SuperAGI 智能体框架

在 Clore.ai 上部署 SuperAGI——一个开发者优先的自主 AI 智能体框架，具备 GUI 仪表盘、工具市场、并发智能体，并可在强大的 GPU 云服务器上选择支持本地 LLM。

概览

SuperAGI 是一个开源、以开发者为先的自治 AI 智能体框架，在 GitHub 上拥有 1.5 万+ 星标。与简单聊天机器人不同，SuperAGI 运行 自治智能体 —— 能够独立规划、执行多步骤任务、使用工具，并在无需持续人工输入的情况下不断迭代以实现目标的 AI 系统。

为什么要在 Clore.ai 上运行 SuperAGI？

• 可选 GPU，支持强大的本地 LLM —— 在 Clore.ai 的 GPU 上运行由本地模型（Llama、Mistral 等）驱动的智能体，实现完全私有、成本可控的自治 AI。

• 并发智能体执行 —— 在同一台服务器上并行运行多个智能体，每个智能体同时处理不同任务。

• 持久化智能体记忆 —— 智能体会保留上下文、从工具输出中学习，并在两次运行之间将长期记忆存储到向量数据库中。

• 工具市场 —— 预置了 Google 搜索、GitHub、电子邮件、Jira、Notion 等集成。

• Clore.ai 的经济性 —— RTX 3090 仅需 $0.07–0.21/小时，你就能以云端 AI 服务成本的一小部分运行功能强大的自治智能体。

主要特性

功能	描述
智能体配置	通过 GUI 创建、配置并部署智能体
工具市场	30+ 内置工具（搜索、代码、文件、API）
多模型支持	OpenAI、Anthropic、本地 LLM，支持自定义端点
并发智能体	同时运行多个智能体
智能体记忆	短期（上下文窗口）+ 长期（向量数据库）
GUI 仪表盘	用于智能体管理的完整 Web 界面
资源管理器	跟踪每个智能体的 token 使用量和成本
工作流模板	针对常见任务的预置智能体模板

架构

┌────────────────────────────────────────────────────┐
│              SuperAGI 技术栈                       │
│                                                    │
│  ┌─────────────────────┐   ┌───────────────────┐   │
│  │  前端（端口 3000）   │   │  API（端口 8001）  │   │
│  │   Next.js 界面       │   │  FastAPI 后端     │   │
│  └──────────┬──────────┘   └─────────┬─────────┘   │
│             └──────────┬─────────────┘             │
│                        ▼                           │
│  ┌─────────────────────────────────────────────┐   │
│  │               智能体执行器                   │   │
│  │  ┌──────────┐  ┌──────────┐  ┌──────────┐  │   │
│  │  │  智能体1 │  │  智能体2 │  │ 智能体N  │  │   │
│  │  └──────────┘  └──────────┘  └──────────┘  │   │
│  └───────┬─────────────┬─────────────┬─────────┘   │
│          ▼             ▼             ▼             │
│  ┌───────────┐  ┌───────────┐  ┌───────────┐      │
│  │ PostgreSQL │  │  Redis    │  │  向量    │      │
│  │  （状态）  │  │  （队列） │  │   DB     │      │
│  └───────────┘  └───────────┘  └───────────┘      │
└────────────────────────────────────────────────────┘
          │
    ┌─────┴──────┐
    ▼            ▼
 OpenAI      本地 LLM
 Anthropic   (Ollama/vLLM)

---

需求

服务器规格

组件	最低	推荐	备注
GPU	无（API 模式）	RTX 3090（本地 LLM）	本地模型推理需要 GPU
显存	—	24 GB	用于运行 13B+ 本地模型
CPU	4 vCPU	8 vCPU	智能体执行对 CPU 要求较高
内存	8 GB	16 GB	多个并发智能体需要内存
存储	20 GB	100+ GB	智能体日志、向量数据库、模型存储

Clore.ai 价格参考

服务器类型	大致费用	使用场景
CPU（8 vCPU，16 GB）	约 $0.10–0.20/小时	SuperAGI + 外部 API（OpenAI/Anthropic）
RTX 3090（24 GB）	$0.07–0.21/小时	SuperAGI + Ollama 13B 本地模型
RTX 4090（24 GB）	$0.14–0.42/小时	SuperAGI + Ollama，更快推理
2× RTX 3090	$0.14–0.42/小时	SuperAGI + 70B 模型（Q4 量化）
A100 80 GB	裸机	SuperAGI + 大型模型，高并发
H100 80 GB	约 $1.04/小时	生产级自治智能体系统

💡 成本提示： 在开发和测试阶段，请使用 OpenAI 或 Anthropic API（无需 GPU）。只有在出于隐私或成本原因需要本地 LLM 推理时，才切换到 GPU 实例。参见 GPU 比较指南.

