AutoGPT：把任务拆解、工具调用与记忆串成可复用 workflow
AutoGPT 用 Python 把目标拆解、工具调用和记忆串成可复用 workflow，让 agent 自主规划多步任务；
2023 年 3 月它上线时，人们拿它当"会自己上网的 ChatGPT"；三年半之后，同一个仓库里躺着的是四个产品界面、一套平台运行时、45+ 个外部平台连接器和一份双许可证文件。名字没变，东西变了。
先看它现在是什么
仓库创建于 2023-03-16，最近一次推送在 2026-10-18，187,630 stars、45,910 forks、714 个 open issues。语言是 Python。这些数字说明它早已不是"一个跑起来会自己循环的脚本"，而是一个持续演进、体量巨大的平台工程。
README 的第一句就把定位说清楚了：AI agents that finish the work。不是"帮你写 prompt"，不是"给你一个 agent 库"，而是"描述你要什么，AutoGPT 把 agent 建出来、跑起来、回报结果"。
这句话背后是一次彻底的重构。老版本的 AutoGPT 是一个单体 agent：给它一个目标，它自己拆步骤、自己调工具、自己迭代，跑完拉倒。新版本把这件事拆成了平台——有可视化编排、有调度、有运行记录、有成本视图、有市场、有托管服务。而老的实现被完整保留在 classic/ 目录下，继续以 MIT 协议发布。
所以读这个仓库，第一件要搞清楚的事是：你面对的是两个项目，不是一个。
一个仓库，两套东西
README 的 License 表格是理解全局的钥匙：
| 组件 | 许可证 | 含义 |
|---|---|---|
autogpt_platform/ | Polyform Shield | 个人与内部商业使用免费；不可作为竞争性托管服务出售 |
classic/ 及其余部分 | MIT | 宽松开源，随便用 |
这个划分不是法律细节，而是产品策略的直接体现。平台部分用 Polyform Shield，是因为 AutoGPT 自己在卖托管版；经典部分留 MIT，是因为那部分的历史包袱和社区价值不适合收紧。
对应地，文档里给了两条完全不同的上手路径。
托管平台是公开可注册的付费服务。基础设施、模型访问、凭据管理、可靠性、更新全由 AutoGPT 负责，用户不需要准备模型 API key，也不需要搭任何东西。计费方式是"订阅计划 + 按 agent 运行量计费"。
自托管是免费路径。用户自己提供基础设施和模型 API key，自己维护部署。README 在这里写得很坦白：Linux 和 macOS 的单容器发布安装器"将随下一个 appliance 版本到来"，在公开安装端点与镜像 tag 通过文档化的发布门禁之前，请走手动自托管指南。安装器的前提条件也写清楚了——需要本地已有运行中的 Docker daemon、使用 Linux 容器、架构为 amd64 或 arm64；它只拉取已发布 appliance 并按其不可变 digest 运行，不安装 Docker，也不从源码构建。Windows 用户暂时继续走手动指南。
这段话信息量很大：它承认了发布流程还没走完，而不是假装一切就绪。对想自托管的人来说，这意味着当前的现实入口是 docs.agpt.co/platform/getting-started，不是一条 curl 命令。
架构：四个界面 + 一层运行时
README 用"Four surfaces, one platform"来组织产品说明。这四个界面不是四个独立产品，而是同一套平台能力的不同入口：
| 界面 | 职责 | 面向谁 |
|---|---|---|
| AutoPilot | 用自然语言描述任务，把对话转成可运行的 agent | 不想碰编排的人 |
| Agents | 查看每个 agent、每次运行、成本、需要人工介入的动作 | 需要监督与审计的人 |
| Marketplace | 从现成 agent 起步，加入自己的库再改 | 想复用而不是从零搭的人 |
| Build | 拖拽、连线、分支、检查 block，精确控制每一步 | 需要确定性流程的人 |
把这四个界面按数据流串起来，平台的分层大致是这样：
- 表达层——AutoPilot 的自然语言对话，和 Build 的可视化画布。两者产出同一种东西：一个 agent 定义。
- 编排层——Build 里的 block 图。block 之间可以连线、分支、检查，这是"workflow"这个词在 AutoGPT 里的具体含义：不是一段代码，而是一张可检查的图。
