comate-agent-sdk 0.5.5

An agent is just a for-loop. The simplest possible agent framework.

comate-agent-sdk

一个用于构建 Agent（工具调用 + for-loop）的 Python SDK。它强调“行动空间完整 + 显式退出 + 上下文工程”，同时尽量保持 API 简洁、可维护、可扩展。

你能用它做什么

• 把任意 async def 函数变成可被 LLM 调用的工具：签名 → JSON Schema（支持 Pydantic 参数模型）
• FastAPI 风格依赖注入：Depends(...)（适合注入 DB/客户端/配置/上下文）
• 上下文工程：自动压缩（compaction）、工具输出的 ephemeral 保留、超大内容 offload 到文件系统
• 会话能力：ChatSession 持久化 / 恢复 / 分叉（resume/fork）
• 可扩展能力包：
  • Subagent：通过 .agent/subagents/*.md 声明，自动注入 Task 工具
  • Skill：通过 .agent/skills/*/SKILL.md 声明，自动注入 Skill 工具
• Token 统计与可选计费（本地缓存定价数据）

安装

SDK 作为依赖接入（推荐）

uv add comate-agent-sdk

CLI 快速运行（推荐）

uvx comate-cli

CLI 长期安装

uv tool install comate-cli
comate

一键安装脚本

bash scripts/install_comate.sh

在本仓库开发

uv sync
uv run pytest -q
uv run python examples/comate.py

准备环境（以 OpenAI 为例）

SDK 会在 import 时自动加载 .env（依赖 python-dotenv），所以你可以在项目根目录放一个 .env：

OPENAI_API_KEY=...

如果你要使用内置 WebFetch（系统工具），它会调用 llm_levels["LOW"]，推荐你显式配置三档模型，避免默认落到 Anthropic：

COMATE_AGENT_SDK_LLM_LOW="openai:gpt-4o-mini"
COMATE_AGENT_SDK_LLM_MID="openai:gpt-4o"
COMATE_AGENT_SDK_LLM_HIGH="openai:gpt-4o"
COMATE_AGENT_SDK_LLM_LOW_BASE_URL="http://192.168.100.1:4141/v1"
COMATE_AGENT_SDK_LLM_MID_BASE_URL="http://192.168.100.1:4142/v1"
COMATE_AGENT_SDK_LLM_HIGH_BASE_URL="http://192.168.100.1:4143/v1"

配置文件：settings.json 和 AGENTS.md

SDK 支持通过配置文件管理 LLM 配置和 Agent 指令，分为 user 级（全局）和 project 级（项目）两层：

配置文件	User 级（全局）	Project 级	优先级
settings.json	~/.agent/settings.json	{项目根}/.agent/settings.json	project 字段级覆盖 user
AGENTS.md	~/.agent/AGENTS.md	{项目根}/AGENTS.md 或 {项目根}/.agent/AGENTS.md	project 完全替代 user

settings.json 配置模板

{
  "llm_levels": {
    "LOW": "openai:gpt-4o-mini",
    "MID": "openai:gpt-4o",
    "HIGH": "anthropic:claude-opus-4-5"
  },
  "llm_levels_base_url": {
    "LOW": "http://192.168.100.1:4141/v1",
    "MID": null,
    "HIGH": "https://api.anthropic.com"
  },
  "env": {
    "COMATE_AGENT_SDK_MEMORY_BACKGROUND_ENABLED": "false"
  }
}

说明：

• llm_levels：三档模型配置，格式为 "provider:model"（provider 可选：openai、anthropic、google）
• llm_levels_base_url：可选，为每档模型指定 base_url（null 表示使用默认）
• env：可选，string -> string 字典。会覆盖当前系统环境变量，并参与 SDK 内部 env 解析
• 优先级（从高到低）：代码参数 llm_levels= > project settings.json > user settings.json > 环境变量 > 默认值

settings.json.env 与 facade 的优先级

对 SDK 的 env 解析（例如 memory 后台总开关）：

os.environ < settings.json.env（project/local 覆盖 user） < AgentOptions.env

如果你在 facade 中显式传 memory_background_enabled，它的优先级还会高于上述 env 体系。

记忆后台能力总开关

relevant memory side query 和 background extraction 共用一个总开关：

• env 名称：COMATE_AGENT_SDK_MEMORY_BACKGROUND_ENABLED
• 默认值：开启

最小示例：

from comate_agent_sdk import AgentClient, AgentOptions

client = AgentClient(
    llm=...,
    options=AgentOptions(
        memory_background_enabled=False,
    ),
)

