langroid

用多智能体编程，轻松编排 LLM 完成复杂任务

Langroid 是一个面向大型语言模型（LLM）的多智能体编程框架，旨在让开发者通过简洁的 Python 代码编排多个智能体协作，完成复杂任务。它解决了直接调用 LLM API 时缺乏结构化流程、难以管理多步骤任务和上下文的问题。核心能力包括：基于智能体（Agent）的消息传递机制，支持任务分解与协作；内置工具/函数调用（Function Calling）支持，让 LLM 能调用外部工具；提供检索增强生成（RAG）模块，便于接入向量数据库；支持多种模型（如 GPT、Llama）和本地部署。其设计强调可组合性，开发者可以像搭积木一样构建智能体网络，适用于构建对话系统、自动化工作流、知识问答等场景。

开源 free 对话助手

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 4105

维护状态活跃

是否开源是

定价模式 free

项目数据

分类对话助手

开发团队langroid

所属国家

官网地址https://langroid.github.io/langroid

GitHubhttps://github.com/langroid/langroid

定价模式free

价格说明开源框架，MIT许可证，完全免费，需自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agents,ai,chatgpt,function-calling,gpt,gpt-4,gpt4,information-retrieval,language-model,llama,llm,llm-agent,llm-framework,local-llm,multi-agent-systems,openai-api,rag,retrieval-augmented-generation

GitHub 星标★ 4105

30天Star增速

HF 下载量

上线时间2023-04-16 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 10 分钟部署方式：库/依赖 7 步

环境要求

Python 3.11 或更高版本
pip 包管理工具
建议使用 Python 虚拟环境
一个 OpenAI API Key（或其它兼容 LLM 的密钥）

安装与启动步骤

1克隆仓库(可选)

若想直接使用仓库内的 .env-template 模板文件，需要先把项目代码克隆到本地。
```
git clone https://github.com/langroid/langroid.git
cd langroid
```
2安装 langroid

在虚拟环境中用 pip 安装精简版核心包，可使用 OpenAI 的 Embeddings 与对话模型。
```
pip install langroid
```
3安装可选扩展

按需安装额外依赖：文档解析用 doc-chat，数据库问答用 db，也可逗号组合或一次性装 all。
```
pip install "langroid[doc-chat,db]"
```
4复制环境变量模板

在仓库根目录把 .env-template 复制为 .env，之后所有密钥都写在这个文件里。
```
cp .env-template .env
```
5填入 API Key

编辑 .env，把 OPENAI_API_KEY 换成自己的真实密钥，值不要加引号；组织 ID 可选。
```
OPENAI_API_KEY=sk-xxxxxxxx
OPENAI_ORGANIZATION=
```
6或用 export 临时设置

不想用 .env 文件时，可在 shell 里导出环境变量，但每开一个新终端都要重新执行。
```
export OPENAI_API_KEY=sk-xxxxxxxx
```
7验证安装

导入 langroid 包，若无报错说明核心依赖已安装成功，可以开始写多智能体代码。
```
python -c "import langroid as lr; print('ok')"
```

关键配置

配置项	必填	说明	示例
`OPENAI_API_KEY`	是	OpenAI API 密钥，入门使用最基本的一项配置	`sk-xxxxxxxx`
`OPENAI_ORGANIZATION`	否	OpenAI 组织 ID，部分场景下必填	`org-xxxxxxxx`
`CACHE_TYPE`	否	LLM 响应缓存后端，默认为 redis，可改为 momento	`redis`
`MOMENTO_AUTH_TOKEN`	否	使用 Momento 无服务器缓存时的鉴权令牌	`your-momento-token`
`QDRANT_API_URL`	否	Qdrant 云向量库地址，需带端口号	`https://your.url.here:6333`
`GOOGLE_API_KEY`	否	启用 GoogleSearchTool 工具调用时需要的搜索密钥	`your-key`

如何确认成功

执行 python -c "import langroid as lr" 无报错即安装成功；再运行含 API Key 的示例能正常收到模型回复。

常见问题

Q：没有 OpenAI API Key 能用吗？

A：可以。Langroid 支持几乎任何 LLM，包括本地模型和其它厂商模型，可参考官方文档中的本地模型与非 OpenAI 模型指南。

Q：安装时报 mysqlclient 相关错误怎么办？

A：先执行 pip uninstall mysqlclient，再执行 pip install mysqlclient 重新安装即可。

Q：用 SQL Chat 连接 PostgreSQL 报错？

A：先装 PostgreSQL 开发库（Ubuntu 用 sudo apt-get install libpq-dev，Mac 用 brew install postgresql），再 pip install langroid[postgres]；仍报错则试 pip install psycopg2-binary。

Q：该装哪个 extra？

A：只做基础对话装 langroid 即可；解析文档加 doc-chat，问数据库加 db，可逗号组合；all 会装全部依赖但体积更大、启动更慢。

Q：Windows 上 Milvus 相关配置有什么限制？

A：Milvus Lite 在 Windows 上不可用，Windows 用户需把 MILVUS_URI 指向 Milvus 服务或 Zilliz Cloud 端点。

注意事项

必须使用 Python 3.11+，官方建议在虚拟环境中安装。
API Key 的值不要加引号，与他人共享 .env 前注意移除密钥。
Qdrant、Milvus、Redis、Momento、GitHub、Google 等变量均为可选，仅在使用对应功能时才需要。
安装 all 扩展会显著增大体积并延长加载与启动时间。

核心亮点

多智能体协作模型，任务分解自然，适合复杂流程
内置 RAG 和工具调用支持，减少集成成本
模型无关，可切换 GPT、Llama 等，灵活适配

不足之处

文档/社区待观察
学习曲线较陡，概念抽象，上手需时间

适用场景

构建多步骤对话助手（如客服、研究助手）
自动化工作流（如报告生成、数据分析）
知识库问答系统（结合 RAG）

替代项目

AutoGen、LangChain、CrewAI

项目介绍

langroid 是开发框架领域的开源项目，由 langroid 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（4,105）位列前 30%，在开发框架分类的 795 个项目里位列前 13%。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：构建多步骤对话助手（如客服、研究助手）。同类可对比的替代方案包括 AutoGen、LangChain、CrewAI。

上一篇：llms-tools

下一篇：bellman