🚀 EasyAgent

Build inspectable AI agents with ordinary Python functions and no workflow DSL.

EasyAgent 是一个面向研究人员和学生的极简 AI Agent 脚手架。我们相信构建 AI 代理应该像写一个普通函数一样简单——不需要学习新的领域语言，不需要理解复杂的抽象层。

顶部直达五种 Agent 架构；ReAct 工作台保留配置、对话与实时执行地图。

✨ 特性

• 🎯 小型公开 API — 用 Agent、@tool 和普通 Python 完成主要路径
• 🔌 多 LLM 支持 — OpenAI、Anthropic、Ollama（本地模型）等，统一接口
• 🛠️ 工具系统 — @tool 装饰器定义工具，自动生成调用 Schema
• 🧠 记忆管理 — 短期对话历史 + 长期向量存储（可选）
• 📊 内置可观测性 — 开箱即用的日志与追踪，无需额外基础设施
• 🎨 可视化实验室 — 在浏览器中配置 Agent，并查看带动画的执行地图
• 📦 零依赖友好 — 核心仅需 httpx，按需安装扩展依赖
• 🎓 教育透明 — 离线运行、逐事件观察，并公开解释内部执行循环

🎬 快速开始

安装

需要 Python 3.10 或更高版本。

pip install agentmold

10 行代码创建你的第一个 Agent

基础安装默认使用离线 mock 模型，无需 API Key 即可运行示例。使用托管模型时，再安装对应 extra 并设置 API Key。

from agentmold import Agent, tool

@tool
def search_web(query: str) -> str:
    """Search the web for information."""
    return f"Search results for: {query}"

agent = Agent(
    name="Research Assistant",
    instructions="You are a helpful research assistant.",
    tools=[search_web],
    llm="mock",
)

response = agent.run("What are the latest advances in AI agents?")
print(response)

使用本地模型（无需 API Key）

EasyAgent 通过 Ollama 支持本地模型。EasyAgent 不会自动下载或部署模型——你需要先安装 Ollama 并拉取一个模型，之后 EasyAgent 才能调用它。

第一步：安装依赖和 Ollama 模型（仅需做一次）

pip install "agentmold[ollama]"

# 1. 安装 Ollama
#    macOS / Linux:
curl -fsSL https://ollama.com/install.sh | sh
#    Windows: 从 https://ollama.com/download 下载安装包

# 2. 从 Ollama 模型库选择适合本机的模型 ID，然后拉取
ollama pull MODEL_ID_FROM_OLLAMA_LIBRARY

# 3. 确认 Ollama 服务正在运行（默认监听 localhost:11434）
#    Ollama Desktop 通常会自动运行；否则请在另一个终端执行：
ollama serve

ollama serve 通常会持续占用当前终端，请保留该窗口并在另一个终端继续下面的步骤。 模型 ID 更新较快，请以 ollama list 的输出为准，不要依赖 EasyAgent 文档里的推荐名单。

第二步：设置模型 ID

# macOS/Linux
export EASYAGENT_MODEL=MODEL_ID_FROM_OLLAMA_LIST
# Windows PowerShell
$env:EASYAGENT_MODEL = "MODEL_ID_FROM_OLLAMA_LIST"
# Windows cmd
set EASYAGENT_MODEL=MODEL_ID_FROM_OLLAMA_LIST

第三步：在 EasyAgent 中使用

import os

from agentmold import Agent

agent = Agent(
    name="Local Agent",
    llm={
        "provider": "ollama",
        "model": os.environ["EASYAGENT_MODEL"],  # 使用 ollama list 中的 ID
    },
)

response = agent.run("Hello! What can you do?")

这里的 llm 使用明确的 provider + model 配置；EASYAGENT_MODEL 必须是 ollama list 中的实际 ID。 切换模型只需修改该变量，Agent、工具和记忆代码不需要变化。

可视化实验室（五种 Agent 架构直达）

安装 Streamlit extra 后，顶部可以直接切换 ReAct、Plan-and-Execute、Reflection、 Multi-Agent 和 Routing。ReAct 保留可配置的单 Agent 工作台；其余四种架构默认进入 无网络练习（预设回答）：不需要 API Key，只演示 Python 控制流和 Trace 结构。 切换到 真实模型执行 前，页面会要求确认联网和潜在 provider 费用；Planner 的输出决定步骤， Critic 的反馈决定修订，Router 的输出决定唯一专家，Coordinator 的真实 tool calls 才会产生 Researcher/Analyst child traces。页面、结果 metadata 和导出文件都会标明执行方式，不会混称。

