Agent Factory 🏭

From Zero to Agents - 企业级AI Agent工业化生产平台

---

🎯 项目概述

Agent Factory是一个完全模块化的AI Agent工业化生产平台，每个Factory都是独立的项目模块。

核心理念

• 🏗️ 模块化优先: 每个Factory是独立的项目
• 🔌 即插即用: Factory可独立开发、测试、部署
• 🚀 灵活部署: 支持单体或微服务架构
• 🎨 清晰可见: 一级目录结构，一目了然

---

📁 项目结构

AgentFactory/                   # 从零到一训练Agent的完整流程
│
├── 1️⃣ ComputeFactory/         # 步骤1: 资源准备 - 分配GPU/CPU算力
├── 2️⃣ DataFactory/            # 步骤2: 数据准备 - 采集、清洗、标注数据
├── 3️⃣ EnvironmentFactory/     # 步骤3: 环境构建 - 创建测试场景
├── 4️⃣ TrainingFactory/        # 步骤4: 模型训练 - SFT/RL训练
├── 5️⃣ EvaluationFactory/      # 步骤5: 质量评估 - 多维度测试
├── 6️⃣ RuntimeFactory/         # 步骤6: 部署上线 - 沙箱隔离运行
│
├── 📦 shared/                  # 共享资源
│   ├── backend/                # 后端共享库
│   ├── frontend/               # 前端设计系统
│   └── docs/                   # 共享文档
│
├── 🎬 Demo/                    # 演示程序（完整流程）
├── 📄 docs/                    # 项目文档
│
├── ARCHITECTURE.md             # 架构设计
├── PROJECT_SUMMARY.md          # 项目总结
└── README.md                   # 本文件

🔄 从零到一的训练流程

Step 1: ComputeFactory    → 分配2x GPU
        ↓
Step 2: DataFactory       → 收集1000条训练数据
        ↓
Step 3: EnvironmentFactory → 创建测试环境
        ↓
Step 4: TrainingFactory   → 训练模型（SFT/RL）
        ↓
Step 5: EvaluationFactory → 评估准确度≥80%
        ↓
Step 6: RuntimeFactory    → 部署到生产环境

---

🏭 六大工厂（按训练流程排序）

1️⃣ ComputeFactory - 计算工厂

训练第一步：资源准备

功能: 为整个训练流程提供算力支持

• 🖥️ GPU/CPU/TPU资源池管理
• 📋 智能作业调度（优先级、可抢占）
• 📊 实时监控与成本计费
• ⚡ 弹性扩缩容

为什么第一步？
没有算力就无法训练模型，ComputeFactory确保后续所有步骤有足够的计算资源。

独立运行:

cd ComputeFactory
pip install -e .
uvicorn api.main:app --port 8001

详情: ComputeFactory/README.md

---

2️⃣ DataFactory - 数据工厂

训练第二步：数据准备

功能: 构建高质量训练数据集

• 📥 Agent交互数据采集
• 🧹 PII脱敏与数据清洗
• 🏷️ 人工+LLM混合标注
• 📦 数据集版本管理（SFT/RFT/RM/Eval）

为什么第二步？
"数据是AI的燃料"，高质量数据决定模型上限。DataFactory收集、清洗、标注数据，为训练做好准备。

独立运行:

cd DataFactory
pip install -e .
uvicorn api.main:app --port 8002

---

3️⃣ EnvironmentFactory - 环境工厂

训练第三步：环境构建

功能: 创建Agent训练和测试环境

• 🌐 多环境支持（HTTP API、Browser、RPA）
• 🎭 场景编排与任务链
• 🎬 轨迹生成（Rollout）
• 🔄 环境回放与调试

为什么第三步？
Agent需要在真实或模拟环境中学习。EnvironmentFactory提供训练场地和测试场景。

独立运行:

cd EnvironmentFactory
pip install -e .
uvicorn api.main:app --port 8003

---

4️⃣ TrainingFactory - 训练工厂

训练第四步：模型训练

功能: 核心训练流程

• 🎓 SFT监督微调
• 🎮 RL强化学习（PPO、DPO、RFT）
• 🎁 奖励建模（Reward Model）
• 📚 模型注册与版本管理

为什么第四步？
有了资源、数据和环境后，终于可以开始训练！TrainingFactory执行实际的模型优化。

独立运行:

cd TrainingFactory
pip install -e .
uvicorn api.main:app --port 8004

---

5️⃣ EvaluationFactory - 评估工厂

训练第五步：质量评估

功能: 全方位模型评估

• ✅ 多维度评估（准确度、安全性、鲁棒性）
• ⚖️ LLM-as-a-judge自动评分
• 📊 基准对比（vs GPT-4/Claude）
• 🔍 错误分析与聚类

为什么第五步？
训练完的模型必须通过严格评估才能上线。EvaluationFactory确保质量达标。

独立运行:

cd EvaluationFactory
pip install -e .
uvicorn api.main:app --port 8005

---

6️⃣ RuntimeFactory - 运行工厂

训练第六步：部署上线

功能: 生产环境部署与运维

特色: 基于 kubernetes-sigs/agent-sandbox

• 🔒 沙箱隔离（Process/Container/VM）
• ⚡ 预热池（<1ms快速部署）
• 🔄 生命周期管理（Pause/Resume/Hibernate）
• 📋 模板系统（4种预定义）

