IvyClaw Vibe 项目

项目简介

IvyClaw 是一个基于 DeepAgents 与 LangGraph 构建的、面向软件研发任务的多智能体 AI Agent 工程系统。它不满足于让大模型「能对话」，而是把一次研发任务拆解为任务规划、资料检索、代码实现、自动测试、代码审查、安全执行与持续运行的完整闭环，目标是让 Agent 真正具备可交付的软件研发能力，并具备走向生产环境所需的工程底座。

核心功能

• 多智能体协作：由 Planner、Researcher、Coder、Tester、Reviewer 等角色分工完成研发任务，按需编排流程。
• 多模型路由：根据 Agent 角色与任务复杂度选择不同档位的模型，兼顾效果与成本。
• 真实工具调用：支持 Git、pytest、Web Search、MCP 等工具，让 Agent 能真正操作工程环境。
• 安全沙箱执行：通过 Docker 或 Daytona 隔离运行 Agent 生成的代码，避免污染本机。
• 状态持久化与异步任务：用 PostgreSQL 结合 LangGraph Checkpointer / Store 保存任务上下文，用 Redis + ARQ Worker 处理耗时任务。
• Human-in-the-Loop：高风险工具调用支持人工审批与恢复执行。
• 多渠道接入与治理：统一支持 CLI、Web API、飞书 WebSocket、Webhook，并提供 API Key、多租户、限流、幂等与审计能力。
• 可观测与评估：集成 LangSmith、Prometheus、Grafana，并配套自动化测试与 Agent 评估。

技术实现

项目采用 Python 技术栈，核心编排基于 DeepAgents 与 LangGraph，服务层使用 FastAPI，数据层使用 PostgreSQL 存储任务上下文、Redis 承担异步队列与缓存。整体链路为：用户请求先经 API Gateway 治理，再由 Dispatcher 分发，Planner 制定计划、Researcher 按需检索、Coder 生成代码，随后进入沙箱执行并由 Tester 与 Reviewer 完成测试与审查，最终返回结果。长任务交由 ARQ Worker 异步处理，避免阻塞主流程；持久化机制保证任务可中断、可恢复；限流、幂等、审计与多租户为生产化提供基础治理；LangSmith、Prometheus、Grafana 则把整个 Agent 运行过程变得可观测、可评估。

快速上手

1. 克隆仓库：git clone https://github.com/ivyfan-toowell/IvyClaw.git 并进入目录。
2. 配置环境变量：复制 .env.example 为 .env，填写 API Key、PostgreSQL 与 Redis 连接地址。
3. 安装依赖：项目使用 uv 管理 Python 环境，执行 uv sync 完成依赖安装。
4. 启动服务：用 uv run uvicorn api.app:app --reload --port 8000 启动 API，访问 /docs 查看 Swagger 文档；另开终端执行 uv run arq tasks.worker.WorkerSettings 启动异步 Worker。

适用人群

适合希望把 AI Agent 落地到真实软件研发流程的工程团队、AI 应用开发者、以及研究多智能体编排与 Agent 工程化的技术人员，也适合作为学习 DeepAgents / LangGraph 生产级实践的参考项目。

官方链接

https://github.com/ivyfan-toowell/IvyClaw