awesome-agentic-workflows — 56 个即用型 Agent 工作流模板

awesome-agentic-workflows 快速入门

一句话卖点: 不想从零设计 Agent 工作流？56 个即用型模板，覆盖单 Agent 到多 Agent 协作、RAG 到 MCP 集成——clone 下来，pip install，python run.py，三分钟跑通一个 Agent。

这是什么？适合谁？

awesome-agentic-workflows 是由社区成员 OneRose 整理的 Agentic 工作流模板仓库，收录 56 个即用型模板。按模式分类，覆盖当前主流的 Agent 开发范式：

• Starter Templates（入门模板）：单 Agent 基础模板，适合快速上手
• Complex Workflows（复杂工作流）：多 Agent 协作、Orchestrator-Worker 等高级模式
• MCP-Powered（MCP 驱动）：基于 MCP 协议的 Agent 工具集成
• RAG（检索增强生成）：RAG 流水线，含文档加载、向量存储、检索、生成
• Multi-Framework（多框架）：覆盖 LangChain、CrewAI、AutoGen 等主流框架

每个模板包含完整代码和 README 说明，让你无需从零构建，直接复用经过验证的工作流模式。

适合谁？Agent 开发者——需要快速搭建 Agent 原型的工程师；AI 学习者——通过模板学习 Agent 工作流的最佳实践；技术管理者——评估不同 Agent 框架的实现差异，为团队选型提供参考。

不适合：完全无编程基础的用户（需要 Python + 基础 Agent 框架知识）；需要生产级可扩展 Agent 系统的团队（模板是学习参考，非生产级解决方案）。

准备工作

1. Python 3.10+
2. Git（用于克隆仓库）
3. LLM API Key（OpenAI / Anthropic / Google AI 等，取决于模板使用哪个 Provider）
4. 基础的 Python 和 Agent 框架知识（了解 LangChain/CrewAI 的基本概念）
5. 建议使用 venv 或 conda 创建独立 Python 环境，避免依赖冲突

4 步快速上手

第 1 步：克隆仓库并浏览模板

git clone https://github.com/OneRose328/awesome-agentic-workflows.git
cd awesome-agentic-workflows

仓库按模式分类组织，目录结构如下：

awesome-agentic-workflows/
├── starter-templates/       # 入门模板 (单 Agent 基础)
│   ├── single-agent-basic/
│   ├── agent-with-tools/
│   └── ...
├── complex-workflows/       # 复杂工作流
│   ├── orchestrator-worker/
│   ├── multi-agent-collab/
│   └── ...
├── mcp-powered/            # MCP 协议集成
│   ├── mcp-server-basic/
│   └── ...
├── rag/                    # RAG 检索增强生成
│   ├── basic-rag/
│   ├── advanced-rag/
│   └── ...
└── multi-framework/        # 多框架示例
    ├── langgraph/
    ├── crewai/
    └── ...

第 2 步：选择模板并安装依赖

# 以 starter-templates/single-agent-basic 为例
cd starter-templates/single-agent-basic

# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 安装依赖
pip install -r requirements.txt

不同模板的依赖不同，大部分模板依赖 LangChain、OpenAI SDK 等核心库。

第 3 步：配置 API Key 并运行

# 创建 .env 文件
echo "OPENAI_API_KEY=sk-your-key-here" > .env

# 运行模板
python run.py

大部分模板使用 run.py 作为入口文件，部分模板可能使用 main.py 或其他名称。运行前查看模板的 README.md 了解具体用法。

第 4 步：组合和定制模板

模板的核心价值在于”模式复用”。你可以：

1. 参考 orchestrator-worker 模板的编排模式，应用到自己的业务场景
2. 将 rag 模板的检索逻辑与 mcp-powered 模板的工具集成组合
3. 用 starter-templates 快速验证想法，再迁移到 complex-workflows 做生产化

