crazyagent 1.4.1

A minimal, efficient, easy-to-integrate, flexible, and beginner-friendly LLM agent development framework with powerful context management.

极简高效、易于集成、灵活扩展、上下文管理强大、适合新手的 LLM 智能体开发框架

CrazyAgent 是专为智能体开发新手打造的框架，语法简洁明了，便于将大模型与各类工具和组件高效集成，并能灵活管理上下文记忆，大幅提升开发效率。即使是刚接触 Python 的用户也能快速上手。

特性

• 更少的错误： CrazyAgent 采用简洁明了的 API 设计，显著减少开发者编写代码的错误
• 快速开发： CrazyAgent 提供了一系列工具，帮助开发者快速构建智能体应用
• 易于使用： CrazyAgent 设计简单易用且易于学习，减少阅读文档的时间

兼容的模型服务

• OpenAI
• MoonShot
• DeepSeek
• Ollama

依赖

CrazyAgent 站在以下巨人肩膀上

• langchain 负责提供框架设计灵感
• openai 负责与大模型底层通信

安装

$ python -m pip install crazyagent

对话

CrazyAgent 所支持的大模型厂商的接口都会在 crazyagent.chat 模块中实现，您可以根据自己的需求选择对应接口类

API 密钥获取：

• Deepseek 开发者文档
• Moonshot 开发者文档

同步输出

from crazyagent.chat import Deepseek
import os

# 从环境变量中获取 Deepseek 的 API 密钥
llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))

response = llm.invoke("你好，我叫小明")
print(response.content)

同步流式输出

from crazyagent.chat import Deepseek
import os

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))

for response in llm.stream("你好，我叫小明"):
    print(response.content, end="", flush=True)

异步输出

from crazyagent.chat import Deepseek
import os

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))

async def main():
    response = await llm.ainvoke("你好，我叫小明")
    print(response.content)

import asyncio
asyncio.run(main())

异步流式输出

from crazyagent.chat import Deepseek
import os

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))

async def main():
    async for response in llm.astream("你好，我叫小明"):
        print(response.content, end="", flush=True)

import asyncio
asyncio.run(main())

记忆

CrazyAgent 提供了功能强大的 Memory 类来管理对话上下文 该类不仅具备完善的记忆管理能力，还兼容 Python 内置的 print 和 list 函数接口 让开发者能够轻松进行可视化调试和灵活的数据处理操作

1. 通过 print 函数可以以彩色文本形式可视化不同类型的消息，让开发过程更直观
2. 通过 list 函数轻松获取 list[dict[str, str]] 格式的消息记录，便于在应用中灵活调用和处理

print(memory) 会显示出所有的消息记录，消息角色包括：系统、用户、助手、助手(调用工具)、工具

1. Memory 构造函数的参数

参数	说明	是否必填	默认值
max_turns	最大对话轮数，用于控制用于聊天时记忆的长度	否	5

2. 对话中使用记忆

由于 memory 实现了 __str__ 方法，用户可以直接使用 print(memory) 以彩色表格的形式直观展示记忆中的消息记录

from crazyagent.chat import Deepseek
from crazyagent.memory import Memory
import os

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))
memory = Memory()  # 创建一个新的记忆对象

# 把 memory 作为参数传递给 llm 的 stream 方法
# 这样 llm 就会把该次对话的记录保存到 memory 中
for response in llm.stream("你好，我叫小明", memory=memory):
    print(response.content, end="", flush=True)
# 在流式输出正常结束后
else:
    print()
    print(memory)  # 打印记忆中的消息记录

3. 自定义记忆和系统提示词

自定义的记忆也可以用于对话中，只需要把 memory 作为参数传递给 llm 的 stream 或 invoke 方法即可 自定义的消息必须是成双数，即 HumanMessage 和 AIMessage 必须成对出现，否则后续使用会抛出异常

from crazyagent.memory import Memory, HumanMessage, AIMessage, SystemMessage

memory = Memory()
memory.system_message = SystemMessage("你是一个疯狂的助手")  # 自定义系统提示词
# 向记忆中添加消息记录 
memory.update(
    HumanMessage("你好，我叫小明。"),
    AIMessage("你好呀，小明！我是一个疯狂的助手。"),
)
print(memory)  # 打印记忆中的消息记录

4. 实战案例，添加初始记忆后进行多轮对话

from crazyagent.chat import Deepseek
from crazyagent.memory import Memory, HumanMessage, AIMessage, SystemMessage
import os

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))

memory = Memory()
memory.system_message = SystemMessage("你是一个疯狂的助手")  # 自定义系统提示词
# 向记忆中添加自定义消息记录
memory.update(
    HumanMessage("你好，我叫小明。"),
    AIMessage("你好呀，小明！我是一个疯狂的助手。"),
)

while True:
    user_input = input("> ")  # 等待用户输入
    for response in llm.stream(user_input, memory=memory):
        print(response.content, end="", flush=True)
    else:
        # 流式输出正常结束后，打印记忆中的消息记录
        print()
        print(memory)

工具

CrazyAgent 提供了整个地球上最精简、高效、迅速和稳定的工具构建框架！

工具函数的每个参数必须要使用类型注解！而且函数的文档字符串要完整！ 与工具函数相关的所有参数类型都必须属于 JSONType!

