用任意模型和视频源，低延迟构建语音视觉智能体。
Vision-Agents 是 Stream 推出的开源框架，用于快速构建语音与视觉智能体。它解决了开发者需要集成多种模型和视频提供商、并实现低延迟实时交互的痛点。核心能力包括：支持任意模型（如 GPT-4o、Claude）和视频服务（如 Twilio、Zoom）的即插即用，提供统一的 Agent 抽象和工具调用机制，并借助 Stream 的边缘网络将交互延迟降至极低。项目内置了语音识别（STT）、语音合成（TTS）和视觉理解模块，可轻松构建语音助手、视频分析机器人等。其 Python 接口简洁，文档示例丰富，适合从原型到生产的快速落地。
1安装核心包
在已初始化的 Python/uv 项目中把 vision-agents 作为依赖加入，README 给出的第一步就是这条命令。
uv add vision-agents2按需装集成
可选步骤。需要接入 Stream、OpenAI、ElevenLabs、Deepgram 时安装对应 extra，不需要的可以去掉。
uv add "vision-agents[getstream, openai, elevenlabs, deepgram]"3获取 Stream 凭据
到 Stream 官网免费申请 API Key，开发者每月获 333,000 participant minutes，Maker Program 还可领额外额度。
4构建首个智能体
按官方 quickstart 文档逐步创建并运行你的第一个语音/视觉智能体，README 未给出具体运行命令。
依赖安装命令无报错，且已从 Stream 获取到可用 API 凭据，即视为环境准备完成（README 未提供启动命令）。
Q：只安装 vision-agents 就能跑起来吗？
A：核心包只含基础能力，README 把带 extra 的安装标为可选步骤；要使用 Stream 视频网络或 OpenAI、ElevenLabs、Deepgram，需要按需安装对应集成。
Q：必须使用 uv 吗？
A：README 的 Getting Started 只给出了 uv add 的安装方式，未提供 pip 等其它安装命令，建议直接按 README 使用 uv。
Q：Stream 的 API Key 去哪里申请、有费用吗？
A：README 指向 Stream 官网的免费试用页面申请，开发者每月有 333,000 participant minutes，另有 Maker Program 额外额度。
Q：安装完下一步做什么？
A：按 README 指引阅读官方 quickstart 指南，用它来搭建你的第一个 Vision Agent。
LiveKit Agents、Pipecat、Vapi
Vision-Agents 是智能体领域的开源项目，由 GetStream 开发，2025 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（8,139）位列前 6%，在智能体分类的 2,499 个项目里位列前 7%。
近 44 天，它的 GitHub 星标从 8,008 增加到 8,139，净增 131。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。从国内网络环境看，可直接访问。
它主要面向的使用场景是：实时语音客服机器人，快速响应客户咨询。同类可对比的替代方案包括 LiveKit Agents、Pipecat、Vapi。
xinchao-dynamic-mind
开源
给 AI 装上疲惫和欲望，让交互更真实
独立、可自托管的 AI 动态心智状态引擎：驱动力、念头池、疲惫、睡眠与意图。
deepseek-harness
开源
把 AI 能力拆成乐高积木，拼出你的专属智能体。
DeepSeek Harness: Everything is a Plugin.
AutoGPT
开源
开箱即用的 AI 员工，交代任务就自己干完
AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mis···
EvoAgentX
开源
让 AI 智能体自己迭代变强，越用越聪明
EvoAgentX: Building a Self-Evolving Ecosystem of AI Agents