真实运行期间页面持续显示阶段进度：Plan 的规划/逐步执行/综合，Reflection 的生成/审查/修订， Routing 的分类/专家处理，以及 Multi-Agent 的 Coordinator 委派、专家返回和最终综合。失败会 保留已发生的进度与错误；运行完成后进度也进入实验 JSON metadata。

每个教学页把两类信息明确分开：

• 概念示意 · 非本次运行：解释预期架构和普通 Python 控制流。
• 实际观测：展示 TeachingEvent、真实 AgentTrace、模型轮次、工具调用和父子 run。

顶部的 运行回放 用于查看单次运行时间线、配置、父子 family 和 bundle； 对比与评测 分成两个任务：

• 已记录运行对照：选择 2-4 个已记录运行并排比较。记录可能来自 Mock、无网络练习、真实模型、 失败或 partial 运行；Multi-Agent 实验可同时选择 Coordinator、Researcher 和 Analyst。
• Mock 输出回归：只检查内置 Mock Agent 是否包含指定字符串，不调用网络、不使用当前 ReAct 配置，也不是多个 Agent 的质量排行榜。

# 1. 安装可视化依赖
pip install "agentmold[visual]"

# 2. 启动可视化编辑器（自动打开浏览器）
easyagent visual

# 直接加载代码定义的 Agent
easyagent visual --file agent.py

直接从源码运行（无需 PyPI 安装）

克隆仓库后，安装可视化依赖即可启动，不需要先 pip install agentmold：

git clone https://github.com/dreamsxin/EasyAgent.git
cd EasyAgent
pip install -e ".[visual]"
easyagent visual

-e 会以可编辑模式安装本地源码，修改 src/agentmold/ 后重启实验室即可看到变化。 也可以跳过 easyagent 命令，直接用 Streamlit 启动：

pip install -e ".[visual]"
streamlit run src/agentmold/visual/app.py

实验室采用深色研究控制台主题：对话、执行事件时间线和行为优先的执行地图会同时保留，方便快速定位 工具调用、结果与最终回答之间的关系。执行地图只绘制已经发生的事件；实时运行时当前节点会脉冲高亮， 回放时节点按事件顺序逐步出现，避免把不可见的“规划”误画成执行事实。 运行状态面板会持续显示当前阶段、事件数、工具调用数、token、缓存命中率、耗时和 Log ID； 失败时保留错误摘要。 顶部进入 运行回放 可导入或导出 JSONL Trace、拖动回放进度，并把两个运行的 输入、模型、延迟、token、缓存命中率、提供商返回的成本和工具调用并排比较。父子 run 会 按 family 层级排列，可相互跳转并导出多 run bundle。当前会话中的新运行会自动进入回放； 旧版 JSONL 也可读取。 可视化运行还会把成功和失败 Trace 追加到本地 .agentmold/visual_runs.jsonl；界面显示的 Log ID 就是 run_id，可用来回查一次失败的输入、事件、模型配置、usage 和诊断摘要。 展开 PYTHON EXPORT · agent.py 可预览并下载当前配置对应的 build_agent() 文件； API Key 不会写入源码，导出时会改用对应的环境变量。下载后运行 python agent.py 即可进入交互模式，也可以用 python agent.py "你的问题" 完成一次提问，无需再写启动代码。

侧栏的 接口提供商 支持 Mock、DeepSeek、OpenAI/Anthropic 兼容接口、Ollama 和自定义提供商。选择自定义提供商后，只需选择接口类型并填写模型、API Key、Base URL、 Temperature、超时和最大输出 tokens。点击“保存配置”后，接口参数和 API Key 会保存到 项目的 .agentmold/visual_profiles.json，下次切换到同一接口类型时自动填充；“清除配置” 可删除对应记录。该文件不会提交到 Git，但 API Key 在其中以明文存储，请限制文件访问权限。

