Nexent 零代码 AI 智能体平台：Harness Engineering 理念、Docker 与 Kubernetes 部署实战指南

AI AgentAI 应用后端前端大模型RAG【免费下载链接】nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.项目地址https://gitcode.com/gh_mirrors/ne/nexent点击查看免费下载本文以 README_CN.md 为骨架系统讲解 Nexent 这一基于 Harness Engineering 原则的零代码智能体自动生成平台先用一张全景表速览其 13 项核心能力再逐项展开其落地形态多模型接入、A2A 协作、分层记忆、Skill 渐进式披露、个人知识库、MCP 生态等随后以仓库中的真实部署脚本与配置为证据分 Docker 与 Kubernetes 两条路径给出可复制的资源规格、命令参数、离线包构建与卸载方法。读完本文你可以独立完成 Nexent 的本地/私有化部署并理解一个提示词、无限种可能背后各组件如何通过统一工具、技能、记忆与编排协同工作。一、平台定位什么是 NexentNexent 是一个零代码智能体自动生成平台其核心承诺是无需编排、无需复杂的拖拉拽操作使用纯语言描述需求即可生成可执行的 AI 智能体。平台建立在Harness Engineering约束工程原则之上将统一工具、技能、记忆和编排能力集于一体并内置约束机制、反馈循环与控制平面目标是从提示词直接产出生产级production-grade智能体。官方一句话概括其愿景一个提示词无限种可能。从仓库目录结构看平台工程化程度相当完整后端服务按应用backend/apps、服务backend/services、数据访问backend/database分层组织并配套完整的部署目录deploy、前端frontend与 SDKsdk/nexent可推断出这是一套前后端分离、容器化交付的完整产品。二、核心特性速览README_CN 给出了 13 项核心特性下表完整保留其原始描述并补充仓库内的实现佐证路径便于按图索骥深入源码特性描述仓库佐证可进一步阅读多模型集成OpenAI 兼容任意提供商LLM/Embedding/VLM/STT/TTS 全覆盖支持灵活切换backend/configs/model_catalog.json模型目录、backend/services/model_gateway_service.py零代码智能体生成纯自然语言描述需求一键生成可执行智能体所想即所得backend/agents/nl2agent_agent.py、backend/services/nl2agent_service.pyA2A 智能体协作Agent-to-Agent 协议支持多智能体无缝协作构建分布式工作流backend/consts/a2a_models.pyA2A 消息/任务/事件模型、backend/apps/a2a_server_app.py分层记忆机制两层记忆体系用户级 用户-智能体级跨对话持续积累上下文backend/services/memory_long_term_service.py、backend/services/memory_record_service.pySkill 渐进式披露动态加载 Skill 内容至上下文高效利用上下文窗口backend/services/nl2skill_service.py、backend/agents/nl2skill_agent.py个人级知识库20 文档格式实时导入与智能检索自动摘要细粒度权限控制backend/services/knowledge_storage_service.py、backend/database/knowledge_db.pyMCP 工具生态即插即用的扩展工具体系支持自定义开发和第三方 MCP 服务backend/services/mcp_management_service.py、backend/services/remote_mcp_service.py互联网知识集成多搜索源混合实时信息与私有数据融合backend/tool_collection/mcp、frontend/const/mcpTools.ts知识级溯源精确引用与来源验证每个事实透明可查frontend/lib/citationHighlight.ts、frontend/const/citation.ts多模态交互语音、文字、图像、文件全方位自然对话backend/services/voice_service.py语音、backend/apps/image_app.py智能体版本管理版本迭代与历史回溯安全可控backend/database/agent_version_db.py、backend/services/agent_version_service.py智能体市场官方与社区优质智能体一键安装即用backend/services/agent_repository_service.py、deploy/official-agents分权分域管理多租户隔离RBAC 权限体系资源级精细管控backend/permissionsdac/rbac/tenant_scope、backend/apps/user_management_app.py2.1 多模型集成平台通过 OpenAI 兼容协议对接任意模型提供商覆盖LLM大语言模型、Embedding向量化、VLM视觉语言模型、STT语音转写、TTS语音合成五类模型能力。