ChatDev 2.0（DevAll）：零代码多智能体编排平台完整中文翻译

一、官方信息表

项目	说明
项目名称	ChatDev 2.0（产品代号 DevAll）
一句话定位	一个用于「开发一切」的零代码多智能体平台（Zero-Code Multi-Agent Platform for Developing Everything）
GitHub 仓库	OpenBMB/ChatDev
旧版本分支	ChatDev 1.0（Legacy）
开发团队	清华大学 THUNLP、OpenBMB、面壁智能（ModelBest）
PyPI 包	chatdev 0.1.0
论文	ChatDev: Communicative Agents for Software Development

二、官方图

ChatDev 2.0 官方封面

三、项目概览与背景

ChatDev 2.0（DevAll）把「零代码」作为核心卖点：用户不需要懂 Python，不需要写编排逻辑，只要在可视化画布里拖拽节点、填参数，就能让一组智能体按你设计的方式协作。它把过去 1.0 时代写死在代码里的「虚拟软件公司」流水线，抽象成了可自由拼装的通用工作流引擎——从写软件扩展到做数据图表、生成 3D 模型、跑深度研究、甚至自动发小红书笔记。

ChatDev 已经从一个专门做软件开发的多智能体系统，演进成了一个综合性的多智能体编排平台。仓库 main 分支上的 ChatDev 2.0（DevAll） 是一个零代码多智能体平台：用户不需要写代码，只通过简单配置就能快速搭建并执行定制化的多智能体系统——在配置里定义好智能体、工作流和任务，就可以编排数据可视化、3D 生成、深度研究等复杂场景。

而 ChatDev 1.0（旧版） 则像一家「虚拟软件公司」：它让 CEO、CTO、程序员等各类智能体参加分工明确的功能研讨会，自动完成设计、编码、测试、文档编写的整个软件开发生命周期，是「可沟通智能体协作」这一范式的奠基之作，目前代码迁移到 chatdev1.0 分支维护。在 1.0 的世界里，CEO 智能体先理解你的一句话需求，CTO 把需求拆成技术方案，程序员智能体据此写代码，测试智能体跑测试并把问题反馈回去，评审智能体再把关质量——整套流程模拟了真实软件公司的部门协作，用户只要输入一句话想法就能得到一个可运行的软件原型。

官方动态：2026 年 1 月 7 日，ChatDev 2.0（DevAll）正式发布，经典版 ChatDev（v1.x）转入维护分支。在此之前，团队还陆续提出了 MacNet（用有向无环图组织上千智能体协作）、IER 迭代经验精炼、经验协同学习、以及登上 NeurIPS 2025 的「puppeteer 中央编排器」范式（用强化学习训练一个可学习的中央调度器，动态激活并排序智能体，既提升推理质量又降低算力成本）。

回顾这条技术演进线：2023 年 7 月 ChatDev 的预印本论文发布，同年 8 月系统对外开放；随后团队在 9 月连续推出 Git 版本控制模式（在 ChatChainConfig.json 里把 git_management 设为 True 即可让程序员智能体用 Git 做版本管理）、Human-Agent-Interaction 人机协同模式（你扮演评审给程序员提建议，用 python3 run.py --task 你的想法描述 --config "Human" 启动）、以及 Art 美术模式（激活设计师智能体生成软件配图，用 --config "Art" 启动）；10 月接入 Docker 安全执行；11 月上线增量开发功能（--config "incremental" --path 现有代码目录，让智能体在已有代码上继续开发），并推出 SaaS 平台；12 月发布经验协同学习（Experiential Co-Learning）模块。2024 年 5 月提出 IER 迭代经验精炼——导师与助教两类智能体通过经验的获取、利用、传播与淘汰，在一系列任务中越做越快；6 月又推出 MacNet，用有向无环图让上千个智能体在不超出上下文窗口的前提下协作，覆盖逻辑推理、数据分析、故事生成等软件开发之外的场景。

四、环境要求与安装

4.1 前置环境

操作系统：macOS / Linux / WSL / Windows
Python：3.12 及以上
Node.js：18 及以上
包管理器：推荐使用 uv 管理 Python 依赖

选择 uv 而不是传统 pip 是因为 ChatDev 2.0 的后端依赖全部由 uv 的锁文件统一管理，uv sync 一条命令就能装好与官方完全一致的依赖版本，避免「在我机器上能跑」这类环境问题。前端则是标准的 Vite + Vue 3 工程，npm install 即可。

4.2 安装步骤

第一步安装后端依赖（Python 由 uv 统一管理）：

uv sync

第二步安装前端依赖（Vite + Vue 3）：

cd frontend && npm install

4.3 配置环境变量

先复制环境变量模板：

cp .env.example .env

然后在 .env 里为你的大模型供应商填写 API_KEY 和 BASE_URL。配置文件里可以用 ${VAR} 占位符（例如 ${API_KEY}）来引用这些环境变量，避免把密钥硬编码进 YAML。

