agentica 1.4.1

Agentica: A lightweight Python SDK for building AI agents with persistent memory and self-evolution

🇨🇳中文 | 🌐English | 🇯🇵日本語

---

Agentica: Build AI Agents

Agentica 不是套一层 LLM API 的聊天壳，而是一个 Async-First 的 agent harness。 它让 Agent 能真正跑起来: 调工具、跑长任务、做多智能体协作、跨会话保留记忆，并通过 Skill system 接入可演进的 self-learn 工作流。

能力	说明
Long-running Agent Loop	Runner 驱动的 LLM ↔ Tool 循环，内置压缩、重试、成本预算、死循环防护
Works Beyond Chat	文件、执行、搜索、浏览器、MCP、多智能体、Workflow，不依附单一 IDE 场景
Memory That Survives Sessions	Workspace 记忆按条目存储、相关性召回，并可把确认过的偏好同步到 ~/.agentica/AGENTS.md
Skill-Based Self-Learn	SkillTool 可加载外部技能；内置 Agent 持续学习策略
Open, Composable Harness	模型、工具、记忆、Skill、Guardrails、MCP 都是可替换部件，而不是封闭 SaaS 黑盒

架构

Agentica 提供了从底层模型路由到顶层多智能体协作的完整抽象：

核心执行引擎 (Agentic Loop)

Agentica 的单体 Agent 运行在一个纯粹的基于控制流的 while(true) 引擎中，严格依据工具调用来驱动，并内置了防死循环、成本追踪、上下文微压缩（Compaction）和四层安全护栏：

安装

pip install -U agentica

快速开始

不用学 asyncio 也能跑。run_sync 在内部跑完整 agentic loop（工具并发、流式、压缩、重试都在），从外面看就是一个普通同步函数：

from agentica import Agent, OpenAIChat

agent = Agent(model=OpenAIChat(id="gpt-4o-mini"))
result = agent.run_sync("一句话介绍北京")
print(result.content)

北京是中国的首都，是一座拥有三千多年历史的文化名城，也是全国的政治、文化和国际交流中心。

需要先设置 API Key：

export OPENAI_API_KEY="sk-xxx"              # OpenAI
export ZHIPUAI_API_KEY="your-api-key"       # 智谱AI（glm-4.7-flash 免费）
export DEEPSEEK_API_KEY="your-api-key"      # DeepSeek

同步 vs 异步

你的代码风格	推荐 API
普通脚本 / Jupyter / FastAPI 路由（默认）	agent.run_sync(...)、agent.print_response_sync(...)、for chunk in agent.run_stream_sync(...)
已经在 asyncio 事件循环里 / 想 gather N 个 agent 并发	await agent.run(...)、async for chunk in agent.run_stream(...)

run_sync 内部就是 asyncio.run(self.run(...))，工具调用层用 asyncio.gather 并发——同步 API 不会牺牲性能，只是把事件循环藏起来了。

import asyncio
from agentica import Agent, OpenAIChat

async def main():
    agent = Agent(model=OpenAIChat(id="gpt-4o-mini"))
    result = await agent.run("一句话介绍上海")
    print(result.content)

asyncio.run(main())

推荐导入方式

核心 SDK + 内置工具都已经顶层导出，不用记长路径：

from agentica import (
    Agent, DeepAgent, Workspace, tool,
    OpenAIChat,                                       # openai 是核心依赖
    BuiltinFileTool, BuiltinExecuteTool,              # 文件 / 执行
    BuiltinFetchUrlTool, BuiltinWebSearchTool,        # 网页
    BuiltinTodoTool, BuiltinTaskTool,                 # 任务清单 / 子 Agent
    HistoryConfig, WorkspaceMemoryConfig, RunConfig,  # 配置
)

# 其他模型 / 重型工具走子模块（避免启动时拉重依赖）
from agentica.model.anthropic.claude import Claude   # pip install anthropic
from agentica.model.ollama.chat import Ollama
from agentica.tools.shell_tool import ShellTool

