本地 AI Agent 的统一管理中心。
添加 Agent 后，用户可在这里实现：
- 一键启动 / 停止，实时查看日志
- 内嵌 Web UI 与交互式终端
- 用自然语言指挥所有 Agent
- 一键生成临时公网分享链接
✨ 项目亮点 · 🤝 推荐搭配 · ⚙️ 快速安装 · 🚀 快速上手 · 🤖 LLM 配置 · 🌐 分享 Agent · ❓ FAQ
📚 完整目录
智管-Agent Manager 是一个基于 Tauri 2 + React 19 的桌面应用，专门解决"本机跑了一堆 AI Agent，管理混乱"的问题。
核心理念：所有 Agent，一个窗口管到底。
- 不用开多个终端
- 不用记各种启动命令
- 不用手动打开浏览器找端口
- 用自然语言就能操控所有 Agent
智管-Agent Manager 可以统一管理本地运行的各类 AI Agent。 如果你正在寻找一个适合被智管托管的业务型 Agent，推荐搭配使用：
📊 智能商业分析 Agent
智能商业分析 Agent 是一个面向商业数据分析场景的 AI Agent。 上传 Excel / CSV，或连接数据库后，用户可以直接用自然语言提问，系统会自动完成：
- 数据结构识别
- SQL 生成与执行
- 图表推荐与生成
- 业务洞察分析
- Excel / Word / PPT 报告导出
配合智管-Agent Manager 使用后，可以获得更完整的桌面端体验：
| 使用场景 | 智管-Agent Manager 提供的能力 |
|---|---|
| 启动商业分析 Agent | 一键启动 / 停止进程 |
| 查看运行状态 | 实时日志、PID、端口状态 |
| 打开分析界面 | 内嵌 Web UI，无需切换浏览器 |
| 团队临时演示 | 一键生成 Cloudflare Tunnel 公网链接 |
| 多 Agent 协作 | 使用 Manager Agent 自然语言调度 |
示例：
帮我启动 Business Analytics Agent，然后打开它的界面
👉 项目地址：智能商业分析 Agent
所有 Agent 以可视化展示：Manager Agent 在讲台，其他 Agent 坐在学生座位上。
一眼看清所有 Agent 的状态，悬停在 Agent 座位上，可直接：
- 启动 / 停止
- 查看详情
- 打开 UI 界面
点击讲台的 Manager Agent，直接跳转到自然语言指挥界面。
用一句话控制所有 Agent，无需手动操作界面。
帮我启动 Business Analytics Agent，然后打开它的界面
把 Mindmap 停掉，顺便告诉我它是干什么的
现在有哪些 Agent 在运行？
Manager Agent 会理解意图 → 自动调用工具 → 完成操作，并向你汇报结果。
支持的操作：
| 自然语言描述 | 实际行为 |
|---|---|
| 启动 / 停止某个 Agent | 调用 start/stop 接口 |
| 打开某个 Agent 的界面 | 自动在标签栏打开 UI |
| 打开某个 Agent 的终端 | 自动在标签栏打开 PTY 终端 |
| 查看所有 Agent 状态 | 返回实时状态汇总表 |
| 了解某个 Agent 的功能 | 读取该 Agent 目录下的 README |
| 跳转到某个页面 | 自动导航 |
会话持久化： 切换到其他页面再回来，对话历史不丢失。
需要配置 LLM 提供商才能使用，详见 LLM 配置说明。
选择项目目录后，自动检测并填写启动命令，无需手动填写。详见支持的项目类型。
- 一键启动 / 停止 Agent 进程
- 实时流式日志（stdout + stderr），支持自动滚动
- 查看 PID、端口状态、启动时间
- 侧边栏支持拖拽排序
有 Web 界面的 Agent（如 Streamlit、Flask、FastAPI）可以直接在应用内打开，不用切换浏览器：
- 多标签页同时打开多个 Agent UI
- 标签栏高度可拖拽调整
- 支持一键全屏
- 支持 WebSocket Token 自动填充（openclaw 类型 Agent）
通过 MCP（Model Context Protocol）连接本地工具服务，与 AI 进行多轮工具调用对话。
MCP 服务器添加方式：
- 本地扫描：自动检测 npm 全局安装的 MCP 包
- 智能解析：粘贴任意文本（官方文档、安装说明等），AI 自动提取配置
- 手动添加：填写 stdio / SSE 配置
无需固定 IP，无需域名，无需服务器。一键生成临时公网链接：
你的电脑 localhost:5001
↓ Cloudflare Tunnel
https://abc-xyz.trycloudflare.com ← 发给同事
使用流程：
- 安装 cloudflared（见下方）
- 确认 Agent 已启动
