github.com/BUPT-GAMMA/MASFactory @main

MASFactory 是一个以图结构为核心的 Multi‑Agent Orchestration 框架，面向 Vibe Graphing 场景打造：

从意图出发生成图结构设计，在可视化环境中预览与编辑迭代收敛，最终编译为可运行的工作流，并在运行时追踪节点状态、消息与共享状态变化。

• Paper: http://arxiv.org/abs/2603.06007
• Documentation: https://docs.masfactory.dev/
• 项目官网：https://masfactory.dev
• Demonstration Video: https://www.youtube.com/watch?v=ANynzVfY32k
• Vibe Graphing 讲解（Discover AI）: https://www.youtube.com/watch?v=QFlQuX_cddk

✨ Key Features

• 🪄 Vibe Graphing（intent → graph）
  从自然语言意图形成结构设计，并迭代收敛到可执行、可复用的工作流。
• 🧱 Graph 积木式搭建
  以 Node/Edge 显式描述流程与字段契约，支持子图、循环、分支与复合组件。
• 👁️ 可视化与可观测
  配套 MASFactory Visualizer 提供拓扑预览、运行追踪与人机交互能力。
• 🧠 上下文协议（ContextBlock）
  以结构化方式组织 Memory / RAG / MCP 等上下文源，支持自动注入与按需检索。

🧭 为什么选择 MASFactory

随着多智能体能力快速增强，系统编排却仍停留在手工编排的时代：要么手写工作流代码，要么在画布里逐个节点拖拽配置。MASFactory 希望通过 Vibe Graphing, 把人类从繁复的编排工作中解放出来：先用自然语言表达意图，让 AI 起草协作结构，再由人持续纠正和确认，最后把结果编译成可执行图工作流。

这样一来，人类的开发重点就从低层连线和重复配置，转移到了多智能体的设计本身。

如果用更直观的方式来看今天的多智能体开发工具，大致可以分成下面几类：

平台	产品	侧重点	优势与局限
代码框架	MASFactory、ChatDev2(DevAll)、LangGraph、AutoGen	构建复杂多智能体系统	具备极高的灵活性和扩展性，但门槛较高，需要学习 DSL，并且存在较高的开发成本
低代码工作流平台	MASFactory、ChatDev2(DevAll)、Coze、Dify	低门槛低代码开发多智能体系统	降低了开发门槛，但依然依赖大量人力手动编排
Vibe Graphing 编排框架	MASFactory	低人力成本实现多智能体系统快速设计和迭代	人类无需付出过多的开发、拖拽的操作，只需要将自己的需求描述清楚，并在对话中细化设计细节。

🏗️ 系统框架图

MASFactory采用业界常用的以Graph为中心的多智能体编排方法，将系统抽象为4层：

• 图骨架层：以 Node 和 Edge 作为最底层抽象，用图结构表达多智能体之间的协作关系、依赖关系和消息流动
• 组件层：组件层的作用，是把底层的 Node、Edge 进一步封装成可复用的协作单元，让开发者不必每次都从最底层手工拼装工作流，而是可以像搭积木一样组织多智能体系统：

• Agent 是最基础的执行单元，对应一个具备角色、指令、工具、Memory、RAG 等能力的智能体节点，负责完成具体分析、生成、调用等任务。

• Graph 用于把多个节点封装成可嵌套的子图，让复杂流程可以分层设计、局部复用，也让“一个阶段”本身还能继续作为“另一个更大图里的节点”。

• Loop 用于处理多轮迭代型任务，例如反复讨论、持续修订、测试直到通过等场景，本质上把“重复执行直到满足条件”为止的控制逻辑做成了标准组件。

• Switch 用于做分支判断和动态路由，可以按照显式条件切换执行路径，也可以结合模型能力决定消息应该流向哪个节点，从而支持更灵活的协作拓扑。

• Human 则把人工确认、对话输入、文件审阅与编辑等 Human-in-the-loop 环节纳入图中，使多智能体系统不再是纯自动流程，而是能够在关键步骤引入人类参与。

• ComposedGraph和NodeTemplate 是MASFactory 在上述组件的基础之上进一步提供了两套复用能力组件，前者负责“先声明模板、后实例化装配”，后者负责把常见协作结构直接封装成可复用组件。MASFactory内置了常用的图结构(InstructorAssistantGraph、BrainstormingGraph等)，方便用户开箱即用。

协议层：通过 Message Adapter 与 Context Adapter，统一处理通信协议以及 Memory、RAG、MCP 等上下文能力，方便用户接入相关框架增强自己的多智能体系统。