字段级覆盖示例

假设你有：

~/.agent/settings.json（user 级）：

{
  "llm_levels": {
    "LOW": "openai:gpt-4o-mini",
    "MID": "openai:gpt-4o",
    "HIGH": "openai:gpt-4o"
  },
  "llm_levels_base_url": {
    "LOW": "http://192.168.100.1:4141/v1"
  }
}

{项目根}/.agent/settings.json（project 级）：

{
  "llm_levels": {
    "HIGH": "anthropic:claude-opus-4-5"
  }
}

最终生效：

• llm_levels：project 的 llm_levels 完全覆盖 user（只有 HIGH 生效，LOW 和 MID 消失）
• llm_levels_base_url：project 未定义，回退到 user 的配置

AGENTS.md 加载规则

AGENTS.md 是用于写入 Agent 背景指令的 Markdown 文件，会被自动注入到 memory（类似 system prompt，但不计入 prompt token 限制）。

搜索路径（按优先级）：

1. Project 级（任一存在即生效）：

   • {项目根}/AGENTS.md
   • {项目根}/.agent/AGENTS.md

2. User 级（仅当 project 级不存在时 fallback）：

   • ~/.agent/AGENTS.md

重要规则：

• 当 project 级存在任何 AGENTS.md 时，user 级会被完全忽略（不会合并）
• 只有在 project 级完全不存在时，才会 fallback 到 user 级
• 如果用户代码手动指定了 memory=...，则不会自动加载任何 AGENTS.md

AGENTS.md 示例

~/.agent/AGENTS.md（user 级，全局指令）：

# 全局 Agent 规则

- 所有代码必须使用 f-string
- 必须使用 logging 模块，禁止 print

{项目根}/.agent/AGENTS.md（project 级，项目特定指令）：

# 本项目 Agent 规则

这是一个 Django 项目，请遵循：
- 使用 Django ORM 查询数据库
- 在 views.py 中编写视图函数
- 测试文件放在 tests/ 目录

控制配置加载：setting_sources

你可以在代码中显式控制加载哪些配置：

from comate_agent_sdk.agent import Agent, AgentConfig

# 默认：加载 user 和 project 两层
agent = Agent(llm=..., config=AgentConfig(setting_sources=("user", "project")))

# 只加载 project 级配置
agent = Agent(llm=..., config=AgentConfig(setting_sources=("project",)))

# 只加载 user 级配置
agent = Agent(llm=..., config=AgentConfig(setting_sources=("user",)))

# 完全不加载配置文件（向后兼容模式）
agent = Agent(llm=..., config=AgentConfig(setting_sources=None))

注意：setting_sources 同时控制 settings.json 和 AGENTS.md 的加载范围。

MCP：接入外部工具（stdio/sse/http）与本地 SDK Server

SDK 支持通过 MCP（Model Context Protocol）接入外部工具生态。MCP tools 会被映射为普通 Tool，并遵循统一命名规则：

• 所有 MCP tools 都以 mcp__ 开头
• 命名格式：mcp__{server_alias}__{tool_name}
  • server_alias 来自 AgentConfig(mcp_servers={...}) 的 key，或 .mcp.json 里的 key
  • tool_name 来自 MCP server 返回的原始 tool name（会做安全字符规整）

说明：SDK 会在第一次调用 LLM 前懒加载 MCP tools；如果你使用 ChatSession.resume() 恢复会话，SDK 会在下一次调用 LLM 前自动刷新 MCP tools。

1) 配置 MCP server（stdio / sse / http）

默认配置文件位置（两层合并，project 覆盖同名 alias 的 user 配置）：

• User 级：~/.agent/.mcp.json
• Project 级：{项目根}/.agent/.mcp.json

.mcp.json 支持两种等价写法：

1. 直接写成 alias -> config：

{
  "fs": { "type": "stdio", "command": "python", "args": ["-m", "my_fs_mcp_server"] }
}

