Pm Agents

综合多智能体开发系统

用于软件开发、研究和分析的分层多代理系统。具有用于前端开发（React/Next.js）、ML/DL（PyTorch）、R分析等的专用代理，具有集成的向量存储和全面的验证功能。

架构概述

该系统实现了 协调者→ 规划师→ 主管→ 专家 等级制度：

业务流程层

• 代理程序：高层协调和决策

规划层

• 规划师代理：战略规划和任务分解

管理层

• 监督代理：专业人员的战术管理和协调

专业代理

开发代理:

• 规格试剂盒代理：使用“指定”进行项目初始化
• 前端编码器代理：React/Next.js/TypeScript/Supabase/Payload CMS
• Python ML/DL代理：PyTorch/TensorBoard/Jupyter
• R分析代理：tidyverse/ggplot2/R Markdown/闪亮

基础设施代理:

• Qdrant载体剂：代码库和文档矢量存储

质量代理商:

• TypeScript验证代理：类型安全、测试、调试

研究代理:

• 研究代理：技术研究和最佳做法
• 浏览器代理：网页浏览和自动化
• 记者代理：文件和报告

主要特点

✅ 分层多代理架构：协调员→ 规划师→ 主管→ 专家 ✅ 专业开发代理：前端、Python ML/DL、R分析 ✅ 矢量驱动知识：Qdrant集成用于代码库搜索 ✅ 模型上下文协议（MCP）：标准化工具集成 ✅ 质量验证：TypeScript安全、测试和调试 ✅ 项目初始化：使用Specific（规格套件）自动设置 ✅ 多个技术栈：React/Next.js、PyTorch、R、Supabase、Payload CMS ✅ 综合文档：自动报告和文件

______________________________________________________________________

快速开始

先决条件

必需:

• Python 3.10+
• Node.js 18+或20+
• Docker（适用于Qdrant）
• 无烟煤API键

可选的 （适用于专业代理）：

• R 4.x（适用于R分析代理）
• Git和GitHub令牌

安装

看 claudcodesetup.md 有关完整的设置说明。

快速安装:

# 1. Clone repository
git clone 
cd PM-Agents

# 2. Install Python dependencies
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

# 3. Install Node dependencies (for MCP servers)
npm install -g @modelcontextprotocol/server-filesystem
npm install -g @modelcontextprotocol/server-github
npm install -g @modelcontextprotocol/server-brave-search

# 4. Start Qdrant (vector database)
docker run -p 6333:6333 qdrant/qdrant

# 5. Set environment variables
export ANTHROPIC_API_KEY="your-key"
export GITHUB_TOKEN="your-token"
export BRAVE_API_KEY="your-key"

______________________________________________________________________

实施1：克劳德代码（拟人）

设置

1. 获取Anthropic API密钥

- 注册地址：https://console.anthropic.com/ - 从您的帐户设置生成API密钥

1. 设置环境变量

   export ANTHROPIC_API_KEY='your-api-key-here'

或者在Windows上：

   set ANTHROPIC_API_KEY=your-api-key-here

用法

from pm_coordinator_agent import PMCoordinatorAgent

# Initialize coordinator
coordinator = PMCoordinatorAgent()

# Define your project
project = "Develop an AI-powered customer service chatbot for e-commerce platform"

# Execute project management
result = coordinator.manage_project(project)

# View results
print(result)

运行示例：

python pm_coordinator_agent.py

______________________________________________________________________

实施2：Ollama Gemma3（当地）

设置

1. 安装Ollama

- 下载自https://ollama.ai/ - 按照操作系统的安装说明进行操作

1. 拉动Gemma2模型 （或Gemma3（如有））

   ollama pull gemma2

1. 启动Ollama服务器

   ollama serve

运行代理时保持此终端打开。

用法

from pm_ollama_agents import OllamaCoordinator

# Initialize coordinator (Ollama must be running)
coordinator = OllamaCoordinator()

# Define your project
project = """
Develop an AI-powered project management assistant that helps teams 
automate task scheduling, resource allocation, and risk monitoring.
"""