# 示例：组合 Orchestrator + RAG 模式
from orchestrator import AgentOrchestrator
from rag_pipeline import RAGPipeline

# 创建带 RAG 能力的专业 Agent
orchestrator = AgentOrchestrator()
orchestrator.add_worker("researcher", tools=[RAGPipeline()])
orchestrator.add_worker("writer", tools=[LLMTool()])
orchestrator.run("分析 AI Agent 市场趋势并生成报告")

常见踩坑

1. API Key 缺失：不同模板可能使用不同的环境变量名（OPENAI_API_KEY / ANTHROPIC_API_KEY / GOOGLE_API_KEY），查看 README 确认
2. 依赖版本冲突：不同模板可能依赖不同版本的 LangChain，强烈建议每个模板使用独立的 venv
3. Python 版本要求：部分模板要求 Python 3.11+，检查 requirements.txt 或 README 中的说明
4. 网络问题：部分模板可能从 HuggingFace 下载模型，国内可能需要代理
5. 模板过时：仓库中的模板可能使用旧版 API，运行时注意查看报错信息并对应的库文档

初级用法

1. 单 Agent 对话：starter-templates/single-agent-basic，最简单的 Agent 搭建
2. Agent + 工具调用：starter-templates/agent-with-tools，给 Agent 配备搜索/计算等工具
3. 基础 RAG：rag/basic-rag，文档问答的入门实现
4. 多 Agent 对话：complex-workflows/multi-agent-collab，多个 Agent 各司其职
5. MCP 工具集成：mcp-powered/mcp-server-basic，通过 MCP 协议扩展 Agent 能力

高级玩法

1. Orchestrator-Worker 编排：复杂任务自动拆分，多 Worker 并行执行
2. RAG + Agent 混合：Agent 自主决策何时检索、何时推理
3. 多框架对比：同一任务用 LangChain/CrewAI/AutoGen 分别实现，对比优劣
4. 自定义评估器：在模板基础上添加质量评估节点，形成生成-评估-优化闭环
5. 生产化改造：从模板中提取核心模式，重构为适合自己系统的生产级代码

小技巧

1. 先跑再改：先确保模板能跑通，再逐步替换为自己的业务逻辑
2. 查看 commit 历史：关注仓库的更新频率和最新 commit，了解模板的维护状态
3. 对比学习：选择同一任务的不同框架模板，对比 API 设计和代码复杂度
4. 提取模式：不要照搬模板，而是提取其中的设计模式应用到自己的项目中
5. 贡献回馈：如果你基于模板做了改进，考虑提交 PR 回馈社区

常见问题 FAQ

Q1: 这些模板可以直接用于生产环境吗？ 不建议。模板是学习和参考用途，代码质量和错误处理可能不满足生产要求。建议提取核心模式后重构。信息来源：GitHub README。

Q2: 模板支持哪些 LLM 提供商？ 大部分模板使用 OpenAI API 格式，支持 OpenAI、Anthropic、Google AI、Ollama 等。具体看每个模板的配置。信息来源：GitHub 仓库。

Q3: 仓库多久更新一次？ 项目由社区维护，更新频率取决于贡献者活跃度。建议通过 GitHub 的 Insights 页面查看最新活动。信息来源：GitHub。

Q4: 模板之间有依赖关系吗？ 每个模板目录独立，没有跨模板依赖。可以单独使用任意模板。信息来源：GitHub README。

Q5: 如何贡献新模板？ 按照仓库的模板格式（含 README + requirements.txt + run.py），提交 PR 即可。信息来源：GitHub CONTRIBUTING。

进阶学习建议 / 参考链接

• GitHub 仓库：https://github.com/OneRose328/awesome-agentic-workflows
• LangChain 文档：https://docs.langchain.com
• CrewAI 文档：https://docs.crewai.com
• Anthropic Building Effective Agents：https://www.anthropic.com/engineering/building-effective-agents
• LangGraph Workflows：https://docs.langchain.com/oss/python/langgraph/workflows-agents

本文基于官方文档和公开资料整理，AI 辅助生成，MagicNetWorld 尚未完成独立实测。如有错误或过时信息，请通过 contact@magicnetworld.com 反馈。 评分依据全部可追溯至公开数据源，见「评分与标签」章节。