前提条件

• 带 SSH 访问的 Clore.ai 服务器

• Docker + Docker Compose（Clore.ai 预装）

• Git（预装）

• 4+ vCPU，8+ GB RAM（并发智能体建议 16 GB）

• OpenAI API 密钥 或 本地 LLM 端点（Ollama/vLLM）

---

快速开始

方法 1：Docker Compose（官方——推荐）

SuperAGI 的官方部署使用 Docker Compose 来管理所有服务。

步骤 1：连接到你的 Clore.ai 服务器

ssh root@<your-clore-server-ip> -p <ssh-port>

步骤 2：克隆并配置

git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI
cp config_template.yaml config.yaml

步骤 3：编辑 config.yaml

nano config.yaml

最低必需配置：

# config.yaml
OPENAI_API_KEY: "sk-your-openai-key-here"

# 数据库（Docker Compose 保持默认即可）
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "password"

# 向量数据库
VECTOR_STORE: "Redis"  # 或 "Pinecone"、"Qdrant"、"Weaviate"
REDIS_URL: "redis://super__agi-redis-1:6379/0"

# 应用设置
ENV: "PROD"
ALLOW_LISTS_CREATION: "true"

# 可选：限制访问
# AUTH_SECRET_KEY: "your-random-secret"

步骤 4：启动技术栈

docker compose up -d --build

构建过程会下载依赖并编译前端（首次运行约需 5–10 分钟）。

步骤 5：监控启动

# 观察所有服务启动
docker compose ps

# 查看日志
docker compose logs -f

# 等待后端日志中出现 "Application startup complete"
docker compose logs superagi-backend --tail 30

步骤 6：访问仪表盘

http://<your-clore-server-ip>:3000

API 可通过以下地址访问：

http://<your-clore-server-ip>:8001

API 文档：

http://<your-clore-server-ip>:8001/docs

---

方法 2：使用预构建镜像快速开始

如需使用预构建镜像加快启动（跳过构建步骤）：

git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI
cp config_template.yaml config.yaml

# 使用你的 API 密钥编辑配置
nano config.yaml

# 如果可用，请使用预构建镜像
docker compose -f docker-compose.yaml pull
docker compose up -d

---

方法 3：最小单模型设置

用于仅使用 OpenAI 进行测试的精简设置：

git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI

# 创建最小配置
cat > config.yaml << 'EOF'
OPENAI_API_KEY: "sk-your-key-here"
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "superagi_password_123"
REDIS_URL: "redis://super__agi-redis-1:6379/0"
ENV: "PROD"
EOF

docker compose up -d --build

# 监控构建进度
docker compose logs superagi-frontend --tail 5 -f &
docker compose logs superagi-backend --tail 5 -f

---

配置

config.yaml 参考

# ============================================================
# LLM 提供方
# ============================================================
OPENAI_API_KEY: "sk-..."                    # OpenAI GPT 模型
ANTHROPIC_API_KEY: "sk-ant-..."            # Claude 模型

# 用于本地模型（Ollama 或 OpenAI 兼容 API）
# 在 UI 中设置：Settings → Models → Custom Model
OPENAI_API_BASE: "http://172.17.0.1:11434/v1"  # 同一主机上的 Ollama
OPENAI_MODEL: "llama3.1:8b"

# ============================================================
# 数据库
# ============================================================
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "your-strong-password"

# ============================================================
# 向量数据库（智能体长期记忆）
# ============================================================
VECTOR_STORE: "Redis"       # Redis（默认，内置）
# 或使用外部：
# VECTOR_STORE: "Pinecone"
# PINECONE_API_KEY: "your-key"
# PINECONE_ENVIRONMENT: "us-east-1-aws"