# Execute project management
result = coordinator.manage_project(project)

# Results are automatically saved to pm_project_results.json

运行示例：

# Make sure Ollama is running first!
python pm_ollama_agents.py

______________________________________________________________________

系统工作流

User Request
     ↓
Coordinator Agent (Analyzes request, determines strategy)
     ↓
Planner Agent (Creates detailed plan, assigns agents)
     ↓
Supervisor Agent (Manages execution, coordinates specialists)
     ↓
┌────────────┬────────────┬────────────┬────────────┬────────────┐
│ Spec-Kit   │ Frontend   │ Python ML  │ R          │ Qdrant     │
│ Agent      │ Coder      │ Agent      │ Analytics  │ Vector     │
└────────────┴────────────┴────────────┴────────────┴────────────┘
     ↓            ↓            ↓            ↓            ↓
     └────────────┴────────────┴────────────┴────────────┘
                              ↓
                    TypeScript Validator
                    (Reviews code quality)
                              ↓
     ┌────────────┬────────────┬────────────┐
     │ Research   │ Browser    │ Reporter   │
     │ Agent      │ Agent      │ Agent      │
     └────────────┴────────────┴────────────┘
                              ↓
                    Final Deliverables
                              ↓
                    Back to Coordinator
                              ↓
                    User receives results

示例流程：Web应用程序项目

1. 用户请求：“构建一个具有身份验证和仪表板的客户门户”
2. 协调者：分析→ 确定它是一个全栈web项目
3. 规划师：创建计划：

- 使用Spec Kit初始化项目 - 使用Qdrant索引代码库 - 使用Next.js/Supabase实现前端 - 验证TypeScript的安全性 - 与记者一起记录

1. 主管：将任务委托给专家
2. 专家执行:

- Spec Kit：创建Next.js项目结构 - Qdrant：索引样板和文档 - 前端编码器：实现组件、身份验证、仪表板 - TypeScript验证器：审查代码，运行测试 - 报告者：生成文档

1. 结果 通过主管回流→ 规划师→ 协调者
2. 用户 接收完整的、经过测试的、有文件记录的应用程序

______________________________________________________________________

代理通信模式

A2A（代理对代理）通信

# Coordinator → Planner
analysis = coordinator.analyze_request(user_request)
plan = coordinator.delegate_to_planner(analysis)

# Planner → Supervisor
execution_plan = planner.create_detailed_plan(analysis)
results = planner.delegate_to_supervisor(execution_plan)

# Supervisor → Specialists
for task in execution_plan.tasks:
    specialist = supervisor.get_specialist(task.agent_type)
    result = specialist.process_task(task)
    supervisor.aggregate_result(result)

# Results flow back up the hierarchy

MCP（模型上下文协议）集成

代理使用MCP服务器进行专门操作：

• 文件系统MCP：文件操作（读、写、编辑）
• GitHub MCP：存储库操作（克隆、PR、问题）
• 勇敢搜索MCP：网络研究
• Qdrant MCP （自定义）：矢量存储和语义搜索
• Supabase MCP （自定义）：数据库和身份验证操作
• TensorBoard MCP （自定义）：机器学习可视化

所有通信包括：

• 任务：详细的任务描述
• 上下文：项目状态和依赖关系
• 工具：可用的MCP工具
• 响应格式：预期交付结构

______________________________________________________________________

文档

核心文件

1. AGENT_ARCHITECTURE.md：全面的代理规格

- 详细的代理人职责 - 沟通模式 - 技术栈 - 质量门 - 用例和示例

1. MCP_SETUP.md：MCP服务器配置指南 新

- 基本与可选MCP服务器 - 用户级（全局）配置 - Qdrant自定义MCP服务器设置 - 按项目收集策略 - 服务与MCP澄清

1. 建议_代理.md：代理扩展建议 新

- 高优先级代理添加（DevOps、数据库、安全、API） - 中等优先级添加（代码审查、依赖关系管理、性能） - 专业代理（移动、桌面、数据科学） - 实施模板和优先事项

1. claudcodesetup.md：完成初始设置指南

- 逐步安装MCP服务器 - Qdrant矢量数据库设置 - 代理实现代码 - 技术栈配置 - 验证和故障排除

1. 建筑学.drawio：可视化架构图

- 分层代理结构 - 通信流 - 代理关系 - 使用Draw.io打开(https://app.diagrams.net/)