- 在"代理发布"页找到目标 Agent → 点击 生成链接
- 等待约 5–15 秒，出现
https://xxx.trycloudflare.com - 复制链接发给同事
- 会后点 关闭，链接立即失效
安装 cloudflared：
# Windows（推荐用 Scoop）
scoop install cloudflared
# macOS
brew install cloudflared或从 GitHub Releases 直接下载 exe。
⚠️ 临时链接无访问控制，请仅在需要时开启，会后立即关闭。
适合需要固定域名、持续开放访问的场景：
- 绑定自定义域名（自动申请 HTTPS 证书）
- 用户名 / 密码访问控制（bcrypt 加密存储）
- 多用户权限精细管理（每条规则可独立设置允许哪些用户访问）
- 一键生成 Caddyfile + 启动/重载 Caddy
查看当前机器上所有正在监听的端口：
- 显示端口号、协议、PID、进程名
- 一键终止占用指定端口的进程
- 方便排查 Agent 启动失败（端口被占用）的问题
让所有 Agent 记住你的偏好、决策与当前进展。记忆中心从本机编码 Agent 的对话中自动提取记忆，分层管理、按需注入——所有 Agent 共享同一个大脑。
| 层级 | 名称 | 来源 | 作用 |
|---|---|---|---|
| L1 | 可检索记忆 | 会话完成后模型自动提取事实 / 决策 / 约束 / 偏好 | 语义检索，按需召回 |
| L2 | 近 30 天工作记忆 | 一键压缩近 30 天 L1 证据 | 注入当前工作上下文 |
| L3 | 长期 Profile | 基于已发布 L2 起草，人工确认后才注入 | 稳定的长期偏好与约束 |
- 支持 Codex、Claude Code、Qoder、WorkBuddy、MiniMax Code、Kimi，Hook 采集或本地转录扫描两种方式
- 会话先落盘本地 SQLite 账本再异步提取——离线、模型未配置都不丢采集记录，可稍后手动重跑
- 「待提取 / 已整理对话」面板可随时回看完整对话、查看提取进度与失败原因
- 在「近 30 天工作记忆」或「长期 Profile」卡片下手写补充记忆，两层相互独立，各自展示、编辑、删除
- 随整理与注入自动下发给 Agent；只有用户能删改，自动清洗不会碰它们
- 本地语义候选分块生成并实时显示进度，后台裁决预算自适应，大量记忆也能完整跑完
- 清洗前保留回滚检查点，重复条目删除安全可控
| 通道 | 机制 | 适用场景 |
|---|---|---|
| 会话启动注入 | SessionStart 自动拉取 L3 + L2 记忆，无需工具调用 | 支持 Hook 的 Agent 开局即带上下文 |
| 共享记忆 MCP | Agent 按需调用 recall_memory 语义检索 |
只取任务相关记忆，控制上下文体积 |
- 聚合各 Agent 本机转录的真实输入 / 输出 / 缓存用量，口径与供应商计费对齐
- 扫描各 Agent 的
SKILL.md汇入共享 Skill 库，按内容哈希预览新增 / 更新 / 冲突后确认同步
各 Agent 接入方式与遥测端点格式见下文「跨 Agent 记忆、用量与 Skill（实验性）」一节。
Memory Center 以本地 SQLite 作为事件账本：Hook 事件会先落盘，再异步抽取为记忆，因此记忆服务离线不会丢失采集记录。
- Codex、Claude Code、Qoder：可在 Memory Center 分别安装/卸载本机 Hook；端口和鉴权跟随「外部触发」配置。
- WorkBuddy：不写入其 Claude Code 配置，避免重复采集；可通过标准遥测端点提交已聚合的会话/用量数据。
- Token：Codex、Claude、WorkBuddy 从本机转录读取真实用量；Qoder 当前转录未提供供应商 usage，因此显示明确标记的本地估算。所有 Agent 的零散 Hook 事件只保留审计记录，不会重复累计；适配器可用
session_usage以真实最终值覆盖估算。 - 自定义记忆：在「近 30 天工作记忆」或「长期 Profile」卡片下手写补充记忆（两层相互独立），随整理与注入自动下发给 Agent；只有用户能编辑或删除，自动清洗不会碰它们。
- 记忆清洗与去重：本地语义候选分块生成并实时显示进度，后台裁决预算自适应，大量记忆也能完整跑完。
- Skill：扫描各 Agent 的
SKILL.md，复制到共享库后按内容哈希预览新增/更新/冲突，再由用户确认同步。
标准遥测端点：POST http://127.0.0.1:<hook-port>/telemetry/events/{codex|workbuddy|claude|qoder}。
{
"session_id": "stable-session-id",