模型目录维护在 backend/configs/model_catalog.json由 backend/configs/model_catalog_loader.py 负责加载。从 backend/consts/const.py 可以看到向量数据库支持elasticsearch与datamate两种后端VectorDatabaseType枚举语音侧同时准备了 WAV火山 STT与 PCM阿里 STT测试资产backend/assets/test.wav、backend/assets/test_voice.pcm。2.2 A2A 智能体协作A2AAgent-to-Agent是平台实现多智能体协作的协议基础。以 backend/consts/a2a_models.py 中的模型定义为例其数据模型包含四层结构A2AMessageContent消息内容type支持 text/image/file 等类型A2AMessage带roleuser 或 agent与metadata的完整消息A2ATask任务实体含status与artifacts任务产物A2ATaskEvent流式事件kind支持taskProgress、taskArtifact、taskStatusUpdate。服务端与客户端分别实现在 backend/apps/a2a_server_app.py 与 backend/apps/a2a_client_app.py配套 backend/services/a2a_server_service.py、backend/services/a2a_client_service.py 与 HTTP 客户端工具 backend/utils/a2a_http_client.py由此可以推断平台既可作为 A2A 服务端对外提供任务执行能力也可作为客户端调用其他 A2A 智能体从而串联起分布式工作流。2.3 分层记忆与 Skill 渐进式披露记忆体系分为用户级与用户-智能体级两层跨对话持续累积上下文。相关实现包括长期记忆服务backend/services/memory_long_term_service.py、记忆检索backend/services/memory_retrieval_service.py以及外部记忆提供商插件backend/memory_provider_plugins内置 aidp_mem_plugin 与 mem0 两个插件目录。Skill 采用**渐进式披露Progressive Disclosure**策略并非一次性把全部 Skill 塞入上下文而是按需动态加载从而最大化上下文窗口利用率。该能力由自然语言到 Skill 的生成链路支撑backend/services/nl2skill_service.py、backend/agents/nl2skill_agent.py。2.4 知识库、工具生态与安全个人级知识库支持 20 文档格式实时导入、智能检索与自动摘要并带有细粒度权限控制backend/permissions 中的 DAC/RBAC/租户域模型。MCPModel Context Protocol工具生态支持即插即用扩展既可自定义开发工具也可对接第三方 MCP 服务相关能力集中在 backend/services/mcp_management_service.py 与 backend/services/remote_mcp_service.py。三、部署前必读系统资源要求README_CN 给出了 Docker 与 Kubernetes 两套部署的资源基线以下完整保留原表并补充说明推荐配置rec.是为生产环境最佳性能设计的最低配置min仅满足基本运行。资源Docker 部署Kubernetes 部署CPU4 核最低/ 8 核推荐4 核最低/ 8 核推荐内存8 GiB最低/ 16 GiB推荐16 GiB最低/ 64 GiB推荐磁盘40 GiB最低/ 100 GiB推荐100 GiB最低/ 200 GiB推荐架构x86_64 / ARM64x86_64 / ARM64软件Docker 24, Docker Compose v2Kubernetes 1.24, Helm 3Kubernetes 路径内存要求显著更高最低 16 GiB、推荐 64 GiB因为集群需要同时承载基础设施组件Elasticsearch、PostgreSQL、Redis、MinIO与应用服务的多副本调度适合高可用、弹性扩展的企业场景Docker 路径则适合个人开发者与小型团队快速验证。四、部署架构一套配置模型两条交付路径在动手部署前先理解仓库的部署设计这直接决定后续命令如何工作根入口只做转发根目录 deploy.sh 只负责把参数转发给目标部署脚本Docker 实现为 deploy/docker/deploy.shKubernetes 实现为 deploy/k8s/deploy.shDocker 与 Kubernetes共用同一套部署配置模型统一运行配置两种方式都读取deploy/env/.env作为运行配置。若该文件不存在脚本优先复用已有的docker/.env再回退到deploy/env/.env.example模板监控相关配置则由deploy/env/monitoring.env.example生成deploy/env/monitoring.env组件化选择部署组件支持infrastructure基础设施必选、application应用、data-process数据处理、supabase认证/用户体系、terminal终端工具容器、monitoring监控等组合。