看到"AI开会辩论"这个概念时，我第一反应是：这怎么实现？
直到翻完BettaFish的源码，才发现原来不用LangChain、不用AutoGPT，纯Python也能搞定多Agent协作。这个项目在GitHub上已经拿到14.2k星标，代码全开源。
项目功能介绍
BettaFish（中文名"微舆"）是个舆情分析工具，但它的技术架构适用范围更广。
主要能力：
- 自动采集微博、小红书、抖音等30多个平台的数据
- 分析海量用户评论，输出专业分析报告
- 处理视频、图片等多种格式的内容
- 支持接入企业内部数据库做定制分析
使用方式很简单，在对话框里输入分析需求，系统会自动完成数据抓取、内容分析、报告生成这一整套流程。
技术实现方案
四个Agent的分工设计
项目里有4个专门的Agent，各司其职：
- QueryAgent：负责在国内外网页上搜索信息
- MediaAgent：负责解析视频、图片这些多媒体内容
- InsightAgent：负责从数据库里挖掘数据
- ReportAgent：负责把分析结果整理成报告
每个Agent都有自己的工具库和处理逻辑，就像团队里不同岗位的人。
"论坛式"协作机制
这是整个项目最有意思的设计。
一般的多Agent系统，要么让Agent按顺序执行任务，要么简单投个票。BettaFish用了个"论坛讨论"的思路：
各Agent同时开始研究
↓
ForumEngine（相当于主持人）总结大家的发言
↓
各Agent看到其他人的观点后，调整自己的研究方向
↓
这样循环几轮，直到得出结论
这种方式能避免单个AI模型的思维盲区，通过"讨论"让结果更全面。
代码结构设计
每个Engine的目录组织得很清楚：
InsightEngine/
├── agent.py # 核心逻辑
├── nodes/ # 处理流程的各个节点
├── tools/ # 这个Agent专用的工具
├── llms/ # 调用大模型的接口
└── prompts/ # 提示词模板
想把它改成金融分析系统？主要改两个地方：tools/里的API配置，prompts/里的提示词。其他代码基本不用动。
核心技术细节
状态机处理流程
每个Agent内部用状态机来控制流程，通过nodes/目录里的节点来定义处理步骤：
搜索节点 → 总结节点 → 格式化节点 → 输出结果
这样设计的好处是流程清晰，出问题容易定位。
多个模型配合工作
项目不是只靠大语言模型，还整合了：
- 专门训练的情感分析模型
- Qwen做的关键词优化工具
- 一些统计分析模型
多个模型一起工作，分析质量更稳定。
数据采集系统
MindSpider这个模块负责从30多个社交平台抓数据，功能包括：
适合什么人学习
AI应用开发者
可以学到怎么从零搭建多Agent系统，了解Agent之间怎么协作。
后端开发工程师
能看到状态机模式在复杂业务流程中的实际应用，还有大模型工程化的实践经验。
数据分析从业者
了解舆情分析系统的技术实现，学习多模态数据的处理方法。
部署使用方法
项目提供了Docker部署方案：
git clone https://github.com/666ghj/BettaFish
cd BettaFish
docker-compose up
配置好大模型的API Key，打开Web界面就能用了。
使用注意事项
项目优势：
- 代码写得比较清楚，适合学习研究
- 架构设计通用，可以改造成其他领域的应用
- 工程化做得完整，可以直接用在实际项目里
需要注意的地方：
- 开源协议是GPL-2.0，商业使用要开源代码
- 多个Agent并行调用大模型，API费用会比较高
- 数据爬取要注意遵守各平台的使用规则
项目总结
BettaFish用14.2k的星标数量证明了：不依赖现成的Agent框架，也能做出高质量的多Agent系统。
它的"论坛讨论"协作机制提供了一个新思路，模块化的代码结构让二次开发变得容易。不管是学习AI应用开发，还是找舆情分析的解决方案，这个项目都值得研究。
《云栈开源日记》持续分享GitHub优质开源项目，欢迎关注。
项目地址：666ghj/BettaFish
FastAPI教程：https://yunpan.plus/t/42-1-1
Python AI全栈：https://yunpan.plus/t/48-1-1
标签：#BettaFish #GitHub #多Agent系统 #AI应用开发 #舆情分析 #Python #开源项目
发表于 2025-11-5 22:41:23
|
查看: 92|
回复: 0
