🔥 文档 · 🚀 快速开始 · 🏗️ 架构设计 · 💡 核心能力 · 🧩 生态工具
--- ## 为什么需要 Agently？ LangChain、CrewAI、AutoGen 各自解决了真实问题——但它们都是为探索而优化，不是为交付。把 AI 应用真正送上线的团队，往往在同样的地方碰墙： | 框架 | 擅长的事 | 生产交付时遇到的问题 | |:--|:--|:--| | LangChain | 生态广、原型快 | 输出无类型约束、Chain 难以单元测试、状态管理复杂 | | CrewAI | 角色化 Agent 团队、自然语言任务协调 | 路由黑盒、可观测性弱、生产故障难排查 | | AutoGen | 会话式多 Agent、科研探索 | 循环不可预期、无内置状态持久化、难以确定性部署 | | **Agently** | **工程级 AI 应用** | 契约式输出 · 可测/可暂停/可持久化的 TriggerFlow · 完整 Action 日志 · 工程项目级配置管理 | Agently 从一开始就为"能跑的 demo"和"稳定运行的生产系统"之间的鸿沟而设计： - **稳定输出** — 契约式 schema，强制关键字段存在，失败自动重试 - **可测试的编排** — TriggerFlow 每个分支都是普通 Python 函数，可以独立单元测试 - **可观测的 Action** — 每次工具/MCP/沙箱调用都有完整的输入输出日志 - **暂停、恢复、持久化** — 执行状态可保存到磁盘，进程重启后从断点继续 - **工程项目级配置** — 分层 YAML/TOML/JSON 配置文件、环境变量替换、`agently-devtools init` 快速脚手架 **Agently 4.1 全面重写了 Action Runtime**：三层独立可替换的插件栈（规划 → 循环 → 执行），原生支持本地函数、MCP 服务器、Python/Bash 沙箱及自定义后端。 --- ## 架构设计 ### 分层模型 Agently 将 AI 应用组织成四个清晰的层次，每层有稳定接口，可独立替换、扩展和测试。 ```mermaid graph TB subgraph APP["你的应用"] UserCode["应用 / 业务逻辑"] end subgraph GLOBAL["Agently 全局层"] Global["全局设置 · 插件管理器 · 默认模型配置"] end subgraph AGENT["Agent 层"] direction TB AgentInst["Agent 实例"] subgraph AGENT_INNER["Agent 内部组件"] Prompt["Prompt\ninput · instruct · info · output"] Session["Session\n多轮记忆 · memo · 持久化"] Action["Action\n规划 · 分发 · 日志"] Settings2["分层设置\n（继承自全局）"] end end subgraph MODEL["模型层"] ModelReq["模型请求\n由 Prompt 槽 + 设置构建"] ModelResp["模型响应\n结构化 · 流式 · Instant 事件"] end subgraph WORKFLOW["工作流编排"] TF["TriggerFlow\nto · if/elif/else · match/case · batch · for_each · when · emit · 暂停/恢复 · 持久化"] end subgraph LLMS["LLM API"] LLMAPIs["OpenAI · DeepSeek · Claude · Qwen · Ollama · 任何 OpenAI 兼容端点"] end UserCode -->|"配置 & 创建"| Global Global -->|"继承设置"| AgentInst AgentInst --- AGENT_INNER AgentInst -->|"构建 & 发送"| ModelReq ModelReq -->|"HTTP"| LLMAPIs LLMAPIs -->|"响应流"| ModelResp UserCode -->|"编排"| TF TF -->|"触发 Agent 步骤"| AgentInst ``` ### Action Runtime（v4.1） 三层独立可替换的插件——按需替换，不动其余。 ```mermaid graph LR subgraph AGENT2["Agent"] AExt["ActionExtension\n准备可见 Action 列表 & 日志"] end subgraph RUNTIME["Action Runtime（可替换）"] AR["ActionRuntime 插件\nAgentlyActionRuntime\n\n规划协议 · 调用归一化 · 轮次控制"] AF["ActionFlow 插件\nTriggerFlowActionFlow\n\nAction 循环 · 暂停/恢复 · 并发"] end subgraph EXECUTORS["ActionExecutor（可替换）"] E1["LocalFunctionExecutor\n@action_func / @tool_func"] E2["MCPExecutor\nstdio · http"] E3["PythonSandboxExecutor"] E4["BashSandboxExecutor"] E5["自定义插件"] end AExt -->|"委托规划"| AR AR -->|"运行 Action 循环"| AF AF -->|"分发调用"| E1 AF -->|"分发调用"| E2 AF -->|"分发调用"| E3 AF -->|"分发调用"| E4 AF -->|"分发调用"| E5 ``` --- ## 核心能力 ### 1. 