"event": "session_usage",
"cwd": "D:/Github-repo/example",
"usage": { "input_tokens": 120, "output_tokens": 48, "cached_tokens": 60 },
"usage_scope": "session"
}input_tokens 必须是该会话完整输入总量，cached_tokens 仅作缓存命中明细展示（不要再加到 input_tokens 或 Token 总量）。同一 source + session_id 后续重报会覆盖先前值，而非叠加。
从 Releases 下载最新版本：
双击安装包，按提示安装即可。
前置依赖：
- Node.js ≥ 18
- Rust（stable）
- Tauri 前置依赖（Windows 需要 VS C++ 生成工具）
git clone https://github.com/Zafer-Liu/Agent_Manager.git
cd Agent_Manager
# 安装依赖
npm install
cd frontend && npm install && cd ..
# 开发模式运行
npm run dev
# 生产构建
npm run build构建产物在 src-tauri/target/release/bundle/ 下。
- 侧边栏点击 Agents → 右上角 ＋ New Agent
- 点击 📁 选择 Agent 的项目目录
- 应用自动识别项目类型，填写启动命令
- 填写名称，确认端口号（有 Web UI 的 Agent 需要）→ 保存
- 点击 ▶ 启动
- 有 Web UI 的 Agent（Streamlit / Flask 等）：点击 Open UI → 在应用内嵌标签页打开
- TUI 类 Agent（Claude Code 等）：点击 Open Terminal → 在应用内嵌终端打开
- 在 MCP Agent → LLM 设置 中添加 LLM 提供商（见LLM 配置说明）
- 点击侧边栏 Manager
- 选择 LLM 提供商
- 用自然语言发送指令
- 安装 cloudflared
- 打开代理发布页面
- 找到目标 Agent → 生成链接 → 复制发送
Manager Agent 和 MCP Agent 都需要 LLM 驱动。在 MCP Agent → LLM 设置 中添加：
| 字段 | 说明 | 示例 |
|---|---|---|
| 名称 | 自定义，随便填 | DeepSeek |
| Base URL | OpenAI 兼容的 API 地址 | https://api.deepseek.com/v1 |
| API Key | 对应的 API Key | sk-xxx |
| 模型 | 模型名称 | deepseek-chat |
点击测试连接，显示绿色即配置成功。
内置支持的提供商：
| 提供商 | Base URL | 推荐模型 |
|---|---|---|
| DeepSeek | https://api.deepseek.com/v1 |
deepseek-chat |
| OpenAI | https://api.openai.com/v1 |
gpt-4o-mini |
| 任意兼容 API | 自定义 | 自定义 |
本地模型（Ollama）：
LLM 设置页内置 Ollama 本地模型 模块：
- 确认本机 Ollama 已启动（默认
http://localhost:11434，可修改） - 点击 测试连接，自动列出已拉取的本地模型（参数规模 / 量化 / 体积）
- 对目标模型点 接入，自动添加到自定义提供商列表，可直接测试或设为记忆提取模型
选择项目目录后，自动检测并填写以下配置：
| 项目类型 | 识别条件 | 自动生成的命令 |
|---|---|---|
| Python · uv | pyproject.toml + uv.lock |
uv run python main.py |
| Python · FastAPI | requirements 含 fastapi |
uvicorn main:app --reload --port PORT |
| Python · Django | manage.py 存在 |
python manage.py runserver 0.0.0.0:8000 |
| Python · Streamlit | requirements 含 streamlit |
streamlit run app.py --server.port 8501 |
| Python · Flask | requirements 含 flask |
python app.py |
| Python · 通用 | main.py / app.py 等 |