默认选中infrastructure application >git clone https://github.com/ModelEngine-Group/nexent.git cd nexent bash deploy.sh docker交互式运行会通过Bash TUI依次引导选择组件、端口策略和镜像源成功部署后非敏感选择会保存到deploy/docker/deploy.options供下次运行复用。部署完成后访问http://localhost:${NEXENT_WEB_PORT:-3000}默认 3000。5.2 非交互部署参数使用--defaults可跳过 TUI复用已保存的deploy.options或内置默认值非交互场景下还可直接传入以下参数与 TUI 选项一一对应见 deploy.sh 与 deploy/docker/deploy.sh 的 usage 输出参数取值说明--version版本号指定应用版本未设置时自动从VERSION文件或backend/consts/const.py的APP_VERSION读取见 deploy/common/version.sh--componentsinfrastructure,application,data-process,supabase,terminal,monitoring组合选择部署组件infrastructure必选--port-policydevelopment|productiondevelopment 暴露全部服务端口便于调试production 只暴露 3000 端口并默认禁用 Ray/Celery 面板--image-sourcegeneral|mainland|local-latest镜像源通用源 / 中国大陆镜像源 / 本地最新构建--sandbox-modedisabled|lightweight|full智能体沙箱执行模式默认lightweight--monitoring-providerotlp|phoenix|langfuse|langsmith|grafana|zipkin监控 provider选择 monitoring 组件时生效--image-registry-prefix如registry.example.com/nexent指定私有镜像仓库前缀--root-dir绝对路径Docker 数据与运行文件根目录默认$HOME/nexent-data--rotate-secrets/--refresh-es-key-强制轮换部署密钥 / 强制重建 Elasticsearch API Key--config/--reconfigure-进入交互式配置界面 / 以保存配置为默认值进入交互界面其中--components与--port-policy、--image-source的默认值定义在共享部署辅助脚本 deploy/common/common.shDEPLOYMENT_COMPONENTS_DEFAULTinfrastructure,application,data-process,supabase、DEPLOYMENT_PORT_POLICY_DEFAULTdevelopment、DEPLOYMENT_IMAGE_SOURCE_DEFAULTgeneral、DEPLOYMENT_SANDBOX_MODE_DEFAULTlightweight。你也可以直接用 deploy/common/config.example.yaml 作为组件选择的参考模板其默认组合为infrastructure application、portPolicy: development、imageSource: general。示例全参数非交互部署bash deploy.sh docker \ --defaults \ --version v1.0.0 \ --components infrastructure,application,data-process,supabase \ --port-policy production \ --image-source general5.3 配置模型与关键环境变量部署脚本会从 deploy/env/.env.example 生成deploy/env/.env以下按功能域整理核心变量完整变量请以模板文件为准基础设施ELASTICSEARCH_HOST默认http://nexent-elasticsearch:9200、ELASTIC_PASSWORD、ES_JAVA_OPTS默认-Xms2g -Xmx2g、ES_DISK_WATERMARK_LOW/HIGH/FLOOD_STAGE磁盘水位 85%/90%/95%POSTGRES_HOST/USER/PASSWORD/DB/PORTMINIO_ENDPOINT/ROOT_USER/ROOT_PASSWORD/REGION/DEFAULT_BUCKET默认桶nexentREDIS_URL、REDIS_BACKEND_URL分别使用 db 0 与 db 1服务地址CONFIG_SERVICE_URL5010、RUNTIME_SERVICE_URL5014、NEXENT_MCP_SERVER5011、MCP_MANAGEMENT_API5015、DATA_PROCESS_SERVICE5012、NORTHBOUND_API_SERVER5013租户与配额MAX_TENANT_COUNT默认 