2. 包一层 servers（更清晰，推荐）：

{
  "servers": {
    "fs": { "type": "stdio", "command": "python", "args": ["-m", "my_fs_mcp_server"] }
  }
}

stdio 示例（本机启动子进程）

{
  "servers": {
    "calc": {
      "type": "stdio",
      "command": "python",
      "args": ["-m", "my_calc_mcp_server"],
      "env": { "LOG_LEVEL": "INFO" }
    }
  }
}

type 对 stdio 可省略（缺省即按 stdio 处理）。

SSE 示例（远程/本地 SSE 端点）

{
  "servers": {
    "search": {
      "type": "sse",
      "url": "http://127.0.0.1:8000/sse",
      "headers": { "Authorization": "Bearer YOUR_TOKEN" }
    }
  }
}

HTTP 示例（Streamable HTTP 端点）

{
  "servers": {
    "internal": {
      "type": "http",
      "url": "http://127.0.0.1:8000/mcp",
      "headers": { "X-API-Key": "YOUR_KEY" }
    }
  }
}

代码中显式指定/覆盖配置

你也可以直接在代码里传 mcp_servers（会覆盖默认文件发现逻辑）：

from comate_agent_sdk import AgentClient, AgentOptions

client = AgentClient(
    llm=...,
    options=AgentOptions(
        mcp_servers={
            "internal": {"type": "http", "url": "http://127.0.0.1:8000/mcp"},
        },
        tools=[...],
    ),
)

或者传一个配置文件路径：

from comate_agent_sdk.agent import Agent, AgentConfig

agent = Agent(llm=..., config=AgentConfig(mcp_servers="/abs/path/to/.mcp.json", tools=[...]))

注意：.mcp.json 不支持 type="sdk"（因为 instance 无法序列化），sdk 只能代码注入。

2) 创建本地 MCP server（SDK in-process，FastMCP）

如果你希望把一组工具“像 MCP server 一样”以内嵌方式提供给 Agent，可以用 create_sdk_mcp_server()。

要点：

• 使用 @mcp_tool(name=..., description=...) 声明工具
• 输入 schema 来自函数签名的类型注解（推荐显式参数，不要用 args: dict）
• 注册到 Agent 时，用 mcp_servers dict 的 key 作为 server_alias（决定最终 tool name 前缀）

import asyncio
import logging

from comate_agent_sdk import AgentClient, AgentOptions, create_sdk_mcp_server, mcp_tool
from comate_agent_sdk.llm import ChatOpenAI

logging.basicConfig(level=logging.INFO)


@mcp_tool(name="add", description="Add two numbers")
async def add(a: float, b: float) -> str:
    return f"Sum: {a + b}"


@mcp_tool(name="multiply", description="Multiply two numbers")
async def multiply(a: float, b: float) -> str:
    return f"Product: {a * b}"


calculator = create_sdk_mcp_server(
    name="calculator",
    version="2.0.0",
    tools=[add, multiply],
)


async def main() -> None:
    client = AgentClient(
        llm=ChatOpenAI(model="gpt-4o-mini"),
        options=AgentOptions(
            mcp_servers={"calc": calculator},  # alias = "calc"
            tools=[...],
        ),
    )

    events = [event async for event in client.chat("请用工具计算 12.5 + 3.5，然后再乘以 2。")]
    logging.info(events)


if __name__ == "__main__":
    asyncio.run(main())

运行：

uv run python your_script.py

快速上手：Claude Code 风格（系统工具 + 显式 done + Session）

下面这个最小示例具备：

• Claude Code 风格系统工具（Bash/Read/Write/Edit/Grep/Glob/LS/TodoWrite/WebFetch）
• 显式 done 工具（防止“无工具调用就提前结束”）
• ChatSession（会话持久化到 ~/.agent/sessions/<cwd_key>/<session_id>/）

系统工具依赖（按工具）

说明：Python 包依赖会由 uv sync / uv add comate-agent-sdk 自动安装；外部命令依赖需要你在系统层安装。

工具	依赖	缺失时行为	备注
Bash	系统 shell（Linux/macOS 默认具备）	无法执行命令	具体依赖取决于你在命令里调用的程序（如 git / uv / python 等）
Read	无	-	-
Write	无	-	-
Edit	无	-	-
Glob	无	-	-
LS	无	-	-
Grep	可选：rg（ripgrep）	若未安装 rg，会自动回退到 Python 实现（较慢，部分高级能力可能缺失）	推荐安装 ripgrep：Ubuntu/Debian sudo apt-get install ripgrep；macOS brew install ripgrep；Windows winget install BurntSushi.ripgrep.MSVC
TodoWrite	无	-	会在 session 目录下写入/清理 todos.json
WebFetch	Python 包：curl-cffi、markdownify；以及 llm_levels["LOW"]	缺包则报错；未配置 LOW 模型则无法按预期调用低档模型	需要联网访问目标 URL；会调用低档模型做摘要/抽取