功能特性

• Async-First — 原生 async API，asyncio.gather() 并行工具执行，同步适配器兼容
• Runner Agentic Loop — LLM ↔ 工具调用自动循环，多轮链式推理、死循环检测、成本预算、压缩 pipeline、API 重试
• 20+ 模型 — OpenAI / DeepSeek / Claude / 智谱 / Qwen / Moonshot / Ollama / LiteLLM 等
• 40+ 内置工具 — 搜索、代码执行、文件操作、浏览器、OCR、图像生成
• RAG — 知识库管理、混合检索、Rerank，集成 LangChain / LlamaIndex
• 多智能体 — Agent.as_tool()（轻量组合）、Swarm（并行/自治）和 Workflow（确定性编排）
• 安全守卫 — 输入/输出/工具级 Guardrails，流式实时检测
• MCP / ACP — Model Context Protocol 和 Agent Communication Protocol 支持
• Skill 系统 — 基于 Markdown 的技能注入，支持项目级、用户级和外部托管 skill 目录
• 多模态 — 文本、图像、音频、视频理解
• 持久化记忆 — 索引/内容分离、相关性召回、四类型分类、drift 防御，并可同步长期偏好到全局 AGENTS.md

Workspace 记忆

Workspace 提供跨会话的持久化记忆，采用索引/召回设计；需要时还可以把确认过的用户/反馈记忆编译进全局 ~/.agentica/AGENTS.md，让新 session 自动继承：

from agentica import Workspace

workspace = Workspace("./workspace")
workspace.initialize()

# 写入带类型的记忆条目（每条独立文件，自动更新索引）
await workspace.write_memory_entry(
    title="Python Style",
    content="User prefers concise, typed Python.",
    memory_type="feedback",              # user|feedback|project|reference
    description="python coding style",   # 相关性匹配关键词
    sync_to_global_agent_md=True,        # 同步到 ~/.agentica/AGENTS.md 的 Learned Preferences 区块
)

# 相关性召回（根据当前 query 返回最相关的 ≤5 条）
memory = await workspace.get_relevant_memories(query="how to write python")

Agent 自动根据当前 query 召回最相关记忆，而非全量注入：

from agentica import DeepAgent, Workspace
from agentica.agent.config import WorkspaceMemoryConfig

agent = DeepAgent(
    workspace=Workspace("./workspace"),
    long_term_memory_config=WorkspaceMemoryConfig(
        max_memory_entries=5,  # 最多注入 5 条相关记忆
        sync_memories_to_global_agent_md=True,
    ),
)

DeepAgent 默认启用 SkillTool(auto_load=True)，会自动发现 ~/.agentica/skills/ 和 .agentica/skills/ 目录下的 skill；同时默认开启 tool_config.auto_load_mcp=True，启动时会自动读取工作目录里的 mcp_config.json/yaml/yml。这样 DeepAgent 开箱就是带 skills + MCP + memory 的一键完全体。

Agent 配方（Recipes）

Agent 参数多，但常用组合就那几个。直接 copy-paste：

一次性脚本（最简）

agent = Agent(model=OpenAIChat(id="gpt-4o-mini"))
print(agent.run_sync("一句话介绍北京").content)

多轮对话

agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),
    add_history_to_context=True,
    num_history_turns=5,
)
agent.run_sync("我叫 Alice，是 ML 工程师。")
agent.run_sync("我叫什么？")  # 模型记得

工具型 Agent（自定义工具组合）

from agentica import Agent, OpenAIChat, BuiltinWebSearchTool, BuiltinFileTool, BuiltinExecuteTool

agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[BuiltinWebSearchTool(), BuiltinFileTool(work_dir="./workspace"), BuiltinExecuteTool(work_dir="./workspace")],
)
agent.run_sync("帮我搜 Python 3.13 新特性，写到 features.md")

多用户 + 长期记忆 + 会话归档

每个用户一个 Agent 实例，session_id 一般直接复用 user_id：

from agentica import Agent, OpenAIChat, Workspace, WorkspaceMemoryConfig

def create_agent(user_id: str) -> Agent:
    return Agent(
        model=OpenAIChat(id="gpt-4o-mini"),
        workspace=Workspace("~/.agentica/workspace", user_id=user_id),
        session_id=user_id,                      # 会话日志按 user 切到 ~/.agentica/projects/.../{user_id}.jsonl
        enable_long_term_memory=True,            # ← 关键：必须显式开启
        long_term_memory_config=WorkspaceMemoryConfig(
            auto_archive=True,                   # 每次 run 后归档对话
            auto_extract_memory=True,            # LLM 自动抽取记忆
        ),
        add_history_to_context=True,
        num_history_turns=5,
    )