100、MAX_USERS_PER_TENANT10000、MAX_KNOWLEDGE_BASES_PER_USER10、MAX_KNOWLEDGE_FILE_SIZE_MB100、MAX_CONVERSATION_TURNS100等运行时线程池RUNTIME_AGENT_THREAD_MAX_WORKERS200、RUNTIME_AGENT_THREAD_MAX_QUEUE_SIZE32、RUNTIME_MCP_TOOL_TIMEOUT_SECONDS60、RUNTIME_PARALLEL_EXECUTOR_TIMEOUT_SECONDS120等Ray 与数据处理RAY_ACTOR_NUM_CPUS2、RAY_DASHBOARD_PORT8265、RAY_OBJECT_STORE_MEMORY_GB0.25、DISABLE_RAY_DASHBOARD、DISABLE_CELERY_FLOWERHTTPS 终结可选NEXENT_HTTPS_MODEdisabled/self-signed/custom、NEXENT_WEB_PORT默认 3000、NEXENT_HTTPS_PORT默认 3100、NEXENT_HTTPS_CERT_FILE/KEY_FILE、NEXENT_HTTPS_SAN。这些变量最终由deploy/docker/deploy.sh的deployment_render_docker_env渲染到 compose 环境并注入容器运行期后端通过 backend/consts/const.py 的os.getenv(...)消费例如ES_HOST os.getenv(ELASTICSEARCH_HOST)、MAX_KNOWLEDGE_FILE_SIZE_MB由config_validation.py的parse_positive_int解析。5.4 部署脚本内部工作流从 deploy/docker/deploy.sh 的main_deploy函数可以看到一次 Docker 部署的完整流水线理解它有助于排查部署问题读取应用版本get_app_version来源为 VERSION 或backend/consts/const.py应用通用配置apply_deployment_common_config解析组件/端口策略/镜像源按组件组合决定DEPLOYMENT_VERSION含 supabase 为full否则为speed并加载镜像源文件deploy/env/image-source.general.env 或image-source.mainland.env其中定义了 nexent 各镜像、Elasticsearch 8.17.4、postgres 15-alpine、redis:alpine、MinIO、Supabase Kong/Gotrue 等镜像标签端口预检check_deployment_ports检查所选策略要暴露的宿主机端口若端口已被非 Nexent 容器占用会提示冲突并征询是否继续配置ROOT_DIR数据目录、创建目录权限、迁移旧版 project-config、计算 SQL 文件校验和update_sql_files_checksum供容器判断是否重跑迁移生成/校验密钥MinIO AK/SKgenerate_minio_ak_sk、Supabase JWT 等generate_supabase_keys、Elasticsearch API Keygenerate_elasticsearch_api_key通过容器内 curl 调用/_security/api_key创建并写入.env依次启动基础设施deploy_infrastructureElasticsearch、PostgreSQL、MinIO、Redis含 supabase/terminal 时追加、监控deploy_monitoring、HTTPS 反向代理如启用、核心服务deploy_core_servicesconfig/runtime/mcp/northbound/web/data-process创建默认超级管理员create_default_super_admin_user邮箱suadminnexent.comfull 版本生效最后拉取 MCP 与沙箱镜像pull_mcp_image/pull_sandbox_image。5.5 Docker 卸载Docker 卸载入口为bash uninstall.sh docker默认交互确认是否删除持久化数据也可显式控制# 保留数据卷 bash uninstall.sh docker --delete-volumes false # 同时删除容器和持久化数据 bash uninstall.sh docker delete-all六、Kubernetes 部署适合企业级生产环境前置条件Kubernetes 集群1.24与 Helm 3。git clone https://github.com/ModelEngine-Group/nexent.git cd nexent bash deploy.sh k8s6.1 两个 Helm Release 与发布范围K8s 真实实现为 deploy/k8s/deploy.sh核心是两个独立的 Helm releaseHelm Chart 位于 deploy/k8s/helm/nexent 与 deploy/k8s/helm/nexent-infrastructurenexent-infrastructure先安装仅包含 Elasticsearch、PostgreSQL、Redis、MinIO 的基础设施 releasenexent在基础组件与 Elasticsearch API Key 就绪后再安装应用侧 release。