Agent 名称、指令、接口类型、最大迭代次数、工具选择和上传模块会自动保存到 .agentmold/visual_agent.json。再次启动实验室时会恢复这些控件并生成上次 Agent。 窄屏窗口会自动收起侧栏，并在左上角显示 Agent 配置 按钮；点击即可重新展开配置。 架构练习、运行回放和对比与评测这三类页面也保留左侧栏，但只显示 实验导航（当前视图、 当前架构、操作步骤和返回 ReAct 工作台的入口）；Agent 配置面板仍然只属于 ReAct 工作台， 避免让教学页看起来可以改写单 Agent 配置。 自定义工具模块 支持上传 UTF-8 .py 文件；模块必须显式导出 TOOLS 或零参数 build_tools()，返回由 @tool 创建的工具列表。上传 Python 会以 Streamlit 服务的本地权限 执行，只应加载可信代码。完整格式和安全边界见 自定义工具模块。

选择 mock 模型即可零配置体验——无需任何 API Key。执行地图中：

• 👤 蓝色节点 = 用户输入
• 🔧 橙色节点 = 工具调用
• ✅ 绿色节点 = 工具返回结果
• 💬 紫色节点（更大）= 最终回答

💡 想用代码控制执行流？Agent.run_stream() 会逐步 yield 每个执行事件，方便你自定义可视化或日志：

for step in agent.run_stream("问题"):
    if step["type"] == "tool_call":
        print(f"调用工具: {step['name']}")

这里的“流”是 text_delta（可选）、tool_call、tool_result、answer、 approval_request 和 loop_detected 组成的执行事件流。approval_request 是运行时确认请求， 不会持久化；text_delta 也是瞬态显示片段，不保证等于一个 token。其余事件会进入 Trace， loop_detected 记录后会抛出 LoopDetectedError。OpenAI、DeepSeek、Anthropic、 DeepSeek Anthropic 和 Ollama 支持同步与异步原生文本流；mock 以及未实现流式接口的扩展 Provider 仍只产生完整响应。工具调用轮次可能没有可见文本片段。

easyagent visual --file agent.py 会调用文件中的 build_agent()，并在文件修改后重新加载； 这样可视化层观察的就是代码里实际运行的 Agent。命令行运行也使用同一个加载器： easyagent run --file agent.py。

异步应用可以使用同样的接口：await agent.arun("问题") 或 async for step in agent.arun_stream("问题")。同步工具会在线程中运行，异步工具会直接等待。

模型配置支持 timeout、max_retries 和 retry_delay；整次异步运行可以直接使用 Python 标准库的 asyncio.wait_for() 或任务取消。

交互式创建项目

pip install agentmold
easyagent init my-agent-project
cd my-agent-project
pip install -e .
easyagent run

easyagent run 不带参数时会用一个在任意模板上都能跑通的能力提示，并提示如何触发这个 项目自己的工具。离线 mock 模型不做自然语言推理，需要用 tool: 前缀显式触发工具：

easyagent run "tool: search_web latest AI agent advances"

pip install -e . 安装生成项目自己声明的依赖。用离线 mock 模型时这一步可以跳过； 换成托管或本地 Provider 后必须执行，否则缺少对应的 provider extra。

托管或本地模型由用户分别选择 Provider 与模型 ID：

easyagent init hosted-agent --provider deepseek --model MODEL_ID_FROM_PROVIDER

生成的 agent.py 会保存显式的 {"provider": "deepseek", "model": "..."} 配置； EasyAgent 不从模型名称推断 Provider。

通过 --template 可以直接生成可离线运行、方便修改的教学项目：

easyagent init literature-lab --template research-assistant
easyagent init rag-lab --template rag
easyagent init data-lab --template data-analysis
easyagent init citation-lab --template citation-aware

这些模板分别提供本地研究笔记检索、透明的内存 RAG、标准库 CSV 汇总和来源 ID 引用； 另外保留 default、coder 与 chatbot 模板。所有模板默认使用 mock，无需 API Key。

精选 Cookbook

Cookbook 提供十个经过测试的渐进配方，包括内部循环、Trace、离线 RAG、 批量评测、安全门、MCP、可复现检索和五种 Agent 架构。它们都是可直接运行的普通 Python 脚本：

python cookbook/00_understand_the_agent_loop.py
python cookbook/01_trace_a_research_run.py
python cookbook/02_offline_rag.py
python cookbook/03_batch_evaluation.py
python cookbook/04_scoped_workspace.py

🧩 核心概念

主要使用路径只有三个概念；Provider、消息格式和执行事件属于需要扩展或研究内部机制时 才接触的第二层接口：

from agentmold import Agent, Memory, tool

# 1. 定义工具 —— 就是一个普通函数
@tool
def study_hint(topic: str) -> str:
    """Return a deterministic study hint for a topic."""
    hints = {"trace": "Record inputs, tool calls, results, and model settings."}
    return hints.get(topic.lower(), "Break the topic into a small reproducible example.")