为什么第六步？
评估通过后，Agent终于可以部署到生产环境服务用户。RuntimeFactory提供安全可靠的运行时。

独立运行:

cd RuntimeFactory
pip install -e .
uvicorn api.main:app --port 8006

详情: RuntimeFactory/README.md

---

🚀 快速开始

方式1: 完整平台（推荐初学者）

# 安装所有Factory
./scripts/install-all.sh

# 启动完整平台
./scripts/start-all.sh

# 访问
# Frontend: http://localhost:5173
# API Docs: http://localhost:8000/docs

方式2: 独立Factory（推荐开发者）

# 只安装和运行你需要的Factory
cd ComputeFactory
pip install -e .
uvicorn api.main:app --port 8001

方式3: 微服务部署

# 使用Docker Compose
docker-compose up

# 或使用Kubernetes
kubectl apply -f k8s/

---

📚 Demo演示

Demo 1: 完整工厂流程

训练一个数学计算Agent，体验所有6个工厂：

cd Demo
python3 run_e2e_demo.py

结果:

• ✅ 数据收集与标注
• ✅ 训练MathAgent（95%准确度）
• ✅ 评估通过（100%测试准确度）
• ✅ 成功部署到生产环境

Demo 2: Runtime沙箱系统

展示RuntimeFactory的沙箱隔离和快速部署：

cd Demo
python3 runtime_sandbox_demo.py

结果:

• ✅ 沙箱分配: 0.000s（vs 10-30s冷启动）
• ✅ 多级隔离演示
• ✅ 完整生命周期管理

详细说明: Demo/README.md

---

🎯 架构优势

1. 模块化架构

每个Factory = 独立项目
├── 独立的setup.py（可pip install）
├── 独立的requirements.txt
├── 独立的API
├── 独立的测试
└── 独立的文档

优势:

• ✅ 团队可并行开发
• ✅ 代码冲突最小化
• ✅ 独立版本控制
• ✅ 灵活组合使用

2. 清晰可见

AgentFactory/
├── ComputeFactory/     ← 一眼看出是计算模块
├── DataFactory/        ← 一眼看出是数据模块
└── ...                 ← 架构一目了然

vs 传统结构:

src/
├── services/          ← 不知道有什么
│   └── ...           ← 需要深入才知道

3. 灵活部署

单体模式: 所有Factory在一个进程

python main.py

微服务模式: 每个Factory独立服务

# Terminal 1
cd ComputeFactory && uvicorn api.main:app --port 8001

# Terminal 2  
cd DataFactory && uvicorn api.main:app --port 8002

# ...

混合模式: 核心Factory独立，其他共享

# 独立
cd RuntimeFactory && uvicorn api.main:app --port 8006

# 共享
python main.py  # 运行其他Factory

---

📊 性能指标

指标	优化前	优化后	提升
Agent部署速度	10-30s	<0.001s	>10,000x
并发Agent数	50	200+	4x
资源利用率	60%	85%+	+25%
空闲资源消耗	100%	<10%	-90%

---

🛠️ 开发指南

添加新功能

1. 确定Factory: 功能属于哪个Factory?
2. 进入目录: cd {Factory}Factory
3. 创建分支: git checkout -b feature/xxx
4. 开发: 只修改该Factory的代码
5. 测试: pytest tests/
6. 提交: 改动限定在该Factory

创建新Factory

# 1. 复制模板
cp -r ComputeFactory NewFacto新Factory

# 2. 修改配置
cd NewFactory
# 编辑setup.py, requirements.txt, README.md

# 3. 实现功能
# ...

# 4. 测试
pytest tests/

# 5. 文档
# 更新README.md

---

📖 核心文档

文档	说明
ARCHITECTURE.md	详细架构设计
PROJECT_SUMMARY.md	项目总结与成果
Demo/README.md	Demo使用说明
shared/docs/	共享文档

Factory文档:

• ComputeFactory/README.md
• RuntimeFactory/README.md
• ... (每个Factory都有README)

---

🤝 贡献指南

工作流程

1. Fork项目
2. 选择要改进的Factory
3. 创建功能分支
4. 提交PR（限定Factory范围）

代码规范

• 后端: PEP8, Black格式化
• 前端: ESLint, Prettier
• 测试: pytest (后端), Jest (前端)
• 文档: Markdown

---

📄 许可证

Apache License 2.0 - 详见 LICENSE

---

🙏 致谢

• RuntimeFactory设计灵感来自 kubernetes-sigs/agent-sandbox
• 感谢所有贡献者

---

📞 联系方式

• Issues: GitHub Issues
• Discussions: GitHub Discussions
• Email: team@agentfactory.io

---

🎉 Agent Factory - 模块化的AI Agent工业化平台 🏭

每个Factory都是一个独立的世界！

Made with ❤️ by Agent Factory Team

开始使用 · 查看架构 · 运行Demo