- 连接层——45+ 个外部平台（Gmail、Google Calendar、Google Docs、Google Sheets、GitHub、Slack、Discord、Notion、HubSpot、Linear、Airtable、Jira、Salesforce、Stripe、Webflow 等）以及数百个 AI 模型。这一层负责凭据、鉴权和调用。
- 运行层——agent 的实际执行。触发方式有三种：按需、按计划、由事件触发。每次运行产生状态、成本和动作记录。
- 观测层——Agents 界面把这些运行结果暴露出来，包括需要人介入的动作。
数据怎么流转：用户在 AutoPilot 或 Build 里定义 agent → 定义落到平台上成为可复用的资产 → 运行层按触发条件执行，过程中通过连接层调用外部工具和模型 → 每次运行的产出与消耗回流到 Agents 界面 → 用户据此调整定义，或者把 agent 放进 Marketplace 供他人复用。
这个闭环里，记忆不是单独的一个模块名，而是通过"可复用的 agent 定义 + 运行历史 + 连接的外部数据源"三件事共同承载的。README 没有给出记忆子系统的技术细节，所以任何关于向量库、上下文窗口管理的具体说法都不该被安到这个项目头上。
跑起来：两条路径的实际样子
托管路径没有代码，只有入口：
https://platform.agpt.co/signup
注册后可以走交互式导览（https://platform.agpt.co/tour），拿到的是 AutoPilot、Agents、Marketplace、Build 四个界面、45+ 连接平台、数百个模型，以及按需/定时/触发三种运行方式。不需要模型 key，不需要基础设施。
自托管路径在当前阶段是文档入口，不是安装命令：
bash# 当前推荐路径：按官方手动自托管指南操作 # https://docs.agpt.co/platform/getting-started # # 即将到来的单容器安装器（Linux / macOS）前提： # - 本地已有运行中的 Docker daemon # - 使用 Linux 容器 # - 架构为 amd64 或 arm64 # - 只拉取已发布 appliance 并按其不可变 digest 运行 # - 不安装 Docker，不从源码构建
想用老的、单体的 AutoGPT agent，入口在 classic/ 目录，README 给了三条线索：用 Forge 构建 agent（classic/forge/README.md）、用 agbenchmark 做基准测试（PyPI 上的 agbenchmark 包）、以及 classic/README.md。
这里必须说清楚一件事：新平台和 Classic 不是版本关系，是替代关系。 新平台面向"把 agent 当生产力工具用"，Classic 面向"研究 agent 怎么自己循环"。前者有 UI、有调度、有计费；后者是一个 Python 程序加一套评测工具。
它能自动化什么
README 给了一张按职能划分的场景表，这是判断"我该不该用它"最直接的材料：
| 领域 | 示例 |
|---|---|
| 高管运营 | 从内外部信号生成每日简报 |
| 销售 | 在明天会议前调研每一个客户账户 |
| 市场 | 把发布 brief 变成多渠道的 campaign 草稿 |
| 工程 | 分诊事故并给出一个可能的根因 |
| 客服 | 起草回复、收集上下文、标记需要升级的工单 |
| 研究 | 监控信息源，有变化时返回结构化报告 |
这六个场景有一个共同点：多步、跨系统、有明确的产出物。它们不是"问一个问题得到一段文字"，而是"给一个目标，跨几个工具，最后交一份东西"。这正好对应标题里的三件事——任务拆解（把目标变成步骤）、工具调用（跨系统取数和写入）、记忆（让步骤之间能接上，让下次运行能复用上次的上下文）。
反过来说，如果你的需求是单轮问答或者纯文本生成，这套东西是过重的。
和同主题项目比，它站在哪
站内同主题的对照项目里，几个项目的定位差异很清楚：
| 项目 | 语言 | 定位 | 与 AutoGPT 的差异 |
|---|---|---|---|
| AutoGPT | Python | 完整的 agent 平台：编排 + 运行 + 调度 + 市场 + 托管/自托管双路径 | 唯一提供可视化编排画布和托管服务的 |
| ECC | JavaScript | 给现有编程 agent 加装 skills、记忆与安全层 | 它是"增强层"，AutoGPT 是"承载层" |
| hermes-agent | Python | 轻量 agent 框架，把 prompt、工具调用、workflow 串起来 | 它是库，AutoGPT 是平台 |