契约式输出控制 一次定义结构，使用第三槽 `True` 标记必填叶子。`ensure_keys` 作为补充手段用于运行时依赖路径，`.validate()` / `validate_handler=` 用于值级业务规则；当你需要整棵结构严格保障时，使用 `ensure_all_keys=True`。 ```python result = ( agent .input("分析这条用户评价：'产品很好，但物流太慢了。'") .output({ "情感倾向": (str, "积极 / 中立 / 消极", True), "关键问题": [(str, "问题摘要")], "紧急程度": (int, "1–5，5 最紧急", True), }) .start(ensure_keys=["关键问题[*]"]) ) # 始终是 dict，"情感倾向"和"紧急程度"由 schema 保证；"关键问题"另外做运行时检查。 # 如果要对整体结构做严格保障，传 `ensure_all_keys=True`。 ``` Prompt 模板也可以在外层设置 `ensure_all_keys`（YAML/JSON 里写成 `$ensure_all_keys`），让严格整棵结构保障成为默认值。 ### 2. 结构化流式 — Instant 事件 每个输出字段独立流式传输。字段完成即可用，不用等完整响应，直接驱动 UI 更新或下游逻辑。 ```python response = ( agent .input("解释递归，并给出 3 个示例") .output({ "definition": (str, "一句话定义"), "examples": [(str, "带说明的代码示例")], }) .get_response() ) for event in response.get_generator(type="instant"): if event.path == "definition" and event.delta: ui.update_header(event.delta) # 定义逐字流式展示 if event.wildcard_path == "examples[*]" and event.is_complete: ui.append_example(event.value) # 每个示例完成后追加 ``` ### 3. Action Runtime — 函数、MCP、沙箱（v4.1） 任意组合挂载，运行时负责规划、执行、重试和完整结构化日志。 ```python @agent.action_func def search_docs(query: str) -> str: """搜索内部文档。""" return docs_db.search(query) agent.use_mcp("docs-server", transport="stdio", command=["python", "mcp_server.py"]) agent.use_sandbox("python") # 隔离进程中执行代码 agent.use_actions([search_docs, "docs-server", "python"]) response = agent.input("帮我找认证相关的文档，并给出登录示例代码。").get_response() # 每次调用：调用了什么、参数是什么、返回了什么 print(response.result.full_result_data["extra"]["action_logs"]) ``` 旧版 `tool` API（`@agent.tool_func`、`agent.use_tool()`）仍然有效，底层映射到同一个运行时。 ### 4. TriggerFlow — 正经的工作流编排 TriggerFlow 远不止是函数链。它是一个完整的工作流引擎，支持并发、事件驱动分支、人工审批中断和执行状态持久化。 **执行生命周期 — `open -> sealed -> closed`** Agently 4.1.1 明确了 TriggerFlow execution 生命周期。这不只是返回值变化，而是在定义 workflow 何时还能接外部输入、何时只做 drain、何时结果已经冻结： ```mermaid stateDiagram-v2 [*] --> open: create / start open --> sealed: seal() open --> closed: auto_close idle timeout open --> closed: close() sealed --> open: unseal() sealed --> closed: close() closed --> [*] ``` | 状态 | 外部输入 | 在途工作 | Runtime stream / 结果 | |---|---|---|---| | `open` | 接受 `emit()` / `continue_with()` | chunk、内部 emit、已注册 task 继续 | stream 存活；state 还能变化 | | `sealed` | 拒绝新的外部输入 | 已接受事件、内部 emit 链和 task 继续 drain | stream 仍存活；snapshot 未冻结 | | `closed` | 全部拒绝 | 不再接新工作 | stream 已停止；close snapshot 已冻结 | `close()` / `async_close()` 会先 seal，再 drain 待办工作，停止 runtime stream，最后返回 execution state snapshot。传给 close 的 `timeout=` 是在途工作的 drain timeout，不是 auto-close 计时器。 