import asyncio
import logging

from comate_agent_sdk.agent import Agent, AgentConfig, SessionInitEvent, StopEvent, TextEvent, ToolCallEvent, ToolResultEvent
from comate_agent_sdk.llm import ChatOpenAI
from comate_agent_sdk.tools import get_default_registry

logging.basicConfig(level=logging.INFO)


async def main() -> None:
    llm_levels = {
        "LOW": ChatOpenAI(model="gpt-4o-mini"),
        "MID": ChatOpenAI(model="gpt-4o"),
        "HIGH": ChatOpenAI(model="gpt-4o"),
    }

    agent = Agent(
        llm=llm_levels["MID"],
        config=AgentConfig(
            llm_levels=llm_levels,
            tools=get_default_registry().all(),
            include_cost=False,
        ),
    )

    session = agent.chat()

    prompt = (
        "请在当前项目根目录里：\n"
        "1) 找到 pyproject.toml\n"
        "2) 读取并告诉我 [project] 的 name\n"
        "3) 完成后给出结论\n"
    )

    async for event in session.query_stream(prompt):
        if isinstance(event, SessionInitEvent):
            logging.info(f"session_id={event.session_id}")
        elif isinstance(event, ToolCallEvent):
            logging.info(f"→ {event.tool}: {event.args}")
        elif isinstance(event, ToolResultEvent):
            logging.info(f"← {event.tool}: is_error={event.is_error}")
        elif isinstance(event, TextEvent):
            logging.info(event.content)
        elif isinstance(event, StopEvent):
            logging.info(f"done reason={event.reason}")


if __name__ == "__main__":
    asyncio.run(main())

运行方式：

uv run python your_script.py

核心概念与 API

AgentClient / Session（公开 facade）

• query(...)：最轻量的一次性查询入口
• AgentClient.chat(...)：无状态单轮调用，每次自动创建并销毁临时 session
• AgentClient.query(prompt, session_id=...)：带会话 ID 的 facade 查询入口，支持 str 和 AsyncIterable[dict] 两种输入
• AgentClient.session(...)：获取可跨轮复用的 Session
• Session.chat(...)：保留历史的多轮会话入口

AgentClient 流式输入

import asyncio

from comate_agent_sdk import AgentClient, AgentOptions


async def message_stream():
    yield {
        "type": "user",
        "message": {
            "role": "user",
            "content": "Analyze this repository",
        },
    }
    yield {
        "type": "user",
        "message": {
            "role": "user",
            "content": [
                {"type": "text", "text": "Review this diagram too"},
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/png",
                        "data": "BASE64_IMAGE_DATA",
                    },
                },
            ],
        },
    }


async def main() -> None:
    client = AgentClient(llm=..., options=AgentOptions(cwd="."))

    async for event in client.query(message_stream(), session_id="analysis"):
        print(type(event).__name__, event)


asyncio.run(main())

说明：

• envelope 目前只支持 type="user" 且 message.role="user"
• message.content 支持字符串，或由 text / image(base64) block 组成的列表
• 同一个 session_id 的多次 AgentClient.query(...) 会复用同一会话历史

Tool：@tool(...)

• 直接装饰 async def，自动：
  • 解析函数签名并生成 JSON Schema
  • 支持 Pydantic 参数模型（适合复杂输入）
  • 支持依赖注入（typing.Annotated[..., Depends(...)] 或默认值 Depends(...)）
• ephemeral=<N>：仅保留最近 N 次该工具输出，旧输出会被标记 destroyed，并（可选）offload 到文件系统

Depends（依赖注入）

from typing import Annotated

from comate_agent_sdk import Depends, tool


def get_db() -> "Database":
    return Database()


@tool("查询用户")
async def get_user(user_id: int, db: Annotated["Database", Depends(get_db)]) -> str:
    return await db.find(user_id)