| firecrawl | TypeScript | 网页抓取转 Markdown/JSON，给 LLM 喂干净数据 | 它是数据入口，可以是 AutoGPT 连接层的一环 |
| ollama | Go | 本地一条命令跑模型 | 它是模型供给，AutoGPT 支持自带 key 时可对接 |
| prompts.chat | HTML | prompt 分享与收藏 | 它是素材库，AutoGPT 是执行体 |
这张表说明一件事：AutoGPT 的竞争对手不是这些项目，而是"自己动手拼一套"。 hermes-agent 给你调度逻辑，firecrawl 给你网页数据，ollama 给你本地模型，prompts.chat 给你 prompt 素材——把这些拼起来能做出类似的东西，但拼的过程本身就是工作量。AutoGPT 卖的是"不用拼"：连接器现成、编排界面现成、运行记录现成、调度现成。
代价也很明确。用平台意味着接受它的抽象：agent 是 block 图，运行是平台上的运行，成本按平台的方式计量。如果你需要的是在自己的代码里嵌一个 agent 循环，hermes-agent 这类库更合适；如果你要的是把 agent 当团队基础设施来运营，AutoGPT 的四个界面才是对症的。
托管还是自托管，README 自己给了答案
这是全文最值得逐行读的一张表：
| AutoGPT Platform | 自托管 | |
|---|---|---|
| 访问方式 | 公开注册 | 运行已发布 appliance 或开发检出 |
| 成本 | 付费计划 + agent 用量 | 无许可费；自付基础设施与模型费用 |
| 安装 | 托管 | 需要 Docker 与配置 |
| 模型访问 | 内置 | 自带 API key |
| 更新与运维 | AutoGPT 负责 | 自己负责 |
| 核心 builder 与 agent runtime | 包含 | 包含 |
| 数据与基础设施控制 | 由 AutoGPT 托管 | 跑在自己的基础设施上 |
| 支持 | 取决于计划 | 社区支持 |
关键在倒数第三行：核心 builder 和 agent runtime 两条路径都有。 也就是说，付费买的不是功能，是运维。README 对此毫不掩饰，专门用一节解释"为什么托管版收费"：每次 agent 运行都消耗真实的模型用量、计算、存储、密钥管理和运维支持，托管平台覆盖这些成本，并为开源项目的持续开发提供资金。
这个表态在开源项目里算罕见的坦诚。它同时也划出了自托管的边界：免费，但你得自己扛 Docker、配置、模型 key 和后续维护。
谁该用它，谁不该
该用托管平台的：需要一个跨多个 SaaS 系统的多步自动化，但没有工程资源去搭编排和运维。典型如销售调研、每日简报、客服分诊——这些任务的共同点是"步骤固定但数据每次不同"，正好是 workflow 加工具调用的形态。
该自托管的：数据不能出内网，或者已有 Docker 基础设施和模型 key，愿意承担运维。注意当前阶段安装器还没正式发布，实际入口是手动指南。
该看 Classic 的：想研究 agent 自主循环、想用 agbenchmark 做评测、或者只需要一个 Python agent 程序不需要 UI 和调度。
不该用的：单轮问答、纯文本生成、以及需要把 agent 深度嵌进自己代码库的场景——最后这类去看 hermes-agent 那样的库更直接。
一个绕不开的观察
187,630 stars 是这个仓库最显眼的数字，也是最容易误读的数字。它积累于 2023 年那波"自主 agent"热潮，而今天的代码主体已经是一次重构后的平台。star 数衡量的是历史关注度，不是当前架构的成熟度。
真正能说明当前状态的，是另外几个信号：714 个 open issues 说明它活跃且在被人真实使用；Polyform Shield 加 MIT 的双许可证说明商业化路径已经跑通；README 里那段关于安装器"尚未通过发布门禁"的坦白说明工程流程是有闸门的；45+ 连接器和数百个模型的清单说明集成工作量是实打实的。
至于它是不是"你的 AI 专家团队"，取决于你要的是不是一个能按计划跑、能连你的工具、能在出问题时让你看见成本的东西。如果是，四个界面就是答案；如果你想要的是一段能嵌进自己程序的 agent 循环，这个仓库里也有——在 classic/ 下面，MIT 协议，随便拿。
源码：https://github.com/Significant-Gravitas/AutoGPT
官网：https://agpt.co
文档：https://docs.agpt.co