幅提升任务吞吐量
- 统一控制台集中调度、监控和干预,管理成本低
- 兼容Aider、Claude Code、Codex CLI等主流工具,生态开放
不足之处
- 项目较新,文档和社区生态尚待完善
- 大规模代理运行对机器资源要求较高,配置门槛不低
适用场景
- 大型代码库并行重构或批量修复
- 多项目同时开发,需要多个AI代理协同
- 自动化代码审查和测试生成流水线
替代项目
CrewAI、AutoGen、LangGraph
上一篇:SkillClaw
同类项目推荐
papersgpt-for-zotero
开源
在 Zotero 里直接对话 AI,读文献效率翻倍
Professional AI research tool for Zotero: chat with PDFs, whole-library search, Lite···
brain
开源
给 AI 编码代理装上长期记忆,跨会话不忘事
Git-backed long-term memory for AI coding agents
openai-agents-python
开源
用 OpenAI 官方框架,快速编排多智能体协作,搞定复杂任务。
A lightweight, powerful framework for multi-agent workflows
skill-based-architecture
开源
一键提炼代码库经验,让AI代理更懂你的项目
A meta-skill that produces skills. Point it at any codebase and it distills the proj···
VCPToolBox
开源
给大模型装上永久记忆和工具手,变身全能智能体
VCP 部署在 AI 模型 API 与前端应用之间,是面向AGI OS开发和探索的工业级基建示范项目。通···
brightdata-mcp
开源
让 AI 轻松获取实时网页数据,无需自己写爬虫
A powerful Model Context Protocol (MCP) server that provides an all-in-one solution ···
OpenRoom
开源
用聊天控制整个桌面,AI 帮你操作所有应用
A browser-based desktop where AI Agent operates every app through natural language.
comfy-mcp
开源
让 AI 智能体直接驱动本地 ComfyUI 出图
Local MCP server for ComfyUI — run your local ComfyUI from AI agents
gemini-kit
开源
装进 Gemini CLI,自动规划、测试、审查,编码快 10 倍
19 AI Agents + 44 Commands for Gemini CLI - Code 10x faster with auto planning, test···