Session：持久化 / 恢复 / 分叉

ChatSession 会把对话增量写入：

• ~/.agent/sessions/<cwd_key>/<session_id>/context.jsonl
• 以及（若发生 offload）~/.agent/sessions/<cwd_key>/<session_id>/offload/

恢复（resume）

session = agent.chat(session_id="<已有 session_id>")

分叉（fork）

forked = agent.chat(fork_session="<已有 session_id>")

获取统计和清空历史

# 获取 token 使用统计
usage = await session.get_usage()
print(f"总 tokens: {usage.total_tokens}")
print(f"总成本: ${usage.total_cost:.4f}")

# 按模型查看
for model, stats in usage.by_model.items():
    print(f"{model}: {stats.total_tokens} tokens")

# 清空会话历史（包括 token 统计和持久化）
session.clear_history()

注意：

• get_usage() 即使在 session 关闭后也可调用（用于获取最终统计）
• clear_history() 会清空内存、token 统计，并向 JSONL 写入重置事件
• 如需保留历史，请先使用 fork_session() 创建副本

Context：Compaction / Offload / Ephemeral

1) 自动压缩（Compaction）

from comate_agent_sdk.agent import AgentConfig, CompactionConfig

agent = Agent(
    llm=ChatOpenAI(model="gpt-4o"),
    config=AgentConfig(
        tools=[...],
        compaction=CompactionConfig(threshold_ratio=0.80),
        emit_compaction_meta_events=False,  # 调试事件开关（默认关闭）
    ),
)

当前压缩行为（直接替换旧策略）：

• 工具历史按“工具块”处理：仅保留最近 5 块，更早块整块删除
• 保留块内字段阈值截断：
  • tool_call.arguments > 500 tokens 才截断
  • tool_result.content > 600 tokens 才截断
  • 截断保留前 200 tokens，并追加 [TRUNCATED original~N tokens]
• user/assistant 至少保留最近 12 轮（is_meta=True 不计轮次）
• 选择性压缩后始终执行 summary；任一步失败原子回滚
• summary 失败会自动短重试；连续失败进入短冷却，避免高频重复失败

2) Offload（卸载到文件系统）

默认开启（offload_enabled=True），并写入：

• ~/.agent/sessions/<cwd_key>/<session_id>/offload/

常用配置：

from comate_agent_sdk.agent import AgentConfig

agent = Agent(
    llm=ChatOpenAI(model="gpt-4o"),
    config=AgentConfig(
        cwd=Path.cwd(),
        tools=[...],
        offload_enabled=True,
        offload_token_threshold=2000,
    ),
)

3) Ephemeral（工具输出只保留最近 N 条）

from comate_agent_sdk import tool


@tool("读取大文件（只保留最近 2 次输出）", ephemeral=2)
async def read_big(path: str) -> str:
    return "..."

4) 相关文档

• 上下文压缩策略说明
• 上下文压缩流程详解
• 上下文文件系统（Offload）

Subagent：.agent/subagents/*.md + Task

在项目根目录创建 .agent/subagents/，每个文件一个 subagent，例如 .agent/subagents/researcher.md：

---
name: researcher
description: 做信息收集与整理
tools:
  - WebFetch
  - Grep
  - Read
level: LOW
max_iterations: 30
timeout: 60
---

你是一个研究员，输出需要结构化、可复用。

Subagent 模型配置

Subagent 支持两种方式指定使用的 LLM 模型：

1. 使用档位 (level)

推荐使用档位来控制模型性能和成本：

---
name: quick-helper
description: 快速助手
level: LOW      # 使用低档位（快速、便宜）
---

支持的档位：

• LOW: 快速模型（如 haiku）
• MID: 标准模型（如 sonnet）
• HIGH: 高性能模型（如 opus）

2. 使用别名 (model)

也可以使用别名直接指定：

---
name: expert
description: 专家
model: opus     # 使用opus模型
---

支持的别名：

• sonnet: 映射到MID档位
• opus: 映射到HIGH档位
• haiku: 映射到LOW档位
• inherit: 继承父agent（等同于不指定）

3. 默认行为

如果不指定 model 或 level，subagent 将继承父 agent 的模型。

注意: 不支持直接指定完整的模型名称（如 model: gpt-4o），仅支持上述别名。

启动后（只要项目里发现了 subagents），主 Agent 会自动注入 Task 工具，模型即可调用：

• Task(subagent_type="researcher", prompt="...", description="...")