# VECTOR_STORE: "Weaviate"
# WEAVIATE_URL: "http://weaviate:8080"

# ============================================================
# 工具 API 密钥（可选，适用于特定工具）
# ============================================================
GOOGLE_API_KEY: "your-google-key"
GOOGLE_CUSTOM_SEARCH_ENGINE_ID: "your-cx-id"
GITHUB_TOKEN: "ghp_your-token"
JIRA_EMAIL: "[e-mail]"
JIRA_API_TOKEN: "your-jira-token"
JIRA_SERVER_URL: "https://your-org.atlassian.net"

# ============================================================
# 存储
# ============================================================
STORAGE_TYPE: "File"        # 本地文件存储
# STORAGE_TYPE: "S3"        # 兼容 S3（MinIO、AWS）
# BUCKET_NAME: "superagi"
# AWS_ACCESS_KEY_ID: "..."
# AWS_SECRET_ACCESS_KEY: "..."

# ============================================================
# 安全
# ============================================================
JWT_SECRET_KEY: "your-random-secret-key"

将 SuperAGI 连接到工具

工具可通过以下 GUI 进行配置： Settings → Toolkit。每个工具都可以按智能体启用/禁用。

内置工具：

工具	用途	需要 API 密钥
Google 搜索	网页搜索	是（Google API）
DuckDuckGo	网页搜索	否
GitHub	代码仓库访问	是（GitHub 令牌）
电子邮件	发送/读取电子邮件	是（SMTP 配置）
代码编写器	编写并执行代码	否
文件管理器	读取/写入本地文件	否
浏览器	无头网页浏览	否
Jira	问题跟踪	是
Notion	知识库	是
图像生成	DALL-E 3、Stable Diffusion	是（OpenAI 密钥）

创建你的第一个智能体

通过 GUI（Settings → Agents → Create Agent）：

1. 名称 —— 为你的智能体起一个有描述性的名称

2. 描述 —— 这个智能体的作用

3. 目标 —— 列出目标（每行一个）

4. 说明 —— 行为的系统提示词

5. 模型 —— 选择 LLM（GPT-4、Claude 或本地）

6. 工具 —— 启用相关工具

7. 最大迭代次数 —— 安全限制（通常为 10–50）

通过 REST API：

# 通过 API 创建智能体
curl -X POST "http://localhost:8001/v1/agent" \\
  -H "Content-Type: application/json" \\
  -d '{
    "name": "Research Agent",
    "description": "研究主题并撰写摘要",
    "goal": [
      "研究提供的主题",
      "撰写一份全面摘要",
      "将摘要保存到文件"
    ],
    "agent_type": "Task Queue",
    "constraints": [],
    "tools": ["DuckDuckGoSearch", "WriteFileTool", "ReadFileTool"],
    "exit_criterion": "无退出条件",
    "max_iterations": 25,
    "user_timezone": "UTC",
    "llm_model_config": {
      "model_name": "gpt-4o-mini",
      "temperature": 0.5,
      "max_new_tokens": 2000
    }
  }'

---

GPU 加速

SuperAGI 支持通过任何兼容 OpenAI 的端点进行本地 LLM 推理，这使其非常适合 GPU 驱动的 Clore.ai 部署。

将 Ollama 设为智能体 LLM 后端

查看 Ollama 指南 以获取完整的 Ollama 配置。与 SuperAGI 的集成：

步骤 1：在同一台 Clore.ai 服务器上启动 Ollama

docker run -d \\
  --name ollama \\
  --gpus all \\
  --restart unless-stopped \
  -p 11434:11434 \
  -v ollama_models:/root/.ollama \\
  ollama/ollama

# 拉取适合智能体使用的模型（需要较强推理能力）
docker exec ollama ollama pull llama3.1:8b        # 快速，推理能力好
docker exec ollama ollama pull mistral:7b-instruct  # 代码任务
docker exec ollama ollama pull deepseek-coder:6.7b # 重代码型智能体

步骤 2：将 SuperAGI 配置为使用 Ollama

在 config.yaml:

