MoFA（Modular Framework for Agent）是一个以组合的方式构建AI智能体的软件框架。使用MoFA，AI智能体可以通过模版方式构建，堆叠的方式组合，形成更强大的超级智能体（Super Agent）。
🎯 设计理念
MoFA 独特的设计理念是：
-
平凡人做非凡事：AI 不该是精英和巨头的专属领地。MoFA 让每个人都能驾驭和发展 AI，把不可能变成可能，让平凡人也能创造非凡。
-
Composition AI：受 Unix 哲学启发，MoFA 以”组合”作为核心原则。你可以像搭积木一样，构建智能体、连接智能体、集成工具，让 AI 变得简单、灵活、强大。
-
Everything Agent：与绝大多数软件不同，在 MoFA 的世界里，智能体（Agent）就是 AI 时代的应用（Application）。不仅是大语言模型，它可以是代码、脚本、API，甚至是 MoFA 本身。MoFA 不是一个框架，而是一个 Agent 生态。
-
Data Flow：大多数智能体框架依赖复杂的工作流（WorkFlow），而 MoFA 选择更直观、更强大的数据流（Data Flow）。这种方式让智能体能自由组合、拆解和重用。
🏗️ 技术架构
MoFA 与 Dora-RS 形成分层架构，构成从底层通信到上层智能体的技术栈：
┌─────────────────────────────────────┐
│ MoFA 层 │ ← AI智能体开发框架
│ 智能体模板 + 组合逻辑 + 核心服务 │ (Python为主)
├─────────────────────────────────────┤
│ Dora 层 │ ← 数据流引擎
│ 实时通信 + 跨语言 + 运行时管理 │ (Rust核心)
└─────────────────────────────────────┘🚀 快速开始
环境准备
Python 环境
# 安装 UV 包管理器加速 mofa 安装
pip install uv注意事项：
- 本地python环境要纯净，不要多个python版本，否则容易导致Dora-rs运行环境和Mofa安装环境的冲突
- 如果使用 Anaconda/Miniconda，务必将 Mofa 安装到
Base环境下 - 要求 python 环境 >= 3.10
- 目前已在 WSL（Ubuntu 22.04）和 macOS 上测试，Windows 暂不支持
Rust 环境
# 安装 Rust
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
# 安装 Dora 运行时
cargo install dora-cli
# 验证安装
dora --version安装 MoFA
# 克隆仓库
git clone https://github.com/moxin-org/mofa.git
cd mofa/python
# 安装依赖
uv pip install -e . && pip install -e . Hello World 示例
cd mofa/python/examples/hello_world
# 启动 Dora 服务
dora up
# 构建并运行数据流
dora build hello_world_dataflow.yml
dora start hello_world_dataflow.yml
# 在另一个终端测试
terminal-input
> hello
# 输出: hello💡 5分钟创建第一个应用
1. 创建 Agent 项目
mofa new-agent my-llm-agent
cd my-llm-agent2. 配置环境变量
创建 .env.secret 文件：
LLM_API_KEY=your_api_key_here
LLM_API_BASE=https://api.openai.com/v1
LLM_MODEL=gpt-3.5-turbo3. 实现 Agent 逻辑
编辑 my_llm_agent/main.py：
from mofa.agent_build.base.base_agent import MofaAgent, run_agent
from openai import OpenAI
import os
from dotenv import load_dotenv
@run_agent
def run(agent: MofaAgent):
try:
load_dotenv('.env.secret')
client = OpenAI(
api_key=os.getenv('LLM_API_KEY'),
base_url=os.getenv('LLM_API_BASE')
)
user_input = agent.receive_parameter('query')
response = client.chat.completions.create(
model=os.getenv('LLM_MODEL', 'gpt-3.5-turbo'),
messages=[
{"role": "system", "content": "You are a helpful AI assistant."},
{"role": "user", "content": user_input}
]
)
agent.send_output(
agent_output_name='llm_result',
agent_result=response.choices[0].message.content
)
except Exception as e:
agent.logger.error(f"Error: {str(e)}")
agent.send_output('llm_result', f"Error: {str(e)}")
def main():
agent = MofaAgent(agent_name='my-llm-agent')
run(agent=agent)
if __name__ == "__main__":
main()4. 创建数据流配置
创建 my_llm_dataflow.yml：
nodes:
- id: terminal-input
build: pip install -e ../../node-hub/terminal-input
path: dynamic
outputs: data
inputs:
agent_response: my-llm-agent/llm_result
- id: my-llm-agent
build: pip install -e . ../../agent-hub/my-llm-agent
path: my-llm-agent
outputs: llm_result
inputs:
query: terminal-input/data
env:
IS_DATAFLOW_END: true
WRITE_LOG: true5. 运行和测试
dora up
dora build my_llm_dataflow.yml
dora start my_llm_dataflow.yml
# 新开终端测试
terminal-input
> 你好，请介绍一下自己🔧 构建自定义 Agent
使用模板创建
mofa new-agent you_agent_name 核心代码示例
from mofa.agent_build.base.base_agent import MofaAgent, run_agent
@run_agent
def run(agent: MofaAgent):
try:
# 接收单个agent输入
task = agent.receive_parameter('task')
# 接收多个agent输入
receive_datas = agent.receive_parameter(['example_one','example_two'])
# 结果类似于 {'example_one':'example_one_data','example_two':'example_two_data'}
# 处理逻辑 你可以把你的逻辑添加到这里
result = process_task(task)
# 发送输出 确保你的输出是可以被序列化的对象(字符串等)
agent.send_output(
agent_output_name='agent_result',
agent_result=result
)
except Exception as e:
agent.logger.error(f"Error: {str(e)}")
def process_task(data: str) -> str:
"""示例处理函数"""
return f"Processed: {data}"
def main():
agent = MofaAgent(agent_name='my-new-agent')
run(agent=agent)
if __name__ == "__main__":
main()立即开始您的智能体开发之旅！