这会影响入口 API 选择： | 场景 | 使用 | 返回 / 契约 | |---|---|---| | 输入都已知的快速脚本 | `flow.start(...)` / `flow.async_start(...)` | 隐式 execution 自动 close，返回 close snapshot | | 服务、worker、SSE/WebSocket、webhook、人工审批 | `flow.start_execution(...)` 或 `flow.create_execution(auto_close=False)` | 调用方持有 execution handle，并决定何时 close | | 预创建 execution 且 `auto_close=True` | `execution.async_start(...)` | 等 auto-close 后返回 close snapshot | | 预创建 execution 且 `auto_close=False` | `execution.async_start(...)` | 返回 execution 本身；调用方必须显式 close | | FastAPI Helper 使用 `TriggerFlow` provider | `FastAPIHelper(response_provider=flow)` | 响应 `data` 是 close snapshot，不再被强行压成旧的 `result` 字段 | ```python execution = flow.create_execution(auto_close=False) await execution.async_start(initial_input, wait_for_result=False) # emit 事件、从检查点恢复，或持续输出 runtime stream... snapshot = await execution.async_close() ``` 只有 execution state 会进入 close snapshot 和 `save()` / `load()` 检查点。client、callback、socket、文件句柄这类 runtime resources 需要在恢复后重新注入。旧的 `.end()` / `set_result()` result sink 仍然兼容，会把结果写入 snapshot 的 `"$final_result"`；新代码应把 close snapshot 作为完成契约。 **并发 — `batch` 与 `for_each`** 以可配置的并发上限并行运行步骤： ```python # 并发处理 URL 列表，最多 5 个并行 flow.for_each(url_list, concurrency=5).to(fetch_page).to(summarize).end_for_each().to(store_summaries) # 同时展开 N 个固定分支 flow.batch( ("a", strategy_a), ("b", strategy_b), ("c", strategy_c), ).to(store_strategy_outputs) ``` **事件驱动 — `when` 与 `emit`** 基于信号、chunk 完成或数据变化触发分支，不局限于线性序列： ```python flow.when("UserInput").to(process_input).to(plan_next_step) flow.when("ToolResult").to(evaluate_result) # 在 chunk 内部 emit 触发其他分支 async def plan_next_step(data: TriggerFlowEventData): if needs_tool: await data.async_emit("ToolCall", tool_args) else: await data.async_emit("UserInput", final_reply) ``` **暂停、恢复与持久化** 执行状态保存到磁盘，进程重启后从断点恢复——对长时间运行或需要人工审批的工作流至关重要： ```python # 启动执行，立即保存检查点 execution = flow.create_execution(auto_close=False) await execution.async_start(initial_input, wait_for_result=False) execution.save("checkpoint.json") # 之后——新进程，恢复状态，从暂停处继续 restored = flow.create_execution(auto_close=False) restored.load("checkpoint.json") await restored.async_emit("UserFeedback", {"approved": True, "note": "材料审核通过。"}) state = await restored.async_close() ``` 这让 Agently 工作流真正做到**进程重启安全**——适合审批门控、多天长流程和人工复核场景。 **蓝图序列化** 流程拓扑本身可以导出为 JSON/YAML 并重新加载，支持动态工作流定义和版本化流程配置： ```python flow.get_yaml_flow(save_to="flows/main_flow.yaml") # 之后 flow.load_flow_config("flows/main_flow.yaml") ``` ### 5. Session — 多轮记忆管理 按 ID 激活会话，自动维护对话历史、裁剪上下文窗口、支持自定义 Memo 策略，持久化到 JSON/YAML。 ```python agent.activate_session(session_id="user-42") agent.set_settings("session.max_length", 10000) session = agent.activated_session session.register_analysis_handler(decide_when_to_summarize) session.register_resize_handler("summarize_oldest", summarize_handler) reply1 = agent.input("我叫 Alice。").start() reply2 = agent.input("我叫什么名字？").start() # 正确返回 "Alice" ``` ### 6. 工程项目级配置管理 真实 AI 项目涉及多个 Agent、多套 Prompt 模板、多个运行环境。Agently 的分层设置系统支持在每一层加载 YAML/JSON/TOML 配置文件，内置 `${ENV.VAR}` 环境变量替换和分层继承。 **推荐的工程项目结构：** ``` my_ai_project/ ├── .env # API Key 和密钥 ├── config/ │ ├── global.yaml # 全局模型 + 运行时默认配置 │ └── agents/ │ ├── researcher.yaml # 单 Agent 模型覆盖配置 │ └── writer.yaml ├── prompts/ │ ├── researcher_role.yaml # 可复用的 Prompt 模板 │ └── writer_role.yaml ├── flows/ │ ├── main_flow.py # TriggerFlow 定义 │ └── main_flow.yaml # 序列化的流程蓝图（可选） ├── agents/ │ ├── researcher.py │ └── writer.py └── main.py ``` **配置分层继承——每层继承并覆盖上层：** ```mermaid graph LR A["global.yaml\n（模型、运行时默认配置）"] B["agents/researcher.yaml\n（单 Agent 模型覆盖）"] C["agent.set_settings(...)\n（单次请求临时覆盖）"] A -->|"继承"| B B -->|"继承"| C ``` ```python # 启动时加载全局配置（支持 ${ENV.xxx} 占位符自动替换） Agently.load_settings("yaml", "config/global.yaml", auto_load_env=True) # 每个 Agent 加载自己的覆盖配置 researcher = Agently.create_agent() researcher.load_settings("yaml", "config/agents/researcher.yaml") # 必要时做单次请求级别的覆盖 researcher.set_settings("OpenAICompatible.request_options", {"temperature": 0.2}) ``` **一行命令快速初始化工程脚手架：** ```bash pip install agently-devtools agently-devtools init my_project ``` 参考真实项目示例： - [Agently-Daily-News-Collector](https://github.com/AgentEra/Agently-Daily-News-Collector) — 定时多源新闻采集与整理 Pipeline - [Agently-Talk-to-Control](https://github.com/AgentEra/Agently-Talk-to-Control) — 基于 TriggerFlow 的对话式控制流 ### 7. 分层 Prompt 管理 Prompt 不是字符串——它是结构化的槽，各司其职：`input`（任务）、`instruct`（约束）、`info`（上下文数据）、`output`（输出 schema）。Agent 级别的槽跨请求持久存在，请求级别的槽只对当次有效。 ```python agent.role("你是一位资深 Python 代码审查员。") # 始终存在 result = ( agent .input(user_code) .instruct("重点关注安全性和性能问题。") .info({"context": "对外的 API 处理器", "framework": "FastAPI"}) .output({"issues": [(str, "问题描述")], "score": (int, "0–100", True)}) .start() ) ``` 当你使用 `${...}` 占位符时，替换值必须显式通过 `mappings=...` 传入，例如 `agent.instruct("Hello ${name}", mappings={"name": "Alice"})`。 Prompt 模板可通过 `configure_prompt` 扩展从 YAML/JSON 文件加载，支持团队级 Prompt 治理。 ### 8. 统一模型配置 一套配置，任意供应商，零锁定。 ```python Agently.set_settings( "OpenAICompatible", { "base_url": "https://api.deepseek.com/v1", "model": "deepseek-chat", "auth": "DEEPSEEK_API_KEY", # 字符串匹配环境变量名时自动读取 }, ) # 只改 base_url 和 model 两个字段，即可切换到任何 OpenAI 兼容端点 ``` 支持：OpenAI · DeepSeek · Anthropic Claude（原生协议）· 通义千问 · Mistral · Llama · 本地 Ollama · OpenAI 兼容端点。 --- ## 快速开始 ```bash pip install -U agently ``` *需要 Python ≥ 3.10。* ```python from agently import Agently Agently.set_settings("OpenAICompatible", { "base_url": "https://api.deepseek.com/v1", "model": "deepseek-chat", "auth": "DEEPSEEK_API_KEY", }) agent = Agently.create_agent() result = ( agent.input("用一句话介绍 Python，并列出 3 个优点") .output({ "intro": (str, "一句话介绍", True), "strengths": [(str, "优点描述")], }) .start(ensure_all_keys=True) ) print(result) # {"intro": "Python 是...", "strengths": ["...", "...", "..."]} ``` --- ## 生态工具 ### Agently Skills — Coding Agent 扩展 官方 Agently Skills 让 AI 编程助手（Claude Code、Cursor 等）掌握正确的 Agently 使用模式，不用每次会话重新解释框架。 - **仓库：** https://github.com/AgentEra/Agently-Skills - **安装：** 先选择目标 agent，再按 Agently-Skills README 安装 `app` bundle。Codex 可以从 `export AGENT=codex` 开始。 覆盖：通过 `app` bundle 开发新应用，通过 `migration` bundle 从 LangChain、LangGraph、LlamaIndex、CrewAI 迁移。 ### Agently DevTools — 运行时观测与脚手架 `agently-devtools` 是可选配套包，提供运行时检查和工程脚手架能力。 ```bash pip install agently-devtools agently-devtools init my_project # 快速初始化 Agently 工程 ``` - 运行时观测：`ObservationBridge`、`create_local_observation_app` - 示例：`examples/devtools/` - 兼容说明：`agently-devtools 0.1.x` 对应 `agently >=4.1.0,<4.2.0` ### 集成 | 集成 | 功能 | |:--|:--| | `agently.integrations.chromadb` | `ChromaCollection` — 基于向量检索的知识库（RAG） | | `agently.integrations.fastapi` | SSE 流式、WebSocket 及标准 POST 接口模式 | --- ## 扩展性 — 在每一层自定义 Agently 设计为可在多个独立层面进行扩展。你不需要 fork 框架才能改变它的行为——每个主要组件都是可替换的插件、钩子或注册处理器。 ```mermaid graph TB subgraph USER["你的应用"] App["业务逻辑 · TriggerFlow 编排"] end subgraph AGENT_EXT["Agent 扩展层"] AE["内置扩展\nSession · Action · AutoFunc · ConfigurePrompt · KeyWaiter · StreamingPrint"] AEC["自定义 Agent 扩展\n注册自己的生命周期钩子\n和 Agent 级别能力"] end subgraph HOOKS["请求生命周期钩子"] H1["request_prefixes\n在请求发送前修改 Prompt + Settings"] H2["broadcast_prefixes\n响应开始时触发"] H3["broadcast_suffixes\n每个流式事件触发"] H4["finally\n响应完成后执行"] end subgraph CORE_PIPELINE["核心管道插件（可替换）"] PG["PromptGenerator\n控制 Prompt 槽如何组装成最终 prompt"] MR["ModelRequester\nOpenAICompatible（默认）· 自定义供应商"] RP["ResponseParser\n控制模型原始输出如何解析为结构化数据"] end subgraph ACTION_STACK["Action 运行时插件（可替换）"] AR["ActionRuntime\n规划协议 · 轮次控制"] AF["ActionFlow\n循环形态 · 暂停/恢复 · 并发"] AX["ActionExecutor\nLocalFunction · MCP · PythonSandbox · BashSandbox · 自定义"] end subgraph TF_EXT["TriggerFlow 扩展"] TC["自定义 Chunk Handler\n@flow.chunk 或 register_chunk_handler"] TCC["自定义 Condition Handler\nregister_condition_handler"] end subgraph HOOKERS["运行时事件汇流（Hooker）"] RH["ConsoleSink · StorageSink · ChannelSink · 自定义\n附加到任意运行时事件流"] end App --> AGENT_EXT AGENT_EXT --> HOOKS HOOKS --> CORE_PIPELINE CORE_PIPELINE --> ACTION_STACK App --> TF_EXT CORE_PIPELINE -.