# 指向 Ollama（运行在 Docker 主机上）
OPENAI_API_BASE: "http://172.17.0.1:11434/v1"

或者在 SuperAGI UI 中配置：

• Settings → Models → Add Custom Model

• 提供方：兼容 OpenAI

• 基础 URL： http://172.17.0.1:11434/v1

• API Key： ollama （任意字符串）

• 模型名称： llama3.1:8b

为高吞吐智能体设置 vLLM

适用于有大量并发智能体的生产部署（参见 vLLM 指南):

# 在 GPU 服务器上启动 vLLM
docker run -d \\
  --name vllm \\
  --gpus all \\
  --restart unless-stopped \
  -p 8000:8000 \
  -v hf_cache:/root/.cache/huggingface \\
  -e HF_TOKEN=hf_your-token \\
  vllm/vllm-openai:latest \
  --model mistralai/Mistral-7B-Instruct-v0.3 \
  --served-model-name mistral-7b \\
  --max-model-len 8192 \\
  --enable-prefix-caching

# 在 config.yaml 中：
# OPENAI_API_BASE: "http://172.17.0.1:8000/v1"

智能体工作负载的 GPU 规格

使用场景	模型	GPU	显存	并发智能体
测试	GPT-4o-mini（API）	无	—	无限制（受速率限制）
轻量智能体	Llama 3.1 8B	RTX 3090	8 GB	2–4
推理任务	Mistral 7B Instruct	RTX 3090	6 GB	3–5
复杂智能体	Llama 3.1 70B Q4	2× RTX 3090	48 GB	1–2
生产环境	Llama 3.1 70B FP16	A100 80GB	80 GB	3–6

---

提示与最佳实践

智能体设计

• 在目标上要具体 —— 像“做研究”这样的模糊目标会导致智能体循环。请使用“研究 X 并将 500 字摘要写入文件 output.txt。”

• 设置迭代限制 —— 始终设置 max_iterations （20–50）。无限制的智能体会迅速消耗 token。

• 使用任务队列模式 —— 对于多步骤流水线，“Task Queue” 智能体比 “Don't Limit” 模式更可靠。

• 先用便宜模型测试 —— 在使用昂贵模型之前，先用 GPT-4o-mini 或本地 7B 模型验证智能体逻辑。

Clore.ai 上的成本管理

# 在 SuperAGI 仪表盘中实时监控 token 使用量
# Settings → Resources → Token Usage

# 在 config.yaml 中设置组织级限制
MAX_BUDGET_TOKENS: 100000  # 每个会话的软限制

由于 Clore.ai 按小时计费：

# 在停止实例之前保存智能体配置
docker compose exec superagi-backend \\
  python -c "import json; from superagi.models import Agent; ..."

# 备份 PostgreSQL 数据库
docker compose exec super__agi-db-1 \\
  pg_dump -U super_agi super_agi | gzip > superagi-db-$(date +%Y%m%d).sql.gz

# 将备份复制到服务器外部
scp -P <ssh-port> root@<server-ip>:~/SuperAGI/superagi-db-*.sql.gz ./

保护 SuperAGI 安全

# 在 config.yaml 中启用身份验证
AUTH_SECRET_KEY: "your-strong-random-secret"

# 将 API 限制为仅本地主机（使用 SSH 隧道）
# 修改 docker-compose.yml，移除外部端口绑定：
# ports:
#   - "127.0.0.1:8001:8001"  # API 仅限本地访问
#   - "127.0.0.1:3000:3000"  # 仅限本地 UI

# 然后通过 SSH 隧道访问：
# ssh -L 3000:localhost:3000 -L 8001:localhost:8001 root@<server-ip> -p <port>

Clore.ai 会话之间的持久存储

# 创建完整备份脚本
cat > /root/backup-superagi.sh << 'EOF'
#!/bin/bash
cd ~/SuperAGI

# 备份数据库
docker compose exec -T super__agi-db-1 \\
  pg_dump -U super_agi super_agi | \\
  gzip > ~/backups/superagi-db-$(date +%Y%m%d-%H%M).sql.gz