# 2. 创建 Agent —— 像实例化一个类一样简单
agent = Agent(
    name="Study Assistant",
    instructions="Explain mechanisms with reproducible examples.",
    tools=[study_hint],
    llm="mock",
    memory=Memory(max_messages=20),  # 可选：自定义记忆
)

# 3. 运行 Agent —— 就像调用一个函数
answer = agent("Explain an execution trace.")

🔌 多 LLM 支持

EasyAgent 通过统一的接口支持多个 LLM 提供商：

import os

from agentmold import Agent

agent = Agent(
    llm={
        # 可选：openai / anthropic / deepseek / deepseek-anthropic / ollama
        "provider": os.environ["EASYAGENT_PROVIDER"],
        # 从提供商控制台或本地模型列表复制，不由 EasyAgent 猜测
        "model": os.environ["EASYAGENT_MODEL"],
        "temperature": 0.7,
    }
)

每个提供商需要安装对应的可选依赖，例如 pip install "agentmold[ollama]"。详见下方安装选项。

DeepSeek 配置会读取 DEEPSEEK_API_KEY，默认分别使用 https://api.deepseek.com 和 https://api.deepseek.com/anthropic。也可以在配置字典中 显式传入 api_key、base_url 和 temperature。模型可用性和弃用节奏由提供商控制； EasyAgent 要求显式填写模型 ID，不维护容易过期的推荐模型名单。

🛠️ 工具系统

任何函数加上 @tool 装饰器就能成为 Agent 可调用的工具，装饰后的对象仍然可以像普通函数一样调用：

from agentmold import tool
import datetime

@tool
def get_current_time() -> str:
    """Get the current date and time."""
    return datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")

@tool
def read_file(file_path: str) -> str:
    """Read the contents of a file.
    
    Args:
        file_path: Path to the file to read.
    """
    with open(file_path, "r") as f:
        return f.read()

EasyAgent 会自动从函数的类型注解和docstring生成工具描述，无需手动维护 JSON Schema。

第三方包可以通过标准 Python Entry Points 提供 Provider 与 Tool，不需要修改 EasyAgent：

from agentmold import Agent, discover_providers, discover_tools

discover_providers()
agent = Agent(
    llm={"provider": "my-provider", "model": "my-model"},
    tools=discover_tools(),
)

扩展只会在显式调用发现函数时加载。入口点声明和错误处理见 Provider 与 Tool 扩展。

内置工具与权限策略

calculate 是唯一默认导出的无副作用工具。文件和网络工具必须由应用显式配置权限：

from agentmold import Agent
from agentmold.tools import calculate, http_tools, workspace_tools

tools = [
    calculate,
    *workspace_tools("./research", allow_write=True),
    *http_tools({"api.example.com"}),
]
agent = Agent(
    name="Research Assistant",
    instructions="You are a careful research assistant.",
    tools=tools,
    llm="mock",
)

• workspace_tools(root) 将读文件和列目录限制在 root，allow_write=True 才会加入写文件工具。
• http_tools(allowed_hosts) 只允许精确匹配的主机，默认拒绝私有/非公网地址并禁用重定向。
• calculate 使用 AST 白名单和资源上限，仅允许 + - * / // % ** 与括号，拒绝变量和函数调用。

完整策略说明见 内置工具权限。

MCP 工具（外部工具服务）

通过 MCP 协议连接外部工具服务器，把它的工具变成普通 Tool 对象。下面示例使用 OpenAI provider， 需要安装 pip install "agentmold[mcp,openai]"，且 MCP 工具是异步的（用 await agent.arun()）：

import asyncio
from agentmold import Agent
from agentmold.mcp import mcp_tools

async def main() -> None:
    toolset = await mcp_tools(
        "https://mcp.example.com/mcp",
        allowed_hosts={"mcp.example.com"},
        tool_allowlist={"search"},  # 只暴露指定工具
        confirm_all=True,           # 每次调用前确认
    )
    agent = Agent(tools=[*toolset], llm={"provider": "openai", "model": "gpt-4o"})
    print(await agent.arun("搜索 AI agent"))

asyncio.run(main())

