AgentGPT · 在浏览器里组装、运行自主 AI Agent 的开源平台
你其实是在手动给 AI 派活
你手上有个不算小的活儿：把某个细分市场的竞品调研一遍，列清楚各家的定价、卖点和差异。你打开对话式 AI，开始一问一答——先问"有哪些主要玩家"，拿到名单再一个个问"它的定价是多少""主打什么功能"，问完还要自己把答案汇总、去重、排版。
真正累的不是某一个问题，而是你一直在当那个拆任务的人：想下一步该问什么、判断上一条答案够不够、决定要不要再追一句。AI 答得很快，可推进的节奏全靠你手动喂。一个下午过去，你更像个转述员，而不是把活交出去的人。
给它目标，而不是给它问题
AgentGPT 是一个让你把"目标"直接交给 AI 的平台——你写下想达成什么，它自己想出该做哪些任务、逐个执行、再根据结果生成新任务，一轮轮往目标逼近。 你在浏览器里给这个 agent 起个名字、设定目标，剩下的拆解和推进由它自己驱动，你在旁边看它的思考链和产出即可。
它做的事很明确：
- 它做：把一个目标自动拆成任务队列、执行、从结果里学习并生成下一步；支持在浏览器里配置并运行多个自定义 agent。
- 它不做：它本身不含大模型。要跑起来得接一个模型接口——本服务已经替你接好了阿里云百炼，填一个百炼 API Key 就能用 qwen-plus、qwen-max、qwen-turbo，不需要 OpenAI 账号，也不用付美元。
原版要在本地跑通，你得先装 Node.js、Docker、Git，执行 setup.sh 脚本，还要自己申请一个 OpenAI API Key。通过阿里云计算巢部署，这些全省了——开通后几分钟即可打开使用，数据和数据库都在你自己的 ECS 实例上，无需自行配置任何本地环境。
它解决了什么问题
| 你原来怎么干 | 代价 | 用它之后 |
|---|---|---|
| 一问一答，自己想下一步问什么 | 全程盯着、手动推进，AI 答得快你却快不起来 | 写下目标，它自己拆任务、逐步执行 |
| 本地跑：装 Node/Docker/Git + setup.sh | 环境还没配好就先劝退，出错难排查 | 计算巢一键部署，几分钟开箱可用 |
| 要一个 OpenAI API Key | 国内申请麻烦、按美元计费 | 填百炼 API Key，直接用通义千问系列 |
回到开头那个竞品调研：你把"调研某市场主要竞品的定价与卖点并汇总"作为目标交给 AgentGPT，它自己列出"找出主要玩家→逐一查定价→提取核心功能→整理成对比"这一串任务并依次执行，你从一句句提问的人，变成了看结果的人。
而更深一层的变化是：你和 AI 的关系从"对话"变成了"委派"。以前是你想一步、它答一步，你始终是流程的引擎；现在你只负责说清要什么，推进的节奏交给它——这让"让 AI 干一件多步骤的事"从一场需要你全程在场的问答，变成一次可以放手的任务下发。
核心能力
把目标变成会自我驱动的任务流
这是 AgentGPT 区别于普通对话 AI 的地方——你给的是终点，不是问题。
- 目标自动拆解 —— 输入一个目标，它自己规划出要做的任务清单，不用你预先设计步骤。
- 执行—反思—再规划的循环 —— 每完成一个任务，它会根据结果判断下一步做什么、生成新任务，直到逼近目标。
- 过程全程可见 —— 它的思考、正在执行的任务、产出结果都实时显示在界面上，你能随时看懂它走到哪了。
在浏览器里组装你自己的 Agent
- 自定义命名与目标 —— 每个 agent 可以起名字、设定不同目标，按用途配置。
- 接国产大模型开箱即用 —— 默认走阿里云百炼的 OpenAI 兼容接口，可在设置里切换 qwen-plus、qwen-max、qwen-turbo，按任务的复杂度和成本选模型。
谁最该用
| 用户类型 | 典型场景 | 用它拿到什么 |
|---|---|---|
| 想试自主 Agent 的开发者 | 给个目标看 AI 能自己推进到哪 | 免搭环境、免 OpenAI 账号，直接上手体验 |
| 产品/运营 | 竞品调研、资料搜集、初稿整理 | 把多步骤的信息活儿交出去，自己只看结果 |
| AI 应用学习者 | 理解 Agent 如何拆解并执行任务 | 一个过程透明、可反复观察的实验场 |
技术支持
- 官方仓库：https://github.com/reworkd/AgentGPT
- 官方文档：https://reworkd.ai/docs
- 问题反馈：GitHub Issues
🚀 立即体验
→ 一键部署 AgentGPT
部署完成后，在服务实例详情页打开访问链接，用任意昵称登录，给你的第一个 agent 起个名字、写下一个目标，点运行就能看它自己开始拆任务了。