通过--release-scope all|infrastructure|nexent可部署两侧或单独部署一侧。脚本读取同一个deploy/env/.env渲染出显式的 Helm ConfigMap 与 Secret 覆盖值。6.2 持久化PVC控制参数PVC 行为通过以下参数控制参数取值说明--persistence-modelocal|dynamic|existing本地路径 / 动态 StorageClass / 复用已有 PVC--storage-class别名--scStorageClass 名称配合 dynamic 模式--local-path路径默认/var/lib/nexent-datalocal 模式的宿主机路径--local-node-name节点名限定 local 模式 Pod 调度的节点--existing-claim-prefix前缀复用已有 PVC 时的命名前缀6.3 离线部署与卸载Kubernetes 离线包使用与 Docker 相同的构建脚本见下一节传入--target k8s或--target all。部署前需要在每个需要运行 Pod 的节点上执行load-images.sh或使用--push-images --image-registry-prefix registry.example.com/nexent将镜像推送到集群可访问的内部镜像仓库再以与打包一致的版本、镜像源和仓库前缀部署。根目录卸载入口统一为bash uninstall.sh k8s默认先卸载nexent、再卸载nexent-infrastructure也可使用相同的--release-scope单独卸载基础设施 release 卸载带依赖保护。七、离线部署包构建与内网部署7.1 构建离线包两种等价入口README_CN 原文即提供两种写法bash build.sh --package --target docker --compress true # 或 bash deploy/offline/build_offline_package.sh --target docker --compress true构建脚本 deploy/offline/build_offline_package.sh 支持的关键参数参数默认值说明--versionlatest镜像版本如v1.0.0--platformamd64目标平台amd64 / arm64--output-diroffline-package项目根下输出目录--targetalldocker、k8s或all--compressfalse构建后是否压缩为 zip--include-sourcefalse是否包含源码--include-sandbox/--include-sandbox-fulltrue/false是否包含沙箱镜像及可选完整版--components/--image-source-用于镜像选择的组件与镜像源--dry-run-只展示执行计划不执行实际操作包内包含镜像 tar、load-images.sh、push-images.sh、根目录部署/卸载入口、部署脚本、SQL 文件、manifest.yaml与checksums.txt。7.2 离线包内网部署包内部署默认复用已保存的deploy.options或内置默认值不进入 TUI如需交互配置添加--config。目标机器上的两种部署方式# 方式一本机加载镜像后部署 bash deploy.sh --load-images docker ... # 方式二推送到内部镜像仓库后按前缀部署 bash deploy.sh --push-images --image-registry-prefix registry.example.com/nexent docker ...启用--push-images且未传前缀时deploy.sh会先询问镜像仓库前缀随后push-images.sh询问仓库账号与密码。从 deploy.sh 的实现看--load-images、--push-images、--reuse-from DIR、--image-registry-prefix PREFIX、--config|--defaults均为根入口支持的转发参数其中--reuse-from可从已有离线包复用.env、monitoring.env与目标部署选项仅离线包入口可用导入的.env会自动补充模板中的新增变量。Kubernetes 场景对应为在每台需运行 Pod 的节点执行load-images.sh或推送到集群可访问的内部仓库后再部署。八、监控与可观测性可选组件选择monitoring组件后监控配置从 deploy/env/monitoring.env.example 生成deploy/env/monitoring.env。