• 交互层：MASFactory同时提供三类开发范式：

• 基于Vibe Graphing的自然语言交互构造智能体工作流，降低系统开发的人力开支。
• 基于声明式、命令式的两种代码开发方式，可以更加灵活自由地编写工作流。
• 通过 MASFactory Visualizer以拖拽的方式手动设计工作流，兼容大家的低代码开发习惯。

MASFactory 的优势并不在于“再提供一种工作流搭建方式”，而在于它把代码开发、可视化编辑和自然语言驱动编排统一进了同一套系统。开发者既可以自己写，也可以自己拖拽，还可以先让 AI 起草系统结构，再编译成可运行的多智能体工作流——以上三中方式并不是相互割裂独立的，而是可以在同一个项目中同时使用。

🎬 三种开发方式自由组合，并提供统一的运行时追踪

无论你先写代码、先拖拽，还是先做 Vibe Graphing，对应的图结构都能进入同一个 Visualizer 里做预览、追踪和人工介入。

代码编写与图结构实时预览

拖拽式设计

Vibe Graphing 交互

运行时监测

⚡ 快速开始

1) 安装 MASFactory（PyPI）

环境要求：Python >= 3.10

pip install -U masfactory

验证安装：

python -c "from importlib.metadata import version; print('masfactory version:', version('masfactory'))"
python -c "from masfactory import RootGraph, Graph, Loop, Agent, CustomNode; print('import ok')"

2) 安装 MASFactory Visualizer（VS Code 插件）

MASFactory Visualizer 用于图结构预览、运行追踪与人机交互。

从 VS Code 插件市场安装：

1. 打开 VS Code → Extensions（扩展）
2. 搜索：MASFactory Visualizer
3. 安装并 Reload

打开方式： - 活动栏（左侧）→ MASFactory Visualizer → Graph Preview，或 - 命令面板： - MASFactory Visualizer: Start Graph Preview - MASFactory Visualizer: Open Graph in Editor Tab

🧩 简单示例（来自「第一行代码」）

最小两阶段 Agent 工作流：ENTRY → analyze → answer → EXIT。

import os
from masfactory import RootGraph, Agent, OpenAIModel, NodeTemplate

model = OpenAIModel(
    api_key=os.getenv("OPENAI_API_KEY", ""),
    base_url=os.getenv("OPENAI_BASE_URL") or os.getenv("BASE_URL") or None,
    model_name=os.getenv("OPENAI_MODEL_NAME", "gpt-4o-mini"),
)

BaseAgent = NodeTemplate(Agent, model=model)

g = RootGraph(
    name="qa_two_stage",
    nodes=[
        ("analyze", BaseAgent(instructions="你是问题分析专家。", prompt_template="用户问题：{query}")),
        ("answer", BaseAgent(instructions="你是解决方案专家，基于分析给出最终回答。", prompt_template="问题：{query}\n分析：{analysis}")),
    ],
    edges=[
        ("entry", "analyze", {"query": "用户问题"}),
        ("analyze", "answer", {"query": "原始问题", "analysis": "分析结果"}),
        ("answer", "exit", {"answer": "最终回答"}),
    ],
)

g.build()
out, _attrs = g.invoke({"query": "我想学习 Python，但不知道从哪里开始"})
print(out["answer"])

🛠️ 可复用 Skill 示例

Skill 采用 Anthropic 风格的目录包格式，并通过 load_skill(...) 显式加载，然后用 skills=[...] 挂到 Agent 上。

import os
from masfactory import Agent, OpenAIModel, ParagraphMessageFormatter, load_skill

model = OpenAIModel(
    api_key=os.getenv("OPENAI_API_KEY", ""),
    model_name=os.getenv("OPENAI_MODEL_NAME", "gpt-4o-mini"),
)

paper_summary = load_skill("./skills/paper-summary")

agent = Agent(
    name="researcher",
    instructions="你是研究助手。",
    model=model,
    formatters=ParagraphMessageFormatter(),
    skills=[paper_summary],
)

示例 Skill 目录：

skills/
└── paper-summary/
    ├── SKILL.md
    ├── template.md
    └── examples/
        └── sample.md

SKILL.md 示例：

---
name: paper-summary
description: 清晰总结研究论文
---
重点关注论文的问题、方法、结果与局限性。
保持总结简洁且忠实原文。

🌟 示例应用

下面展示的是三个基于 MASFactory 构建的示例应用，分别面向“AI 论文日报”、“Paper2PPT”和“可视化 Skill 构建”三个典型场景。它们对应的 workflow 代码都已经在本仓库开源，方便学习和复用 MASFactory 的多智能体编排思路。

NowWhat

NowWhat 意为 “Now what are my peers working on?”，是一个面向 AI 研究者与开发者的信息筛选应用。它会每日抓取 AI 领域论文，并基于大模型进行系统化分析与总结，帮助用户快速了解当天值得关注的研究进展。

