GitHub 上的 Agent 框架多到數不完,但真的能跑起來、又不會把你的電腦搞爆的,沒幾個。Agent Zero 是其中之一——18.9k star,Python 寫成,靠 Docker 把 AI 關進沙箱裡執行。
我自己跑了一輪,以下是拆解結果。
它要解決的問題
2023 年 AutoGPT 紅的時候,不少人裝完第一次跑就後悔。Agent 直接拿到本地檔案系統權限,一個 prompt 寫錯,rm -rf / 真的不是開玩笑。
Agent Zero 的思路很直白:把 Agent 丟進 Docker 容器。給它完整的工具能力——終端、瀏覽器、檔案讀寫——但做實體隔離。同時強調「過程透明」,每一步推理、每一個工具呼叫都攤在使用者眼前。
這個定位剛好卡在兩個極端之間:
- AutoGPT:無固定結構,Agent 自己生工具、自己定流程,自由度高但失控也容易
- LangGraph:高度結構化,狀態機驅動,可控但搭建成本高
- Agent Zero:給你一個能用的 Agent 加沙箱加 UI,開箱即用,但不強制流程
怎麼用
先裝 Docker Desktop,然後 clone 倉庫。
git clone https://github.com/agent0ai/agent-zero
cd agent-zero
./run.sh
啟動腳本會自動 build 容器、掛載工作目錄、讓你設定 API key。完成後瀏覽器開 Web UI,之後不用再碰命令列。
設定走 ini 檔,在 conf/agent-zero.ini:
[llm]
provider = openai # 也支援 anthropic / ollama / 其他
model = gpt-4o
api_key = sk-xxx
進 UI 後給 Agent 一個 prompt,例如「調查 GitHub 上最熱門的 5 個 Python Web 框架」,然後看它表演。
它怎麼運作(架構)
三層結構,畫出來大概長這樣:
┌─────────────────────────────┐
│ 主 Agent (Agent Zero) │ ← 入口,接需求、拆解任務
└──────────────┬──────────────┘
│ 動態建立
┌───────┴───────┐
▼ ▼
┌──────────┐ ┌──────────┐
│ 子 Agent │ │ 子 Agent │ ← 處理獨立子任務
└────┬─────┘ └────┬─────┘
│ │
▼ ▼
─────────────────────────────
│ 工具層(終端/檔案/瀏覽器) │
└─────────────────────────────┘
│
▼
┌─────────────────────────────┐
│ Docker 沙箱(執行隔離) │
└─────────────────────────────┘
幾個重點:
- 主 Agent是入口。它接需求、做任務拆解、決定要不要分派給子 Agent
- 子 Agent由主 Agent 動態建立。每個子 Agent 處理一個獨立子任務,完成後把結果回報給主 Agent
- 工具層封裝了終端執行、檔案讀寫、瀏覽器自動化(Playwright)、程式碼執行
- 記憶系統分兩層:短期(當前會話的 context window)與長期(跨會話的向量儲存/檔案)
- Docker 容器負責執行隔離。所有 shell 指令、檔案操作都跑在容器裡,不會汙染宿主機
核心迴圈很 ReAct:思考 → 選工具 → 執行 → 觀察結果 → 繼續。
它哪裡好/哪裡不行
優點
- Docker 隔離真的落地,不是嘴上說說。Agent 就算寫出
rm -rf /,炸的也是容器 - 設定簡單。ini 檔配好 LLM 就能跑,不用先學一堆框架概念
- Web UI 做得不錯。每一步操作可視化,debug 比純命令列友善得多
- 多 Agent 協作的層級結構對複雜任務有用。例如「調查 5 個框架」可以拆成 5 個子 Agent 並行跑
- 社群活躍。18.9k star,issue 與 PR 都有人跟
缺點
- 依賴偏重。一定要 Docker,磁碟佔用 5GB 以上,啟動慢
- Agent 行為難以預測。複雜任務容易卡死循環——它會反覆呼叫同一個工具,直到 token 燒光
- 除錯困難。出錯時只能看 log,Agent 的「思考」過程雖然可見,但根本原因要靠猜
- token 消耗大。下面那個任務吃了 12k tokens,複雜任務輕鬆破百萬
- 中文場景下工具呼叫準確率不如英文。Prompt 裡的中文描述有時會讓 Agent 選錯工具
跟 LangGraph 比起來,結構化程度低,但上手速度快 10 倍。跟 AutoGPT 比,安全性和穩定性好得多。
我自己跑了一次
機器:8GB 記憶體的 Mac mini(M1)。
任務 prompt:
「用 Python 寫一個爬蟲,抓 Hacker News 首頁標題,存成 CSV。」
Agent 大約花了 4 分鐘,分了 8 步:
- 思考任務拆解(需要 requests、beautifulsoup4)
- 呼叫 terminal 工具:
pip install requests beautifulsoup4 - 把爬蟲程式碼寫到
/work_dir/hn_scraper.py - 執行測試
- 發現語法錯誤(自己寫的 code 有 bug)
- Debug,改 code
- 再執行,還有 bug
- 再 debug,最後成功,CSV 檔案出現在工作目錄
整個過程消耗約 12k tokens(GPT-4o)。
最小啟動流程範例(根據 README 與實際設定):
# Agent Zero 的最小啟動流程
# 1. clone 並啟動
# git clone https://github.com/agent0ai/agent-zero
# cd agent-zero && ./run.sh
# 2. 設定 LLM(conf/agent-zero.ini)
[llm]
provider = openai # 也支援 anthropic / ollama
model = gpt-4o
api_key = sk-xxx
# 3. 給 Agent 下任務(Web UI 或 API)
prompt = """
任務:用 Python 寫一個爬蟲,抓 Hacker News 首頁所有標題與連結,存成 CSV 檔案。
要求:處理分頁,至少抓 3 頁資料。
"""
# Agent 會自動:
# - 思考任務拆解
# - 呼叫 terminal 工具安裝依賴(requests, beautifulsoup4)
# - 寫程式碼到 /tmp 檔案
# - 執行並 debug
# - 輸出最終結果到工作目錄
# 4. 關鍵設定:工作目錄掛載
# Docker 啟動時會自動掛載 ./work_dir 到容器 /work_dir
# Agent 所有檔案操作都在這個目錄裡
碰到的問題:
- 第一次寫的程式碼有語法錯誤,Agent 自己 debug 兩次才跑通
- 如果任務更複雜(例如「幫我做一個完整 Web 應用」),Agent 會反覆呼叫工具,token 燒得很快
- 8GB 記憶體跑起來偏緊,Docker 加 Python 加瀏覽器工具(Playwright)會吃不少 RAM
誰適合用
適合:
- 想快速體驗 Agent 能力、不想從零開始搭框架的人
- 做研究類、資料處理類任務(爬蟲、資料清洗、報告產生)
- 需要本地部署、對資料隱私有要求的場景(資料不出本機)
- 想跑多 Agent 協作 demo 的人
不適合:
- 生產環境的業務系統(穩定性不夠,SLA 保證不了)
- 需要嚴格可控執行流程的場景(用 LangGraph 更合適)
- 低階配備機器(Docker 加 LLM API 都吃資源)
- 純前端/設計類任務(Agent 不擅長)
新手第一次玩 Agent 框架,推薦從這個開始。比 AutoGPT 安全,比 LangGraph 簡單,比自己手寫 ReAct 迴圈省事。
Agent Zero 不是銀彈,但它把「Agent 在沙箱裡自主幹活」這個模式做成了一個能用的產品。對於想理解 Agent 框架運作原理、又不想被設定勸退的人,它是個不錯的起點。