关键配置说明总开关ENABLE_TELEMETRY默认false、MONITORING_PROVIDERotlp/phoenix/langfuse/langsmith/grafana/zipkin默认otlp、MONITORING_DASHBOARD_URL与MONITORING_DASHBOARD_ALLOWED_ROLES默认SU,SPEED控制哪些角色可见监控面板OTLP 导出OTEL_SERVICE_NAME默认nexent-backend、OTEL_EXPORTER_OTLP_ENDPOINT、OTEL_EXPORTER_OTLP_PROTOCOL默认http、OTEL_EXPORTER_OTLP_HEADERS、TELEMETRY_SAMPLE_RATE默认1.0、MONITORING_TRACE_CONTENT_MODE默认full、MONITORING_TRACE_MAX_CHARS4000、MONITORING_TRACE_MAX_ITEMS20请求级插桩MONITORING_INSTRUMENT_REQUESTS、MONITORING_FASTAPI_INCLUDED_URLS默认/agent/run,/conversation/generate_title,/nb/v1/generate_title、MONITORING_FASTAPI_EXCLUDED_URLS、MONITORING_FASTAPI_EXCLUDE_SPANS默认receive,send本地可观测栈Phoenix6006 端口、Langfuse3001 端口含 Postgres/ClickHouse/MinIO/Redis 组件、Grafana Tempo3002/3200、Zipkin9411等模板中均给出本地开发默认值并明确提示Langfuse 相关密钥仅适用于本地开发生产使用前必须替换见模板顶部注释选择langsmith时要求必须提供LANGSMITH_API_KEYdeploy/docker/deploy.sh 的deploy_monitoring中有硬性校验。从部署脚本看otlpprovider 始终会启动otel-collector容器其余 provider 按选择通过 compose profile 启动对应组件切换 provider 时脚本还会清理上一个 provider 遗留的容器cleanup_stale_monitoring_services。九、部署后的下一步部署完成后推荐按以下路径继续深入仓库内可读资料架构设计阅读 doc/nl2agent-design-zh.md 了解自然语言生成智能体的设计思路pathology-ai/architecture.md 提供了一份医疗领域的系统架构参考后端源码从 backend/apps 的应用入口开始沿 backend/services 与 backend/database 追踪具体功能实现前端核心交互位于 frontend/features/workbench测试用例集中在 frontend/tests/workbench测试体系后端测试位于 test/backendSDK 测试位于 test/sdk可用 test/pytest.ini 中的配置执行SDKPython SDK 位于 sdk/nexent便于将智能体能力集成到外部系统部署测试deploy/tests 目录覆盖了离线包构建、数据库初始化幂等性、备份、镜像加载等部署链路的关键测试。十、许可证与社区Nexent 采用MIT 许可证见 LICENSE。项目遵循开源社区规范仓库包含 CONTRIBUTING.md、CODE_OF_CONDUCT.md 与 SECURITY.md任何技术改进、缺陷修复与反馈均欢迎按社区流程参与。结语Nexent 将零代码生成智能体从概念落成了可交付的工程系统一端是覆盖多模型、A2A、记忆、Skill、知识库、MCP 的完整能力栈另一端是 Docker 与 Kubernetes 双路径、支持离线内网交付与生产级监控的部署体系。对开发者而言最快的上手方式是在 Docker 环境执行三行命令拉起完整平台再结合本文给出的组件参数、配置变量与源码路径逐步深入到 Harness Engineering 的具体实现细节中。赞分享AI AgentAI 应用后端前端大模型RAG【免费下载链接】nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.项目地址https://gitcode.com/gh_mirrors/ne/nexent点击查看免费下载相关推荐Nexent 零代码 AI 智能体平台解析Harness Engineering 架构与 Docker/Kubernetes 双路径部署实战Nexent 零代码 AI 智能体平台解析Harness Engineering 架构与 Docker/Kubernetes 双路径部署实战 本文以仓库根目录AI AgentAI 应用后端前端大模型RAG零代码构建智能工作流Nexent智能体开发实战指南零代码构建智能工作流Nexent智能体开发实战指南 为什么传统智能体开发让开发者头疼 当你需要构建一个企业级智能体时是否遇到过这些困境 编写大量胶水代码人工智能AI AgentAgent 编排低代码AI 技能RAGNexent项目的开发与部署Nexent项目的开发与部署 Nexent是一个基于Python和TypeScript构建的智能对话系统支持通过Docker和Kubernetes快速部署。本人工智能AI AgentAgent 编排低代码AI 技能RAG上一篇React Native Animatable打造惊艳的3D卡片翻转动画效果下一篇从论文到实盘FinRL-Library核心算法原理深度解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考