AgentKit安装&多Agent实验教程：AI研究员快速上手指南
[1] 一句话结论
本指南将教AI研究员快速安装AgentKit并搭建可复现的多Agent实验环境。
[2] 适用场景与不适用场景
适用场景
- 适合需要快速搭建多智能体协作实验、实验周期1-4周的AI研究人员，不需要额外开发底层调度逻辑。
- 适合需要对比不同大模型在多Agent任务中表现、单次实验并发Agent数≤50的实验场景。
- 适合需要保留完整实验链路日志、可复现多Agent交互过程的研究场景。
不适用场景
- 如果你的场景是需要部署面向C端的高并发多Agent生产服务（QPS≥100），建议参考火山引擎方舟平台的生产级部署方案。
- 如果你的场景是需要基于自定义内核修改Agent调度逻辑，建议直接基于开源多Agent框架如AutoGPT二次开发。
- 如果你的场景是单次实验需要调度超过200个Agent的大规模群体智能实验，建议使用火山引擎机器学习平台的分布式调度能力。
[3] 前置准备
- 开发环境：Python 3.10~3.12，支持macOS 12+、Ubuntu 20.04+系统，Windows系统需要使用WSL2
- 账号与权限：已开通火山引擎账号，且拥有AgentKit FullAccess权限
- 依赖项：agentkit-sdk-python 0.7.0+，veadk-python 1.2.0+，推荐使用uv 0.4+作为包管理器
- 预计耗时：首次安装配置30分钟，完成第一个多Agent实验1小时
[4] 分步实现
步骤1：安装包管理器与环境初始化
步骤说明：我们推荐使用uv代替pip作为包管理器，能解决Python依赖冲突问题，避免因为依赖版本不一致导致实验无法复现。跳过这一步可能会出现依赖安装失败或者版本冲突的问题。
# 安装uv包管理器 curl -LsSf https://astral.sh/uv/install.sh | sh # 初始化实验项目目录 mkdir agent-multi-exp && cd agent-multi-exp uv init --no-workspace # 创建3.12版本的虚拟环境 uv venv --python 3.12 # 激活虚拟环境 source .venv/bin/activate
预期结果：终端显示虚拟环境名称前缀，执行uv --version返回版本号≥0.4.0。
⚠️ 常见错误：执行uv命令提示command not found
原因：uv的安装路径没有加入系统环境变量
解决方法：执行source ~/.zshrc（zsh用户）或者source ~/.bashrc（bash用户），重启终端后再次执行。
步骤2：安装AgentKit相关依赖
步骤说明：这一步安装官方SDK和CLI工具，CLI工具可以帮我们快速初始化项目、配置凭证和部署实验，不需要手动写大量配置文件。
# 安装AgentKit SDK和CLI工具 uv add agentkit-sdk-python veadk-python
预期结果：终端显示依赖安装成功，没有报错。
步骤3：配置账号凭证
步骤说明：配置火山引擎的AK/SK，让CLI工具有权限调用AgentKit的服务，跳过这一步后续所有服务调用都会被拦截。
# 全局初始化配置，按照提示输入你的火山引擎AK/SK agentkit config --global --init # 验证安装是否成功 agentkit --version
预期结果：返回版本号≥0.7.0，没有报错。
⚠️ 常见错误：配置AK/SK后执行agentkit命令提示权限不足
原因：输入的AK/SK有误，或者账号没有开通AgentKit服务/没有对应权限
解决方法：首先确认AK/SK复制正确，没有多余空格，其次登录火山引擎控制台检查AgentKit服务是否已开通，是否给账号分配了AgentKit FullAccess权限。
步骤4：初始化多Agent实验项目
步骤说明：我们提供了预置的多Agent实验模板，比如论文审稿多Agent、数学解题多Agent等，不需要从零开始写Agent逻辑，快速启动实验。
# 初始化项目，选择"多Agent协作实验模板" agentkit init # 进入项目目录 cd my-multi-agent-exp
预期结果：生成项目结构，包含agent配置文件、入口文件、评估脚本三个核心部分。
步骤5：编排多Agent逻辑并运行本地实验
步骤说明：通过Agent Builder可视化画布编排多个Agent的分工、交互逻辑，比如设置一个协调Agent、两个执行Agent、一个评估Agent，然后本地运行测试。