python main.py |
| Node.js | package.json |
npm run dev |
| Rust | Cargo.toml |
cargo run |
| Go | go.mod |
go run . |
| npm 全局命令 | %APPDATA%\npm\*.cmd |
交互式 PowerShell + 自动输入命令 |
| 可执行文件 | .exe / .bat / .cmd / .sh |
直接运行 |
端口号也会自动检测：扫描 .env 文件、pyproject.toml 脚本、源码中的 port= 配置。
| 数据 | Windows | macOS |
|---|---|---|
| Agent 配置 | %APPDATA%\agent-manager\agents.json |
~/Library/Application Support/agent-manager/agents.json |
| LLM 提供商 | %APPDATA%\agent-manager\llm_config.json |
同左 |
| 代理 / 用户配置 | %APPDATA%\agent-manager\proxy.json |
同左 |
| 生成的 Caddyfile | %APPDATA%\agent-manager\Caddyfile |
同左 |
| MCP 服务器配置 | %APPDATA%\Claude\claude_desktop_config.json |
~/Library/Application Support/Claude/claude_desktop_config.json |
当前版本
v0.3.0· 2026 年 7 月 12 日
阶段四：外部协作能力（P0-P2 全部完成）
- ✅ 本地 Hook Server：默认
127.0.0.1:9420，外部系统通过 HTTP 推任务进 Agent Manager，端口和 auth_token 可配置 - ✅ agent_task 节点：工作流可调度本地/远程子 Agent（不限于 MCP Server），oneshot channel 挂起等待结果
- ✅ Callback 出站通知：Run 终态时回调外部 URL，指数退避重试 3 次
- ✅ Fan-out 并行执行：支持 static/by_field/llm_split 拆分策略，
join_all并行执行子任务 - ✅ DispatchStrategy 调度策略：Fixed / Failover / CapabilityMatch / Random 四种策略
- ✅ 定时触发（cron）：自建 5 字段 cron 解析器，后台线程每分钟检查模板 schedule 字段
- ✅ McpTransport Http 变体：支持远程 MCP Server（Streamable HTTP transport）
- ✅ 前端 SVG DAG 画布：从线性列表升级为 SVG 绘制的 DAG 画布，支持拖拽定位和工具栏
- ✅ ExternalTriggers 设置页：Hook Server 状态显示、端口/Token 配置、curl 示例、重启功能
- ✅ 运行历史来源列：区分手动/外部/返工/定时触发，彩色标签
- ✅ Cloudflare Tunnel 隧道条目：ProxyManager 动态获取 Hook 端口传入隧道配置
- ✅ 工作流验收面板：Acceptance/Rework 闭环，对话流内嵌验收卡片
- ✅ Sweeper 自愈巡检：后台 30s interval 检测 Step 超时并标记 failed
- ✅ FailureTrace 诊断链路：MCP stderr ring buffer + 失败原因分类 + 重试历史
- ✅ Metrics 事件源：append-only JSONL 事件源 + 前端四卡片本地聚合
新功能：
- ✅ 可视化工作流：拖拽组合 MCP 工具、LLM 与完整 MCP Agent 节点，支持流式步骤反馈
- ✅ MCP Agent 增强：对话中选择并启用多个 MCP Server，工具调用过程可折叠查看
- ✅ MCP 智能配置：支持本地目录扫描、JSON/README/命令文本 AI 解析及 stdio/SSE 配置
- ✅ 中英文界面：新增完整 i18n 与语言切换，覆盖主要页面和操作提示
- ✅ 配置持久化：记住已选 LLM、启用的 MCP Server 和工作流选择
- ✅ 持续集成：Push、Pull Request 和正式发布前自动执行前端检查与 Rust 测试
修复：
- 修复“用 AI 解析”失败后界面看起来无响应的问题，并显示真实 API 错误
- 修复中文 README 截断可能触发字符串边界异常的问题
- 修复工作流 MCP Agent 节点的异步运行时冲突和上下文传递问题