五、部署与运行

5.1 一键启动（推荐）

项目提供 Makefile，一条命令同时拉起后端和前端：

make dev

启动后访问 Web 控制台：http://localhost:5173。这个命令内部会先确保后端依赖已同步，再分别启动 FastAPI 后端和 Vite 前端开发服务器，带热更新，适合日常开发。

5.2 手动分步启动

先启动后端（FastAPI，默认端口 6400）：

uv run python server_main.py --port 6400 --reload

其中 --reload 只监听服务器自身的 Python 源码目录，智能体在 WareHouse/ 下生成的文件不会再触发重启；你还可以用 --reload-dir 或 --reload-exclude（可重复传）自定义监听范围。

再启动前端：

cd frontend
VITE_API_BASE_URL=http://localhost:6400 npm run dev

如果前端连不上后端，多半是默认端口 6400 被占用了——把后端换成 --port 6401，前端的 VITE_API_BASE_URL 同步改成 http://localhost:6401 即可。

5.3 常用运维命令

make help          # 查看所有可用命令
make sync          # 把 yaml_instance/ 下所有工作流文件同步到数据库
make validate-yamls # 校验所有 YAML 工作流的语法与 schema

5.4 Docker 部署

也可以用 Docker Compose 一次性跑起整个应用，省去本地依赖管理：先装好 Docker 与 Docker Compose，确认项目根目录有填好 API Key 的 .env，然后：

docker compose up --build

访问地址：后端 http://localhost:6400，前端 http://localhost:5173。容器崩溃会自动重启，本地文件改动也会实时反映到容器内，方便开发。这种方式适合不想在本机装 Python 3.12 和 Node 18 的用户，一条命令就能得到和官方一致的运行环境。

5.5 与 OpenClaw 集成

ChatDev 2.0 可以和 OpenClaw 打通：在 OpenClaw 里调用已有的智能体团队，或在 ChatDev 内部动态创建新团队。步骤是：先启动 ChatDev 2.0 后端，然后在 OpenClaw 实例上安装技能：

clawdhub install chatdev

之后直接用自然语言让 OpenClaw 创建 ChatDev 工作流即可，例如「创建一个 ChatDev 工作流，自动收集热点信息、生成一篇小红书笔记并发布」，或者「创建一个多智能体工作流，模拟中东局势未来可能的发展」。这意味着你可以在日常聊天工具（Telegram、Discord 等）里随口一句话，就触发一整套多智能体流水线跑完信息采集、内容生成和发布的全过程。

六、使用方法

6.1 Web 控制台三大模块

DevAll 的网页界面把「构建」和「执行」两条线做在了一起：

Tutorial（教程）：平台内置了完整的分步指引和文档，帮助新用户快速上手。
Workflow（工作流画布）：一个可视化画布，用拖拽方式设计多智能体系统——配置节点参数、定义上下文流向、编排复杂的智能体交互。每个节点代表一个智能体或一个工具调用，连线代表数据和上下文的流向，你不需要写代码就能拼出一条完整的任务流水线。
Launch（启动）：发起工作流运行、查看实时日志、检查中间产物，并支持人工介入（human-in-the-loop）反馈。运行过程中每一步产出的文件都可以打开查看，遇到偏差随时可以人工纠偏后再继续。

6.2 Python SDK 编程调用

需要自动化或批量处理时，可以用轻量 Python SDK 直接执行工作流：

from runtime.sdk import run_workflow

result = run_workflow(
    yaml_file="yaml_instance/demo.yaml",
    task_prompt="Summarize the attached document in one sentence.",
    attachments=["/path/to/document.pdf"],
    variables={"API_KEY": "sk-xxxx"}
)

if result.final_message:
    print(f"Output: {result.final_message.text_content()}")

这段代码的意思是：指定一个已写好的 YAML 工作流文件，传入任务描述和本地附件，必要时用 variables 临时覆盖 .env 里的环境变量；运行结束后从 result.final_message 取出最终输出。官方已发布 PyPI 包 chatdev，也可以直接在 Python 里跑 YAML 工作流和多智能体任务，安装与版本见 PyPI: chatdev。这种方式特别适合把多智能体流水线嵌进你自己的后台系统，做批量定时任务或流水线触发。

6.3 项目结构（二次开发参考）

项目是模块化组织的：server/ 存放 FastAPI 后端，负责 API、会话与数据库；runtime/ 管理智能体抽象与工具执行，是整个系统的运行时内核；workflow/ 处理多智能体编排逻辑，由 entity/ 下的配置驱动，也就是工作流节点如何连接、上下文如何流转；frontend/ 是 Vue 3 Web 控制台，也就是上面提到的可视化画布；functions/ 是放自定义 Python 工具的地方，你想让智能体调用什么新能力，就往这里加。官方建议二次开发时先读用户指南的入门文档，再按「工作流编写 → 记忆模块 → 工具模块」的顺序深入。