->|"发出运行时事件"| HOOKERS ACTION_STACK -.->|"发出运行时事件"| HOOKERS ``` ### 扩展点一览 | 层级 | 扩展类型 | 可自定义的内容 | |:--|:--|:--| | **Agent 扩展** | 注册自定义扩展类 | 为每个 Agent 添加新能力：新 Prompt 槽、新响应钩子、新生命周期行为 | | **请求生命周期钩子** | `request_prefixes` / `broadcast_prefixes` / `broadcast_suffixes` / `finally` | 在请求发送前、响应开始时、每个流式事件时、响应完成后拦截并处理 | | **PromptGenerator**（插件） | 替换内置插件 | 精确控制各 Prompt 槽如何组装为最终发送给模型的消息列表 | | **ModelRequester**（插件） | 注册新供应商类 | 接入任意非 OpenAI 兼容的模型 API，接口契约保持不变 | | **ResponseParser**（插件） | 替换内置插件 | 改变原始模型输出解析为结构化数据和流式事件的方式 | | **ActionRuntime**（插件） | 替换 `AgentlyActionRuntime` | 更换规划协议、调用归一化逻辑或轮次控制方式 | | **ActionFlow**（插件） | 替换 `TriggerFlowActionFlow` | 更换 Action 循环的编排形态——不同的并发策略、暂停/恢复或分支逻辑 | | **ActionExecutor**（插件） | 在内置基础上追加或替换 | 添加新的执行后端：云函数、RPC、自定义沙箱 | | **TriggerFlow Chunk** | `@flow.chunk` / `register_chunk_handler` | 任意 Python 函数或协程都可以成为可组合的流程步骤 | | **TriggerFlow Condition** | `register_condition_handler` | 自定义分支之间的路由判断逻辑 | | **运行时 Hooker** | 实现并注册一个 Hooker | 附加到运行时事件流，用于可观测性、存储或频道转发 | ### 示例：注册自定义 ActionExecutor ```python from agently.types.plugins import ActionExecutor, ActionRunContext, ActionExecutionRequest, ActionResult class MyCloudExecutor: name = "my-cloud-executor" DEFAULT_SETTINGS = {} async def execute( self, context: ActionRunContext, request: ActionExecutionRequest, ) -> list[ActionResult]: # 调用你的云函数 / RPC / 自定义后端 ... Agently.plugin_manager.register("ActionExecutor", MyCloudExecutor) ``` ### 示例：添加请求生命周期钩子 ```python agent = Agently.create_agent() # 在该 Agent 的每次请求中注入上下文 def inject_tenant_context(prompt, settings): prompt.info({"tenant_id": get_current_tenant()}) agent.extension_handlers.append("request_prefixes", inject_tenant_context) ``` --- ## 关于"Harness"概念与 Agently 的关系 业界近年出现了 **AI application harness** 这一概念——用来描述在 LLM 调用之上叠加工程控制：稳定的输出接口、可观测的内部状态、可替换的组件。它是一种架构属性，而不是某种产品类型。 Agently 是一个 **AI 应用开发框架**，但在设计上天然满足这些属性： | Harness 属性 | Agently 的实现方式 | |:--|:--| | **输出接口稳定** | `output()` 的 `True` 必填标记 + `ensure_keys` 补充校验 + 自定义 `validate()` 校验 + `ensure_all_keys` 严格模式 | | **内部状态可观测** | `action_logs`、`tool_logs`、DevTools `ObservationBridge`、逐层结构化日志 | | **运行时层可替换** | ActionRuntime、ActionFlow、ActionExecutor 均为独立插件槽 | | **关注点分离** | Prompt 槽、设置层级、Session、TriggerFlow 是独立且可组合的层 | | **可测试性** | TriggerFlow 每个 chunk 都是普通函数；结构化输出有固定 schema 可断言 | 这些属性是 Agently 设计哲学的自然结果——按照 Agently 的方式正确组织 AI 应用，就能得到这些保障。 --- ## 谁在用 Agently 解决真实问题？ > "Agently 帮助我们将评标细则转为可执行流程，模型评分关键项准确率稳定在 75%+，评标效率显著提升。" — 某能源央企项目负责人 > "Agently 让问数系统形成从澄清到查询到呈现的闭环，业务问题首次回复准确率达 90%+，上线后稳定运行。" — 某大型能源集团数据负责人 > "Agently 的工作流编排与会话能力，让教学助手在课程管理与答疑场景快速落地，并保持持续迭代。" — 某高校教学助手项目负责人 📢 [来 GitHub Discussions 分享你的案例 →](https://github.com/AgentEra/Agently/discussions/categories/show-and-tell) --- ## 常见问题 **Q：Agently 和 LangChain 的主要区别是什么？** LangChain 在快速原型和生态广度上有优势。Agently 专注于 POC 之后的工程阶段：契约式输出防止接口漂移，TriggerFlow 分支可以独立单元测试，工程项目级配置系统支持真实的团队工作流。如果你用 LangChain 交付过项目并遇到了可维护性问题，Agently 正是为此而设计的。 **Q：和 CrewAI 或 AutoGen 有什么不同？** CrewAI 和 AutoGen 围绕自然语言协调的 Agent 团队设计——适合探索，难以做到确定性。Agently 使用基于代码的显式编排（TriggerFlow），每个分支都是有明确输入输出的 Python 函数，每次 Action 调用都有日志，执行状态可暂停、序列化和恢复——这些正是面向用户交付时真正重要的属性。 **Q：Action Runtime 是什么？为什么 v4.1 要重写？** 旧版 Tool 系统是单层扁平结构，简单场景够用，但不可扩展。新的 Action Runtime 将"调用什么"（ActionRuntime 规划层）、"怎么循环"（ActionFlow 循环层）和"怎么执行"（ActionExecutor 执行层）分开，每层都是独立插件。你可以只换沙箱后端而不动规划逻辑，或者只换规划算法而不改循环方式。 **Q：如何将基于 Agently 的服务部署上线？** 框架不绑定部署方式，提供完整异步接口。`examples/fastapi/` 中有 SSE、WebSocket 和普通 POST 的开箱即用示例。完整的部署案例参见 [Agently-Talk-to-Control](https://github.com/AgentEra/Agently-Talk-to-Control)。 **Q：是否有企业版或商业支持？** 有。本仓库核心框架继续采用 Apache 2.0 开源协议。企业扩展包、私有化部署支持、治理模块和 SLA 保障通过独立商业协议提供。欢迎通过[社区](https://doc.weixin.qq.com/forms/AIoA8gcHAFMAScAhgZQABIlW6tV3l7QQf)联系我们。 --- ## 文档导航 | 资源 | 链接 | |:--|:--| | 官方文档（中文） | https://agently.cn/docs | | 官方文档（英文） | https://agently.tech/docs | | 快速开始 | https://agently.cn/docs/quickstart.html | | 结构化输出控制 | https://agently.cn/docs/output-control/overview.html | | Instant 流式 | https://agently.cn/docs/output-control/instant-streaming.html | | Session & Memo | https://agently.cn/docs/agent-extensions/session-memo/ | | TriggerFlow 编排 | https://agently.cn/docs/triggerflow/overview.html | | Action 与 MCP | https://agently.cn/docs/agent-extensions/tools.html | | Prompt 管理 | https://agently.cn/docs/prompt-management/overview.html | | 智能体系统 Playbook | https://agently.cn/docs/agent-systems/overview.html | | 官方 Agently Skills | https://github.com/AgentEra/Agently-Skills | --- ## 加入社区 - 交流讨论：https://github.com/AgentEra/Agently/discussions - 报告问题：https://github.com/AgentEra/Agently/issues - 微信群：https://doc.weixin.qq.com/forms/AIoA8gcHAFMAScAhgZQABIlW6tV3l7QQf ## 开源协议 Agently 采用"开源核心 + 商业扩展"模式： - 本仓库开源核心：[Apache 2.0](LICENSE) - 商标使用规范：[TRADEMARK.md](TRADEMARK.md) - 贡献者授权协议：[CLA.md](CLA.md) - 企业扩展与商业服务：通过独立商业协议提供 ---
立即开始构建真正能上线的 AI 应用 →
pip install -U agently