agentmaker
纯 Python LLM Agent 开发框架，四行代码构建带记忆和工具调用能力的 Agent，支持多 Provider、本地 RAG 和内置调试器。
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
纯 Python LLM Agent 开发框架，四行代码构建带记忆和工具调用能力的 Agent，支持多 Provider、本地 RAG 和内置调试器。
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：你凌晨三点爬起来修 Bug，AI 助手不仅能回答"怎么修"，还能调出你上次遇到同类问题时写的笔记；你问它"帮我分析这份合同"，它直接联网查条款、自动总结风险点，还能记住你个人的偏好设置——不是问答机器，而是一个真正懂你、帮你做事的数字助手。
这正是 agentmaker 想要解决的问题。它是一个纯 Python 的 LLM Agent 开发框架，核心理念只有一句话："Four lines of code, an agent with memory"——四行代码，一个会记忆的 Agent。
大语言模型（LLM）最早被当作超级问答机：问一个问题，模型返回一个答案。但这套模式的天花板很明显——模型不知道你是谁、不知道任务的历史背景、无法主动调用工具，问完就忘，下次还是从零开始。
agentmaker 的出现，踩在 Agent（智能体）浪潮之上。它将 LLM 从被动应答者升级为主动行动者：Agent 可以调用外部工具（搜索、计算、读写文件）、维护长期记忆（记住用户偏好、历史交互）、执行复杂工作流（规划→执行→反思），甚至多 Agent 协作（多个 Agent 分工完成一个大任务）。
开发者 xinhuang（GitHub @xinhuangcs）构建这个框架的动机很朴素：现有的 Agent 框架要么太重、要么太专，要么把"记忆"和"RAG"做成了需要额外运维的外部服务。agentmaker 希望做到的是：开箱即用、本地运行、一个 pip install 就开始干活。
agentmaker 用一个 @tool 装饰器，将任意 Python 函数变成 Agent 可调用的工具：
from agentmaker import Agent, LLMClient, tool
@tool
def get_weather(city: str) -> str:
return f"{city}: sunny, 24C"
agent = Agent("assistant", LLMClient("deepseek"), tools=[get_weather])
print(agent.run("What's the weather in Copenhagen?").final_output)
这里的关键是：LLM 自行判断何时需要调用工具，不需要你写 if-else 逻辑。工具可以是搜索 API、数据库查询、Python 计算，甚至是通过 MCP（Model Context Protocol）协议连接外部服务。框架内置了 ToolRetriever——当项目中有几十上百个工具时，Agent 会自动在上下文中只放入最相关的几个，避免 token 溢出。
传统 RAG 方案需要单独部署向量数据库（Milvus、ChromaDB 等），agentmaker 的默认方案则用 SQLite + sqlite-vec，一个本地文件搞定全文检索和向量搜索，中文分词由 jieba 处理：
from agentmaker.retrieval import build_sqlite_hybrid, OpenAIEmbedder
from agentmaker import Memory, MemoryStore
memory = Memory(build_sqlite_hybrid(OpenAIEmbedder()), MemoryStore())
这套"混合检索"同时考虑语义相似度和关键词匹配，再通过 RRF（Reciprocal Rank Fusion）融合结果，零外部依赖、零运维成本，非常适合个人开发者和小团队。
除了单个 Agent，agentmaker 支持多 Agent 编排。AgentTool 让一个 Agent 可以作为另一个 Agent 的工具调用，实现分工协作；内置的 PlanAgent（规划执行）和 ReflectionAgent（反思优化）两种工作流模板，则覆盖了"先规划再行动"和"做完反思改进"两类常见场景。
这是 agentmaker 最有意思的设计之一。框架内置了 Tracer + DoctorHook——当 Agent 运行出错时，框架本身会启动一个 LLM Agent，分析整个执行轨迹，自动定位第一个出错的步骤，给出根因和修复建议。用 Agent 来调试 Agent，而且这个调试 Agent 同样基于 agentmaker 构建，形成有趣的自我指涉：
from agentmaker import Agent, Tracer
from agentmaker.devtools import DoctorHook
tracer = Tracer()
agent = Agent("assistant", llm, tools=[...], tracer=tracer, hooks=[DoctorHook(tracer)])
运行 python -m agentmaker.devtools 还能打开 Trace Detective——一个本地 Web 界面，可视化展示每一步的 LLM 调用、工具调用和 Guardrail 执行记录，并支持在线诊断。
agentmaker 在安全性上也有所考量：支持输入/输出 Guardrail（验证），以及高风险工具的"审批门"（approve-before-run），在自动化和人工干预之间提供平衡点。生命周期钩子（hooks）、检查点（checkpoints）、运行上限（run limits）和取消机制也一应俱全。
从代码结构看，agentmaker 采用了懒加载模块设计（PEP 562 __getattr__）：import agentmaker 不会一次性导入所有依赖（避免 sqlite-vec、jieba 等重型依赖的初始化开销），而是按需加载、缓存结果。
依赖分层清晰：
这是一个务实的方案——不需要 AI 能力？只装核心；需要某个特定能力？按需安装即可。
代码质量方面，框架使用 Pydantic v2 做类型校验，所有公共 API 都有类型注解，CI 流水线包含 pytest 测试，文档基于 MkDocs Material 构建并支持中英双语。
如果你有 Python 3.12+ 环境，了解 LLM API（OpenAI / DeepSeek / Anthropic 的 key），想要快速构建一个"有记忆、能调用工具"的任务型 Agent，agentmaker 是一个低学习成本、高内聚度的选择。它的 Quickstart 示例从零到可运行只需要几分钟。
第一，没有开箱即用的 Web UI。agentmaker 是纯库（library），不是独立应用，你需要自己写 Flask/FastAPI 来暴露 HTTP 接口。这对开发者是优势（灵活性高），对非技术用户是门槛。
第二，LLM 调用依赖外部 API。框架本身不包含模型，无论是 OpenAI GPT-4、Anthropic Claude 还是 DeepSeek，都需要你自己准备 API Key 并承担调用费用。本地模型（Ollama/vLLM）支持，但需要自行部署。
第三，仍处于 Pre-1.0 阶段。官方明确说明 minor 版本可能引入 breaking changes，生产环境使用建议 pin 版本范围（如 agentmaker>=0.2,<0.3）。
agentmaker 体现了当前 AI 开发领域的一种趋势——让基础设施"消失"。记忆不用搭数据库、调试不用写探针、RAG 不用运维向量服务，这些原本需要额外工程投入的能力，被作者以"本地优先"的方式整合进了框架内部。
这种"全栈电池"思路并非 agentmaker 独有（LangChain、LlamaIndex 也有类似趋势），但 agentmaker 的差异化在于：Python 3.12 强制约束（确保 async/typing 特性可用）、Lazy loading（避免依赖膨胀）、内置调试器（开发者体验优先）。
GitHub 上该项目目前 111 Stars，4 个 Fork，16 个覆盖全功能的示例脚本，从 Quickstart 到 Multi-Agent、Observability、Declarative Spec 均有覆盖。文档站 agentmaker.xinhuang.me 已支持中英文双语，CHANGELOG 保持活跃更新。
本文基于 GitHub 仓库 xinhuangcs/agentmaker（MIT License）生成。