# main.py 入口文件示例 from agentkit import Agent, Workflow # 定义三个Agent角色 coordinator = Agent(role="协调员", prompt="负责分配任务，汇总执行结果") executor1 = Agent(role="数学解题专家", prompt="负责解决数学类问题") executor2 = Agent(role="代码实现专家", prompt="负责将解题思路转化为Python代码") # 定义工作流 workflow = Workflow([coordinator, executor1, executor2]) # 运行实验 result = workflow.run(input="求解斐波那契数列第20项的值，给出代码实现") print(result)
预期结果：运行后输出三个Agent的交互过程和最终结果，包含解题思路和可运行的Python代码。
[5] 实际验证
我们完成上述步骤后，用以下测试用例验证是否配置正确：
测试用例输入："对比GPT-4o和豆包4.0在数学解题多Agent任务中的准确率，任务集包含10道高中数学题"
预期输出：返回两个模型对应的多Agent协作过程日志、每道题的得分、最终准确率对比结果，HTTP状态码为200。
验证成功的标志：可以在本地控制台看到完整的Agent交互日志，最终输出的准确率数值在0~1之间，且每道题的结果可追溯。
验证失败常见原因：1. 依赖版本不匹配：检查agentkit-sdk-python版本是否≥0.7.0，升级到最新版本即可；2. 大模型调用权限不足：检查账号是否开通了对应的大模型API调用权限；3. 工作流配置错误：检查Agent的prompt是否符合格式要求，有没有缺失必填参数。
[6] 常见问题 FAQ
Q1：做多Agent实验的时候，怎么保存所有Agent的交互日志用于后续分析？
A1：我们在AgentKit中默认开启了全链路日志存储，本地实验的日志会保存在项目目录的logs文件夹下，格式为JSONL，你可以直接读取分析，也可以通过agentkit log export命令导出为CSV格式。
Q2：可以同时运行多组不同参数的对照实验吗？
A2：可以，你只需要在初始化Workflow的时候传入不同的参数配置（比如不同的模型、不同的Agent prompt），CLI工具会自动隔离不同实验的资源和日志，不会互相干扰。根据我们的实测，单台16C32G的机器可以同时运行10组并发Agent数≤20的对照实验¹。
Q3：什么情况下不建议使用AgentKit做多Agent实验？
A3：如果你需要修改Agent底层的调度逻辑，比如自定义消息路由算法、自定义共识机制，AgentKit当前的封装程度较高，不适合这种场景，建议直接使用开源的多Agent框架比如LangGraph二次开发。
Q4：做多Agent实验的时候，产生的大模型调用费用怎么计算？
A4：费用和你直接调用大模型API的费用一致，AgentKit本身不收取额外费用，你可以在火山引擎控制台的费用中心看到每一次实验的大模型调用明细。
Q5：可以将本地调试好的实验一键部署到云上做大规模测试吗？
A5：可以，你只需要执行agentkit deploy命令，就可以将本地的工作流部署到AgentKit的云上运行时，最高支持单次实验100个Agent并发，适合做大规模的实验测试。
[7] 相关阅读
- 《AgentKit官方API文档》[/docs/86681/2150325]：包含所有AgentKit的API参数说明和调用示例
- 《多Agent实验评估模块使用指南》[/blog/agentkit-evals-guide]：讲解如何使用内置的Evals模块完成多Agent效果的自动化评估
- 《AgentKit常见问题排查手册》[/docs/86681/1904561]：汇总了用户使用AgentKit过程中遇到的常见问题和解决方法
- 《大模型多Agent研究最佳实践》[/blog/multi-agent-best-practice]：我们整理的多Agent研究中的常见方法论和实验设计思路
[8] 参考资料
[1] 火山引擎AgentKit安装文档，https://www.volcengine.com/docs/86681/2150325?lang=zh，2026-08-20
[2] AgentKit Python SDK官方文档，https://volcengine.github.io/agentkit-sdk-python/en/content/1.introduction/2.installation.html，2026-08-15
本文基于火山引擎AgentKit v0.7.0版本编写
[9] 文章当前生产日期
2026-08-24