# 备份配置和工作区
tar -czf ~/backups/superagi-files-$(date +%Y%m%d-%H%M).tar.gz \\
  config.yaml \\
  workspace/ \\
  .env 2>/dev/null || true

echo "备份完成：$(ls -lh ~/backups/ | tail -2)"
EOF

chmod +x /root/backup-superagi.sh
mkdir -p ~/backups

更新 SuperAGI

cd ~/SuperAGI

# 保存当前配置
cp config.yaml config.yaml.backup

# 拉取最新更改
git pull origin main

# 重新构建并重启
docker compose down
docker compose up -d --build

# 检查所有服务是否健康
docker compose ps
docker compose logs superagi-backend --tail 20

---

故障排查

构建失败时 docker compose up --build

# 详细检查构建日志
docker compose build superagi-backend --no-cache 2>&1 | tail -50

# 常见修复：释放磁盘空间
docker system prune -f
df -h  # 确保至少有 10 GB 可用空间

# 如果前端的 npm 构建失败
docker compose build superagi-frontend --no-cache

# 检查构建期间的 Node.js 内存
docker compose build superagi-frontend \\
  --build-arg NODE_OPTIONS="--max-old-space-size=4096"

后端在启动时崩溃

# 检查后端日志
docker compose logs superagi-backend --tail 50

# 常见原因：
# 1. config.yaml 语法无效
python3 -c "import yaml; yaml.safe_load(open('config.yaml'))" && echo "YAML 正常"

# 2. 数据库尚未就绪
docker compose restart superagi-backend  # 先等待数据库启动

# 3. 缺少 API 密钥
grep OPENAI_API_KEY config.yaml  # 确保已设置且不为空

前端未加载（端口 3000）

# 检查前端容器
docker compose ps superagi-frontend
docker compose logs superagi-frontend --tail 30

# 验证端口映射
ss -tlnp | grep 3000

# 检查前端是否可访问 API 后端
docker compose exec superagi-frontend \\
  curl -s http://superagi-backend:8001/health

Agent 无限循环

# 在 SuperAGI UI 中查看 Agent 日志：
# 仪表板 → Agent → 查看日志

# 通过 API 强制停止正在运行的 Agent
curl -X POST "http://localhost:8001/v1/agent/<agent-id>/stop" \\
  -H "Content-Type: application/json"

# 或通过数据库停止所有 Agent
docker compose exec super__agi-db-1 \\
  psql -U super_agi -c "UPDATE agent_executions SET status='COMPLETED' WHERE status='RUNNING';"

Redis 连接错误

# 检查 Redis 状态
docker compose ps super__agi-redis-1
docker compose logs super__agi-redis-1

# 测试 Redis 连接
docker compose exec superagi-backend \\
  python3 -c "import redis; r=redis.from_url('redis://super__agi-redis-1:6379/0'); print(r.ping())"

# 重启 Redis
docker compose restart super__agi-redis-1

SuperAGI 容器无法访问 Ollama

# 查找 Docker 网桥 IP
docker network inspect bridge | grep Gateway

# 在后端容器中测试
docker compose exec superagi-backend \\
  curl -s http://172.17.0.1:11434/v1/models

# 如果使用主机网络
docker run -d --network host ...  # 与 docker compose 不太兼容

# 替代方案：将 Ollama 添加到同一 compose 网络
# 添加到 docker-compose.yml 的 services：
# ollama:
#   image: ollama/ollama
#   deploy:
#     resources:
#       reservations:
#         devices:
#           - driver: nvidia
#             count: all
#             capabilities: [gpu]

数据库连接池已耗尽

# 在 docker-compose.yml 中增加 PostgreSQL 最大连接数
# 在 db 服务下：
command: postgres -c max_connections=200

# 重启数据库
docker compose restart super__agi-db-1
docker compose restart superagi-backend

---

延伸阅读

• SuperAGI 文档 — 官方指南、API 参考

• SuperAGI GitHub — 源代码、问题、社区

• 在 Clore.ai 上运行 Ollama — Agent 的本地 LLM 后端

• 在 Clore.ai 上运行 vLLM — 面向并发 Agent 的高吞吐推理

• GPU 比较指南 — 选择合适的 Clore.ai 套餐

• SuperAGI 工具市场 — 社区构建的 Agent 工具

• SuperAGI Discord — 社区支持与讨论

• FastAPI 文档（SuperAGI API） — 你实例上的交互式 API 文档