MCP 复用 http_tools 的 SSRF 防护，并提供工具白名单、确认门和工具投毒检测。 详见 MCP 工具文档。

实验性 Agent 组合

需要研究多 Agent 行为时，可以显式地把一个 Agent 转成普通工具，而不引入编排框架：

from agentmold import Agent
from agentmold.experimental import agent_as_tool

specialist = Agent(name="Evidence Analyst", llm="mock")
coordinator = Agent(tools=[agent_as_tool(specialist)], llm="mock")
answer = coordinator("tool: inspect this claim")

该 API 位于 agentmold.experimental，尚不属于稳定顶层接口。同步/异步委托、记忆语义、 父子 Trace 的 run_id 关联和递归深度限制见 实验性 Agent 组合。

🧠 记忆管理

import os

from agentmold import Agent, Memory

# 短期记忆（对话历史，默认）
agent = Agent(memory=Memory(max_messages=20))

# 长期记忆（需要 agentmold[memory]；默认 embedding 会调用 OpenAI）
# 请先设置 OPENAI_API_KEY 和 EASYAGENT_EMBED_MODEL，或注入离线 embedder。
from agentmold.memory import VectorMemory
agent = Agent(memory=VectorMemory(
    collection="literature-review",
    storage_path="./.agentmold/memory",
    embed_model=os.environ["EASYAGENT_EMBED_MODEL"],
))

不联网的最小方式是传入自己的确定性 embedder，例如：

from agentmold import Agent, VectorMemory

memory = VectorMemory(
    collection="offline-demo",
    storage_path="./.agentmold/memory",
    embed_model="local-hash",
    embedder=lambda text: [float((sum(map(ord, text)) + i) % 17) for i in range(8)],
)
agent = Agent(memory=memory, llm="mock")

📊 可观测性

EasyAgent 内置轻量级日志与追踪，无需配置任何外部服务：

from agentmold import Agent, LogLevel

agent = Agent(
    name="Debuggable Agent",
    llm="mock",
    log_level=LogLevel.DEBUG,  # 打印每一步执行事件
)

# 保存本次运行的研究记录（包含输入、Agent 配置、事件、耗时和可用的 usage）
agent.run("问题")
if agent.last_trace is not None:
    agent.last_trace.to_jsonl("runs/experiment.jsonl")

# 显式使用 LogLevel.DEBUG 时会打印执行事件；默认调用保持静默：
# [THOUGHT] Iteration 1: calling tool search_web(...)
# [ACTION] Calling tool: search_web(...)
# [OBSERVATION] Search results: ...
# [ANSWER] Here's what I found about AI agents...

🎓 为什么选择 EasyAgent？

适用边界

EasyAgent 不靠覆盖更多框架功能取胜。它的差异化目标是：首次运行无需凭据、核心循环可以 顺着源码和事件记录读懂、教学示例可离线复现。超出这些边界时，应直接选用更成熟的专用系统。

Trace 会尽量保留 provider 返回的 usage 计数。Streamlit 会把常见字段归一化为总 token、 输入/输出 token 和缓存命中率；例如 DeepSeek 的 prompt_cache_hit_tokens / prompt_cache_miss_tokens、OpenAI 兼容响应里的 cached_tokens、Anthropic 的 cache_read_input_tokens。若 provider 不返回缓存明细，缓存命中率显示为 —。 如果错误类似 exceeded max_iterations=1 without producing a final answer，通常表示模型 第一轮调用了工具，但 Agent 没有第二轮机会读取工具结果并总结；把最大迭代次数调到 2 或更高即可。

设计哲学

1. 单一核心抽象 — Agent 本质上是"一个带有工具和记忆的函数"
2. 无工作流 DSL — 配置和组合保持为普通 Python，不发明第二套编程语言
3. 合理默认值 — 开箱即用，但一切可配置
4. 单代理优先 — 多代理是可选的高级扩展
5. 教育透明 — 每一步都可观察、可解释