- 修复工作流展开内容仍被截断、删除后列表刷新竞态等问题
🤖 Manager Agent 相关
Manager Agent 没有反应 / 提示未选择提供商？
- 前往 MCP Agent → LLM 设置，添加 LLM 提供商
- 点击"测试连接"，确认绿色通过
- 回到 Manager 页面，在顶部下拉框选择该提供商
Manager Agent 说"找不到 Agent"？
LLM 使用的是 Agent 的名称，确认你说的名称和 Agent 配置中的名称一致（支持模糊匹配，不区分大小写，也支持用下划线替代空格）。
切换页面后 Manager Agent 对话历史消失了？
这是 v0.2.0 已修复的问题。Manager Agent 组件始终在后台保持挂载，只是通过 CSS 隐藏。如果仍然消失，请确认使用的是 v0.2.0 版本。
📦 Agent 管理相关
Agent 启动后状态显示"错误"？
查看 Agent 详情页的日志，通常是：
- 端口被占用：在 Port Manager 找到占用该端口的进程并终止
- 依赖未安装：在终端手动运行一次启动命令，查看具体报错
- 工作目录不对：确认 Agent 配置中的工作目录路径正确
Agent 有 Web UI 但打开后是空白？
Agent 可能还在启动中（端口尚未监听）。等待几秒后，点击 UI 面板工具栏的刷新按钮。
Claude Code 终端打开后是空白？
这是正常现象。应用会自动启动 PowerShell，然后等待约 800ms 后向 stdin 写入 claude 命令。稍等 1–2 秒，Claude Code 的 TUI 界面会渲染出来。
Python Agent 识别出的命令不对？
自动识别基于文件扫描，边缘情况可能判断有误。在 Agent 编辑界面手动修改命令和参数即可，修改后保存立即生效。
Agent 列表顺序能调整吗？
可以。在 Agents 页面，按住 Agent 左侧的拖动把手（悬停后出现的 ⠿ 图标），拖拽到目标位置即可。顺序自动保存。
🌐 代理发布相关
点击"生成链接"后一直没有 URL 出现？
可能原因：
- cloudflared 未安装或不在 PATH 中 → 点击"重新检测"按钮，确认路径已识别
- 网络问题 → cloudflared 需要能访问 Cloudflare，确认没有代理或防火墙拦截
- Agent 未启动 → 临时链接会转发到本机端口，Agent 需处于运行状态
同事打开链接显示"无法访问此网站"？
确认：
- Agent 在你本机正在运行（不是停止状态）
- 隧道还没有关闭（应用里还显示绿色 URL）
- 链接是完整的
https://xxx.trycloudflare.com格式
多个同事同时访问对话内容混在一起？
这是 Agent 本身的限制，对话历史存在 Agent 进程的内存里，Agent Manager 无法从外部隔离。
如需隔离，需在 Agent 代码中加 session 支持（如 Streamlit 使用 st.session_state 天然隔离）。
Caddy 找不到 / proxy_apply 失败？
安装 Caddy：
# Windows
scoop install caddy
# macOS
brew install caddy安装后在代理发布页点击刷新按钮。
⚙️ 安装与运行相关
Windows 安装包提示"未知发布者"？
点击"更多信息" → "仍要运行"。这是因为安装包未经过 Microsoft 代码签名，属于正常现象。
macOS 提示"无法打开，因为无法验证开发者"？
在终端执行：
xattr -d com.apple.quarantine /Applications/智管-Agent\ Manager.app或右键点击应用 → 选择"打开" → 再次点击"打开"。
开发模式 npm run dev 报端口占用？
本项目开发端口为 1420（避免与 Mindmap 等 Vite 项目的 5173 冲突）。如 1420 被占用：
# 查找占用进程
netstat -ano | findstr :1420
# 终止该进程（把 PID 替换为实际值）
taskkill /PID <PID> /F欢迎提交 PR 或 Issue！参与方式：
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/amazing-feature) - 提交更改 (
git commit -m 'feat: add amazing feature') - 推送到分支 (
git push origin feature/amazing-feature) - 提交 Pull Request
Bug 报告或功能建议请通过 Issues 提交。开发环境搭建详见从源码构建。
把所有 Agent 的管理交给智管，把时间留给真正重要的事。