自动发现与 agents 语义（重要）

Subagent 支持自动发现（从文件系统加载）与代码显式传入两种方式，并且可以混用。

自动发现路径与优先级

SDK 会从以下路径发现 subagent 定义（.md 文件）：

• Project 级（优先）：{project_root}/.agent/subagents/*.md
• User 级（fallback）：~/.agent/subagents/*.md

优先级规则：

• 当 project 级存在任意 .md 文件时，完全忽略 user 级（不会合并）。
• project_root 未显式传入时，默认使用当前工作目录（cwd）。

AgentConfig(agents=...) 的约定

agents 参数用于控制是否启用/合并 subagent（注意 None 与 [] 的语义不同）：

传参	行为	典型用途
agents=None（默认）	允许自动发现；若发现到 subagent，会注入系统 Task 工具	纯自动发现
agents=[]	显式禁用自动发现；不会注入系统 Task 工具	测试隔离 / 完全不启用 subagent
agents=[...]（非空）	自动发现 + 代码传入 合并（同名以代码传入为准）	混合模式（推荐）

Task 是保留名：避免静默覆盖

当启用了 subagent（最终 agent.agents 非空）时，SDK 会注入系统级 Task 工具作为 subagent 调度入口，因此：

• 若你在 tools=[...] 中手动提供了同名工具 Tool(name="Task")，SDK 会直接抛出 ValueError（避免静默替换导致误用）。

解决方式（三选一）：

1. 将你的工具改名（不要叫 Task）
2. 显式禁用 subagent：Agent(..., config=AgentConfig(agents=[]))
3. 移除/调整自动发现的 subagent定义（例如删除/修改 .agent/subagents/*.md）

Skill：.agent/skills/*/SKILL.md + Skill

在项目根目录创建 .agent/skills/<skill_name>/SKILL.md，例如 .agent/skills/release/SKILL.md：

---
name: release
description: 发布流程规范
---

发布步骤：
1) ...
2) ...

项目路径：{baseDir}

SDK 会自动发现 Skills 并注入：

• Skill meta-tool（用于加载某个 skill 的完整指令）
• skill 策略提示（写入 Context header）

模型可调用：

• Skill(skill_name="release")

可观测性：Langfuse 集成

SDK 支持通过 Langfuse 进行 LLM 调用的可观测性监控（tracing、usage、latency 等）。

启用方式

只需设置以下三个环境变量（必须全部设置才会启用）：

LANGFUSE_SECRET_KEY=sk-lf-...
LANGFUSE_PUBLIC_KEY=pk-lf-...
LANGFUSE_BASE_URL=https://cloud.langfuse.com  # 或你的自托管地址

设置后，SDK 会自动启用 Langfuse 追踪：

• OpenAI：使用 Langfuse 包装的 OpenAI 客户端
• Anthropic：使用 OpenTelemetry instrumentation

Anthropic 额外依赖

如果使用 Anthropic 模型并希望启用 Langfuse 追踪，需要额外安装：

pip install opentelemetry-instrumentation-anthropic
# 或
uv add opentelemetry-instrumentation-anthropic

注意：如果未安装此包但设置了环境变量，SDK 会输出警告日志但不会影响正常运行。

不启用时的行为

如果未设置（或未完整设置）上述三个环境变量，SDK 会使用原生的 LLM 客户端，不会有任何额外开销。

Token 统计与可选计费

只统计 tokens（默认）

summary = await agent.get_usage()

计算成本（需要拉取定价并缓存）

• 代码层：Agent(config=AgentConfig(include_cost=True, ...))
• 或环境变量：comate_agent_sdk_CALCULATE_COST=true

定价数据会缓存到 XDG_CACHE_HOME（默认 ~/.cache/comate_agent_sdk/token_cost/）。

示例代码

仓库内已有更完整示例：

• comate_agent_sdk/examples/claude_code.py：Claude Code 风格（沙盒文件系统 + 依赖注入）
• comate_agent_sdk/examples/chat_session_repl.py：Session REPL
• comate_agent_sdk/examples/chat_session_repl_fork.py：Session 分叉 REPL
• comate_agent_sdk/examples/subagent_example.py：Subagent 示例
• comate_agent_sdk/examples/dependency_injection.py：依赖注入示例

运行（示例）：

uv run python comate_agent_sdk/examples/claude_code.py

许可证

MIT