📦 安装选项

# 基础安装（核心功能，默认使用 mock）
pip install agentmold

# OpenAI 兼容 provider
pip install "agentmold[openai]"

# DeepSeek OpenAI 兼容 provider
pip install "agentmold[deepseek]"

# Anthropic 兼容 provider
pip install "agentmold[anthropic]"

# DeepSeek Anthropic 兼容 provider
pip install "agentmold[deepseek-anthropic]"

# Ollama 本地 provider
pip install "agentmold[ollama]"

# 向量记忆（默认 embedding 路径调用 OpenAI，也可注入自定义 embedder）
pip install "agentmold[memory]"

# MCP 异步工具
pip install "agentmold[mcp]"

# 可视化实验室
pip install "agentmold[visual]"

# 全功能安装（不包含 dev 测试工具）
pip install "agentmold[all]"

🗺️ 路线图

• 单代理核心循环、工具系统与短期记忆
• 离线 mock、OpenAI、Anthropic、Ollama 适配器
• DeepSeek OpenAI/Anthropic 兼容端点配置
• CLI 项目模板与执行事件流
• VectorMemory Collection 与内置工具权限策略
• Streamlit 可视化实验室原型
• 可复现 trace、评测与批量实验（v0.3）
• 稳定的异步 API 与工具策略（v0.2）
• Python Entry Point 扩展与实验性 agent-as-tool 组合（v0.5）
• 教学透明度审计、安全示例与事件流语义说明（v0.6）
• Provider-neutral text_delta 契约与同步/异步 Agent 管道
• Streamlit 显示 token 用量和 provider 缓存命中率
• 内置 Provider 同步/异步原生文本流实现

完整计划见 ROADMAP.md。 通用多 Agent 调度器、工作流 DSL 和编排运行时不是目标；研究性组合继续使用显式的 agent_as_tool()，避免扩大核心学习面。

v1.0 之后的前瞻工作按优先级排成四个版本，全部保持在“普通 Python + 可追踪执行事件、 无 DSL、无强制基础设施”的边界内：

• v1.1 更安全的工具：人工确认门、重复调用检测、异步路径并行工具调用、工具调用审计日志
• v1.2 外部工具生态（MCP）：把 MCP server 作为工具来源接入，复用现有网络安全策略并防御工具投毒
• v1.3 可复现检索：透明的 RAG 管线（切分/混合检索/rerank）、多用户记忆隔离、实验性摘要压缩记忆
• v1.4 成本感知评测与多模型：多次采样评测、主动 prompt caching、实验性模型路由、成本预算

各版本的发布门槛和与产品边界的关系见 ROADMAP.md 的 Forward roadmap 小节。

批量实验与回归评测使用 Agent 工厂隔离每个 case 的记忆：

from agentmold import Agent, EvalCase, evaluate

def build_agent():
    return Agent(llm="mock")

report = evaluate(
    build_agent,
    [EvalCase(input="hello", expected="[mock-llm] hello")],
)
print(report.mean_score)

🧠 Agent 架构模式

EasyAgent 的默认执行循环就是 ReAct（模型轮次 → 行动 → 观察 → 重复）。其他主流架构 ——计划-执行、反思、多智能体协作、路由分发——都是用 Agent、@tool 和普通 Python 组合出来的，不需要工作流 DSL 或编排运行时。

在可视化实验室（easyagent visual）顶部可以直接进入五种架构。Plan-and-Execute、 Reflection、Multi-Agent 和 Routing 默认由保存的真实模型驱动，并保留明确分开的确定性离线 runner。两种执行方式都导出 Python 控制流事件、Agent traces、JSON、JSONL 和 example.py。 离线 example.py 可直接运行；live 版本需要先把 provider/model/credential JSON 放入受保护的 EASYAGENT_LLM_CONFIG 环境变量，并安装对应 provider extra。Multi-Agent 使用 experimental agent_as_tool，不是稳定协调器 API。详见 Agent 架构模式文档和 Cookbook 示例。

📚 文档

先看 文档地图：16 篇文档按「首次运行 → 动手写 → 学架构 → 做研究 → 上生产」分层排序，并标注每篇的语言。下面是平铺清单：

• 快速开始
• 能力状态：已交付、实验性与非目标
• 核心概念
• 执行模型与流式边界
• Agent 架构模式
• 工程实践：意图识别与检索策略
• API 参考
• 批量实验与评测
• 长期记忆 Collection
• 内置工具权限
• Provider 与 Tool 扩展
• 生产部署实践
• 故障排除手册
• 精选 Cookbook
• 教程与示例
• Notebook 实验

🤝 贡献

欢迎贡献！请阅读 CONTRIBUTING.md 了解如何参与。

📄 许可证

MIT License — 详见 LICENSE