1. TOOLS.md：完整的工具安装清单

- 所有必需的软件和软件包 - 安装命令 - 验证步骤 - 快速安装脚本

1. CLAUDE.md：Claude Code的项目说明

- 概述和快速参考 - MCP服务器指南 - 发展模式 - 故障排除提示

关键架构概念

1. 分层多智能体系统

- 四层架构：协调员→ 规划师→ 主管→ 专家 - 明确区分关注点 - 双向反馈回路 - 阻断者的升级路径

1. 专业代理角色

- 发展：前端（React/Next.js）、Python ML/DL、R分析 - 基础设施：Qdrant矢量存储规格套件 - 质量：TypeScript验证器 - 研究：研究、浏览器、报告代理

1. MCP集成

- 标准化工具协议 - 自定义MCP服务器（Qdrant、Supabase、TensorBoard） - 文件系统、GitHub、Web搜索集成

1. 矢量驱动知识

- Qdrant用于语义代码搜索 - 自动代码库索引 - 文献检索 - 情境感知建议

______________________________________________________________________

故障排除

Claude代码问题

问题：“无效的API密钥”

• 解决方案：验证ANTHROPIC_API_KEY环境变量设置是否正确

问题：“超出费率限制”

• 解决方案：等待几分钟或升级您的Anthropic计划

Ollama问题

问题：“拒绝连接到本地主机：11434”

• 解决方案：确保Ollama正在运行 ollama serve

问题：“找不到型号：gemma2”

• 解决方案：先用 ollama pull gemma2

问题：“响应缓慢”

• 解决方案：Ollama在本地运行-性能取决于您的硬件。考虑使用较小的模型或云替代方案。

______________________________________________________________________

比较：克劳德代码与Ollama

______________________________________________________________________

项目结构

PM-Agents/
├── README.md                          # This file
├── AGENT_ARCHITECTURE.md              # Detailed agent specifications
├── claudcodesetup.md                  # Complete setup guide
├── TOOLS.md                           # All required tools and installation
├── architecture.drawio                # Architecture diagram (open in Draw.io)
├── requirements.txt                   # Python dependencies
├── package.json                       # Node.js dependencies (MCP servers)
│
├── agents/                            # Agent implementations
│   ├── base_agent.py                  # Base agent class
│   ├── coordinator/
│   │   └── coordinator_agent.py
│   ├── planner/
│   │   └── planner_agent.py
│   ├── supervisor/
│   │   └── supervisor_agent.py
│   └── specialists/
│       ├── speckit/                   # Project initialization
│       ├── qdrant/                    # Vector storage
│       ├── frontend/                  # React/Next.js development
│       ├── python_ml/                 # PyTorch ML/DL
│       ├── r_analytics/               # R statistical analysis
│       ├── ts_validator/              # TypeScript validation
│       ├── research/                  # Research tasks
│       ├── browser/                   # Web automation
│       └── reporter/                  # Documentation
│
├── configs/                           # Configuration files
│   ├── mcp_config.json                # MCP server configuration
│   └── agent_prompts.json             # Agent prompt templates
│
├── tools/                             # Utility scripts
│   ├── init_qdrant.py                 # Initialize Qdrant collections
│   └── index_codebase.py              # Index project code
│
├── templates/                         # Project templates
│   ├── nextjs-supabase/               # Frontend template
│   ├── pytorch-ml/                    # ML project template
│   └── r-analysis/                    # R analysis template
│
└── examples/                          # Example projects
    ├── web_app_example/
    ├── ml_pipeline_example/
    └── analytics_dashboard_example/

______________________________________________________________________

参考文献

1. 项目管理知识体系指南 （第7版）-项目管理学会
2. AI代理、MCP和A2A通信 -崔博士，CSUF
3. 克劳德人类学文献 - https://docs.anthropic.com/
4. Ollama文件 - https://ollama.ai/
5. 模型上下文协议 -人体MCP规范

______________________________________________________________________

许可证

学术作业的教育用途。

作者

为信息系统课程作业创建-多代理项目管理系统

联系

有关此实现的问题，请联系您的课程讲师。