6.4 官方内置工作流合集

所有可直接运行的工作流配置都放在 yaml_instance/ 目录：demo_*.yaml 用于演示特定功能，其余为完整复刻的实战工作流。官方提供的开箱模板包括：

类别	工作流文件	示例提示词
数据可视化	`data_visualization_basic.yaml`、`data_visualization_enhanced.yaml`	「为我的大额房地产交易数据集生成 4–6 张高质量 PNG 图表」
3D 生成（需装 Blender 与 blender-mcp）	`blender_3d_builder_simple.yaml`、`blender_3d_builder_hub.yaml`、`blender_scientific_illustration.yaml`	「请帮我搭建一棵圣诞树」
游戏开发	`GameDev_v1.yaml`、`ChatDev_v1.yaml`	「帮我设计并开发一个坦克大战游戏」
深度研究	`deep_research_v1.yaml`	「调研基于 LLM 的智能体强化学习领域最新进展」
教学视频	`teach_video.yaml`（运行前先执行 `uv add manim`）	「讲一下什么是凸优化」

实际使用时在 Launch 页选择工作流、上传必要文件（例如数据分析用的 .csv），再输入你的需求即可执行。这套模板体系的价值在于：你不需要从零理解多智能体怎么分工，直接挑一个接近的场景改提示词就能跑，跑通后再到 Workflow 画布上微调节点参数和连线。

七、常见问题（FAQ）

问：ChatDev 2.0 和 1.0 是什么关系？ 2.0 是全新的零代码多智能体编排平台，1.0 的「虚拟软件公司」模式已迁移到 chatdev1.0 分支继续维护，老用户的 v1.x 项目不受影响。

问：前端打不开 / 连不上后端怎么办？ 默认后端端口是 6400，如果被其他程序占用，把后端 --port 换成 6401 之类空闲端口，前端 VITE_API_BASE_URL 同步改掉即可。

问：运行教学视频工作流报错怎么办？ teach_video.yaml 依赖 manim 库，运行前先执行 uv add manim 安装。

问：3D 生成工作流需要额外装什么？ 需要本机安装 Blender 以及 blender-mcp 桥接。

问：API Key 应该配在哪里？ 统一放在项目根目录的 .env 文件里（先 cp .env.example .env），工作流 YAML 里用 ${API_KEY} 引用；Python SDK 里也可以通过 variables 参数临时覆盖。

问：改了 yaml_instance/ 下的工作流，页面里看不到怎么办？ 执行 make sync，它会把 yaml_instance/ 下所有工作流文件上传同步到数据库；同步前可以先跑 make validate-yamls 校验一遍语法和 schema，避免脏数据入库。

问：Python SDK 的 result 对象怎么取结果？ run_workflow 返回结果对象，最终节点消息在 result.final_message 上，用 text_content() 取出纯文本；附件通过 attachments 参数传入本地文件路径，任务需求用 task_prompt 传入。

问：团队背景和学术支持是怎样的？ 项目由清华大学 THUNLP 实验室发起，与面壁智能（ModelBest）等机构合作，累计发表了 ChatDev、经验协同学习、MacNet、iAgents、puppeteer 等多篇 arXiv 论文，其中 puppeteer 工作被 NeurIPS 2025 接收。

问：第一次打开页面应该从哪里下手？ 官方建议的顺序是：先在 Tutorial 页过一遍内置教程，再打开 Workflow 画布随便选一个 demo_*.yaml 看看节点是怎么连的，然后切到 Launch 页选一个工作流、上传示例文件、输入提示词跑一遍完整流程，观察实时日志和中间产物，最后再回来改配置。

八、跳转链接

ChatDev 团队欢迎社区贡献：无论是修 bug、新增工作流模板，还是分享你用 DevAll 产出的高质量案例和作品，都可以通过 Issues 或 Pull Request 参与。项目致谢名单包括清华大学 NLP 实验室、面壁智能、AgentVerse、RepoAgent、AppCopilot 等团队。

GitHub 仓库：OpenBMB/ChatDev
旧版 1.0 分支：chatdev1.0
PyPI 包：chatdev 0.1.0
用户指南：Start Guide
工作流编写：Workflow Authoring
记忆模块：Memory
工具模块：Tooling
论文：Multi-Agent Collaboration via Evolving Orchestration (NeurIPS 2025)
多智能体电子书：MultiAgentEbook
联系邮箱：qianc62@gmail.com

ChatDev 2.0：零代码多智能体编排平台