常见踩坑：只配 long_term_memory_config 但忘了 enable_long_term_memory=True，所有记忆/归档都会被静默忽略。从 v1.3.7 起 Agent.__init__ 会在这种情况下打 warning，但请直接按上面写就不会踩。

长会话省 token：定制历史消息

搜索类工具结果通常巨大且后续轮次用不上，可以在历史里删掉；AI 回复可以截断：

from agentica import Agent, OpenAIChat, HistoryConfig

agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),
    add_history_to_context=True,
    num_history_turns=10,
    history_config=HistoryConfig(
        excluded_tools=["search_*", "web_search"],   # 整条 tool 结果丢掉，对应的 tool_calls 自动同步剥离
        assistant_max_chars=200,                      # AI 回复截断到 200 字
    ),
)

更复杂的过滤（剥用户 prompt 前缀、按 metadata 删消息等）用 history_filter 回调，看 examples/memory/03_history_filter.py。

完全体（CLI / Gateway / 长任务）

from agentica import DeepAgent
agent = DeepAgent()  # 40+ 内置工具 + 压缩 + 长期记忆 + skills + MCP，开箱即用

CLI

agentica --model_provider zhipuai --model_name glm-4.7-flash

安装外部 skill 集合时，推荐使用新的 skills 命令：

agentica skills install https://github.com/obra/superpowers
agentica skills list
agentica skills remove learn-from-experience
agentica skills reload

如果你已经进入交互式 CLI，也可以直接在会话里安装、查看和卸载 skills：

> /skills install https://github.com/obra/superpowers
> /skills list
> /skills inspect learn-from-experience
> /skills remove learn-from-experience
> /skills reload

也支持安装本地目录或指定目标目录：

agentica skills install /path/to/skill-repo --target-dir ~/.agentica/skills

如果你安装到自定义目录而不是标准搜索路径，记得把这个目录加入 AGENTICA_EXTRA_SKILL_PATH，这样 DeepAgent 和 CLI 才会自动发现它。

Web UI / Gateway

Gateway 现在已经集成到 agentica 主库中。

安装 Gateway 运行时：

pip install -U "agentica[gateway]"

设置一个最小可运行配置后直接启动：

export AGENTICA_MODEL_PROVIDER=zhipuai
export AGENTICA_MODEL_NAME=glm-4.7-flash
export GATEWAY_TOKEN=change-me
agentica-gateway

默认会启动在 http://127.0.0.1:8789/chat。如需改监听地址，可设置 HOST 和 PORT；如需接入 Telegram / Discord / Slack，可分别安装 agentica[telegram]、agentica[discord]、agentica[slack]。

Gateway 内置了 Web UI、API、WebSocket、cron scheduler，以及飞书 / Telegram / Discord 等 channel 接入能力，适合把 agentica 从本地 CLI 扩展到常驻服务。

示例

查看 examples/ 获取完整示例，涵盖：

类别	内容
基础用法	Hello World、流式输出、结构化输出、多轮对话、多模态、Agentic Loop 对比
工具	自定义工具、Async 工具、搜索、代码执行、并行工具、并发安全、成本追踪、沙箱隔离、压缩
Agent 模式	Agent 作为工具、并行执行、团队协作、辩论、路由分发、Swarm、子 Agent、模型层钩子、会话恢复
安全护栏	输入/输出/工具级 Guardrails、流式护栏
记忆	会话历史、WorkingMemory、上下文压缩、Workspace 记忆、LLM 自动记忆
RAG	PDF 问答、高级 RAG、LangChain / LlamaIndex 集成
工作流	数据管道、投资研究、新闻报道、代码审查
MCP	Stdio / SSE / HTTP 传输、JSON 配置
可观测性	Langfuse、Token 追踪、Usage 聚合
应用	LLM OS、深度研究、客服系统、金融研究（6-Agent 流水线）

→ 查看完整示例目录

文档

完整使用文档：https://shibing624.github.io/agentica

社区与支持

• GitHub Issues — 提交 issue
• 微信群 — 添加微信号 xuming624，备注 "llm"，加入技术交流群

引用

如果您在研究中使用了 Agentica，请引用：

Xu, M. (2026). Agentica: A Human-Centric Framework for Large Language Model Agent Workflows. GitHub. https://github.com/shibing624/agentica

许可证

Apache License 2.0

贡献

欢迎贡献！请查看 CONTRIBUTING.md。

致谢

• phidatahq/phidata
• openai/openai-agents-python