• 在线体验地址：https://what.masfactory.dev

OhNoPPT

OhNoPPT 是一个面向论文讲解 PPT 制作场景的 Paper2PPT 应用。用户只需要上传论文，并描述汇报场景与目标，系统就会在后台启动基于 MASFactory 的多智能体工作流，自动完成从论文理解到 PPT 生成的整套流程。与多数只能导出静态 slides 的产品不同，OhNoPPT 交付的是可以继续用 Office 编辑修改的 .pptx 文件。

• 在线体验地址：https://ppt.masfactory.dev

ClawCanvas

ClawCanvas 是一个面向 MASFactory 工作流的可视化 Skill Studio。用户可以在 Web 画布上搭建智能体工作流，校验图结构，调用 MASFactory 执行已支持的节点，并把工作流与 skill 元数据一起导出为可发布、可复用的 skill package。

• 在线体验地址：https://clawcanvas.masfactory.dev
• 应用代码：applications/clawcanvas/

▶️ 运行仓库内的多智能体复现（applications/）

多数工作流需要 OPENAI_API_KEY；部分脚本也会读取 OPENAI_BASE_URL / BASE_URL 与 OPENAI_MODEL_NAME。

# ChatDev
python -m applications.chatdev.workflow.main --task "Develop a basic Gomoku game." --name "Gomoku"

# ChatDev Lite（简化版）
python -m applications.chatdev_lite.workflow.main --task "Develop a basic Gomoku game." --name "Gomoku"

# ChatDev Lite（VibeGraphing 版本）
python -m applications.chatdev_lite_vibegraph.main --task "Write a Ping-Pong (Pong) game." --name "PingPong"

# VibeGraph Demo（intent → AML → compile → run）
python -m applications.vibegraph_demo.main

# AgentVerse · PythonCalculator
python applications/agentverse/tasksolving/pythoncalculator/run.py --task "write a simple calculator GUI using Python3."

# CAMEL role-playing demo
python applications/camel/main.py "Create a sample adder by using python"

📚 学习索引

在线文档地址：https://docs.masfactory.dev/ - 快速入门：项目简介 → 安装 → Visualizer → 第一行代码 - 渐进式教程：ChatDev Lite（声明式 / 命令式 / VibeGraph） - 开发指南：核心概念 → 消息传递 → NodeTemplate → Agent 运行机制 → 上下文接口（Memory/RAG/MCP）→ Visualizer → 模型适配器

🗂️ 项目目录结构

.
├── masfactory/                       # MASFactory 框架
│   ├── core/                         # 基础组件：Node / Edge / Gate / MessageFormatter
│   ├── components/                   # 关键功能组件
│   │   ├── agents/                   # Agent / DynamicAgent / SingleAgent
│   │   ├── controls/                 # LogicSwitch / AgentSwitch
│   │   ├── graphs/                   # Graph / RootGraph / Loop
│   │   ├── human/                    # Human-in-the-loop 节点
│   │   ├── composed_graph/           # 复合组件
│   │   └── vibe/                     # Vibe Graphing
│   ├── adapters/                     # Model / Memory / Retrieval / MCP 等适配器
│   ├── integrations/                 # 第三方集成接口 (MemoryOS / UltraRAG, etc.)
│   ├── utils/                        # Utilities (config, hook, Embedding, etc.)
│   └── visualizer/                   # MASFactory Visualizer 运行时通信桥
├── masfactory-visualizer/            # VS Code 插件 MASFactory Visualizer
├── applications/                     # 示例与复现应用
│   ├── chatdev/
│   ├── chatdev_lite/
│   ├── chatdev_lite_vibegraph/
│   ├── agentverse/
│   ├── camel/
│   ├── clawcanvas/
│   ├── hugggpt2/
│   ├── metagpt/
│   ├── nowwhat/
│   ├── ohnoppt/
│   └── vibegraph_demo/
├── docs/                             # VitePress 文档站
├── README.md
├── README.zh.md
├── pyproject.toml
├── requirements.txt
└── uv.lock

📄 引用

@article{liu2026masfactory,
  title   = {MASFactory: A Graph-centric Framework for Orchestrating LLM-Based Multi-Agent Systems with Vibe Graphing},
  author  = {Yang Liu and Jinxuan Cai and Yishen Li and Qi Meng and Zedi Liu and Xin Li and Chen Qian and Chuan Shi and Cheng Yang},
  journal = {arXiv preprint arXiv:2603.06007},
  year    = {2026},
  doi     = {10.48550/arXiv.2603.06007},
  url     = {https://arxiv.org/abs/2603.06007}
}

⭐ Star 趋势

📬 交流讨论组

QQ: 2157069383

Discord: https://discord.gg/RWRYhWq7