from types import UnionType, NoneType
JSONType: UnionType = dict | list | tuple | str | int | float | bool | NoneType

1. Argument 构造函数的参数

参数名称	数据类型	是否必填	默认值	说明
description	str	是	-	参数的描述信息
default	JSONType	否	...	参数的默认值
required	bool	否	True	该参数是否必须
enum	List[JSONType]	否	...	参数的枚举值

2. 把普通函数转化为工具函数

这是一个用于查询天气的普通函数

def get_weather(city_name: str) -> dict:
    """
    查询天气

    Args:
        city_name: 城市名称

    Returns:
        dict: 天气信息
    """
    ...  # 假设这里是查询天气的逻辑
    return {
        "city_name": city_name,
        "weather": "晴",
        "temperature": "25°C",
        "wind": "微风",
    }

要把这个函数转化为大模型可以使用的工具函数 只需要把函数用 @crazy_tool 装饰器装饰，然后把每个参数的默认值设置为 Argument 对象即可

异步工具函数只能在 llm.ainvoke 和 llm.astream 中被使用，它们同时也兼容同步工具函数

但 llm.invoke 和 llm.stream 不支持使用异步工具函数

from crazyagent.toolkit.core import crazy_tool, Argument

# 普通工具函数
@crazy_tool
def get_weather(city_name: str = Argument("城市名称")) -> dict:
    """查询天气"""
    ...  # 假设这里是查询天气的逻辑
    return {
        "city_name": city_name,
        "weather": "晴",
        "temperature": "25°C",
        "wind": "微风",
    }

# 异步工具函数
@crazy_tool
async def async_get_weather(city_name: str = Argument("城市名称")) -> dict:
    """查询天气"""
    ...  # 假设这里是查询天气的逻辑
    return {
        "city_name": city_name,
        "weather": "晴",
        "temperature": "25°C",
        "wind": "微风",
    }

3. 实战案例，对话中使用多个工具函数

CrazyAgent 提供了许多已封装好的工具函数，大致分为两类：外部工具和私有工具

具体的工具函数可以查看 crazyagent.toolkit._external 和 crazyagent.toolkit._private 模块下的文件，这些工具会在 crazyagent.toolkit 模块下的 __init__.py 文件中被导入和导出，可以直接通过 from crazyagent.toolkit import * 导入所有 CrazyAgent 提供的工具函数

外部工具一般是一些第三方免费的 API 私有工具一般是一些内部使用的工具，比如查询数据库、发送邮件等 使用内部工具时需要先调用对应的 configure 函数来配置私有工具的 API 密钥

from crazyagent.toolkit import (
    get_weather,  # 外部工具函数, 查询天气
    send_email,  # 私有工具函数, 发送邮件
    configure_email_service,
)
from crazyagent.memory import Memory
from crazyagent.chat import Deepseek
import os

# 为私有工具函数 send_email 配置邮件服务的 API 密钥信息
configure_email_service(
    sender_mail='...',  # 替换为实际的发件人邮箱地址
    authorization_code='...',   # 替换为实际的授权码
    server='...'  # 替换为实际的 SMTP 服务器地址
)

llm = Deepseek(api_key=os.environ.get('DEEPSEEK_API_KEY'))
memory = Memory()

while True:
    user_prompt = input('> ')
    # 这里把 获取天气 和 发送邮件 两个工具函数传入 tools 参数, 这样在对话中大模型就会知道这些工具的存在, 并根据用户的输入来选择使用哪个工具
    for response in llm.stream(
        user_prompt,
        memory=memory, 
        tools=[get_weather, send_email]
    ):
        print(response.content, end='', flush=True)
    else:
        print()
        print(memory)

在代码中，我们传入了 get_weather 和 send_email 两个工具函数到 llm.stream 方法的 tools 参数中 然后我们提问：“告诉我妹妹(她的邮箱是[e-mail])今天广州的天气怎么样” 然后大模型就理解了用户的意图，首先选择了 get_weather 工具函数来获取天气信息，然后选择了 send_email 工具函数来发送邮件 这么丝滑稳定的使用体验，归功于 CrazyAgent 对于工具模块极其优秀的设计理念

漂亮的提示词

CrazyAgent 提供非常多优秀的提示词，有着不同的种类，可以通过 crazyagent.pretty_prompts 模块导入

from crazyagent.pretty_prompts import LOVER
from crazyagent.memory import Memory, SystemMessage

memory = Memory()
memory.system_message = SystemMessage(LOVER)  # 把优秀的提示词作为系统提示词

...  # 对话逻辑

response 对象的属性

参数名称	数据类型	说明
content	str	大模型返回的聊天内容，如果是流式输出，则为当前流式内容
stop_usage	dict	结束对话时 prompt 和 completion 的 token 使用量
tool_calls_info	list[dict]	包含了该次对话中所有的工具调用信息
total_tokens	int	该次对话的总 token 使用量（包括结束对话和所有工具调用）

如果是流式输出，则除了 content 之外的其它三个属性要在最后一个 response 中才能获取到