AmritaCore 是一个基础设施定位的轻量级Agent框架，作为智能体开发的基础构建块。可以将其视为为AI智能体提供essential "操作系统"能力的框架——提供核心原语和抽象，使开发者能够构建健壮、生产就绪的智能体应用，而无需重型框架的开销。
AmritaCore 旨在解决现代 AI 应用开发中的几个关键挑战：
-
简化智能体开发: 提供高级API如
create_agent()工厂函数用于快速开发，同时通过AgentRuntime类保持完全控制。 -
灵活的Agent策略架构: 支持四种不同的执行策略：
- Agent模式: 带有推理能力的标准迭代工具调用
- RAG模式: 用于知识密集型任务的检索增强生成
- Workflow模式: 用于结构化流程的顺序工作流执行
- Agent-Mixed模式: 根据上下文需求动态适应的混合方法
-
可扩展的架构: 设计注重可扩展性，支持工具集成、事件钩子和协议适配器，允许开发者按需扩展智能体能力。
-
高效的上下文管理: 内置智能记忆摘要功能，自动管理长对话历史，平衡上下文完整性和Token消耗。
-
原生异步流式处理: 所有输出都设计为异步流式（"Every is a stream"），支持实时响应处理和更好的用户体验。
-
供应商无关设计: 抽象的数据类型和对话管理，可在不同LLM提供商之间工作，避免供应商锁定。
-
全面的安全性: 内置Cookie安全检测、会话隔离和内容过滤机制，防止提示注入和数据泄露。
-
原生挂起/恢复支持: 内置机制可在任意时刻暂停和恢复Agent执行流程，支持具有实时用户控制的交互式应用程序
AmritaCore 实现了灵活的Agent策略架构，包含四种执行类别：
- 带内置推理支持的迭代工具调用
- 自动工具调用限制，防止无限循环
- 执行循环和终止的完整框架管理
- 最小上下文，专注于系统消息 + 用户查询
- 针对外部知识检索场景优化
- 默认无历史对话上下文
- 对执行流程的完全手动控制
- 适用于具有自定义编排的复杂多步骤工作流
- 具有手动管理的完整对话历史
- 基于上下文需求的动态模式切换
- 结合RAG和迭代工具调用能力
- 由内置的
ReActAgentStrategy实现
AmritaCore 通过模块化系统提供全面配置：
- 可配置的工具调用模式：
"agent"、"rag"、"workflow"、"none" - 推理模式：
"reasoning"、"reasoning-required"等 - 内置工具配置：停止工具、推理工具、处理消息工具
- MCP客户端集成，用于外部工具扩展
- 会话隔离和内存管理设置
- 具有自动摘要的智能记忆抽象
- 可配置的令牌计数和窗口管理
- 具有回退预设支持的自动重试逻辑
- 具有用法统计的流式响应配置
- 供应商无关的模型预设系统
AmritaCore 提供高级和低级API：
from amrita_core import create_agent, minimal_init
async def example():
await minimal_init()
agent = create_agent(
base_url="https://api.example.com",
api_key="your-api-key",
model="gpt-4",
model_config={"temperature": 0.7}
)
# 使用 agent.get_chatobject() 进行交互- 对Agent配置和生命周期的完全控制
- 具有持久内存的会话管理
- 策略自定义和动态切换
- 用于生产环境的高级配置选项
AmritaCore 包含三个 essential 内置工具：
- STOP_TOOL (
agent_stop): 表示任务完成并准备提供最终答案 - REASONING_TOOL (
think_and_reason): 为自主决策生成推理步骤 - PROCESS_MESSAGE (
processing_message): 向用户传达内部想法和当前操作
这些工具根据配置自动启用，为智能体行为提供基础。
AmritaCore 通过协议适配器支持多个LLM提供商：
- OpenAIAdapter: 对OpenAI兼容API的完全支持，包括流式处理、工具调用和用量跟踪
- AnthropicAdapter (实验性): 对Anthropic Claude模型的支持，具有适当的令牌处理
全面的事件驱动架构，具有多个钩子点：
- PreCompletionEvent: 在向LLM发送前修改消息
- CompletionEvent: 在从LLM接收后处理响应
- FallbackContext: 处理LLM请求失败，具有自动重试逻辑
- 自定义事件: 用于自定义集成的可扩展事件系统
强大的外部工具集成系统：
- 装饰器注册: 使用
@on_tools装饰器注册工具，具有完整的模式定义 - Custom Run模式: 高级工具执行，通过
ctx.ctx.chat_object直接访问聊天对象 - 动态发现: 自动工具元数据收集和运行时发现
- 条件启用: 基于运行时条件启用/禁用工具
- 类型安全: 工具参数和返回值的完整类型检查
多层安全架构：
- Cookie安全检测: 通过Cookie泄露自动检测提示注入尝试
- 会话隔离: 用户会话之间的完全隔离，具有独立的状态管理
- 内容过滤: 可配置的输入和输出内容过滤
- 访问控制: 基于角色的访问控制和速率限制支持
AmritaCore 适用于需要智能体能力的各种场景：
- 智能聊天机器人: 具有工具调用和推理能力的对话代理
- 自动化工作流: 具有错误处理的多步骤流程自动化
- 研究助手: 具有RAG能力的知识密集型任务
- 决策支持系统: 具有推理轨迹的复杂决策制定
- 客户服务自动化: 具有安全性和合规性的企业级客户服务
- 个性化推荐引擎: 具有上下文感知的推荐系统
安装 AmritaCore:
pip install amrita-core基本用法:
import asyncio
from amrita_core import create_agent, minimal_init
async def main():
await minimal_init()
agent = create_agent(
base_url="https://api.openai.com/v1",
api_key="your-openai-key",
model="gpt-4"
)
chat = agent.get_chatobject("你好！What can you do?")
async with chat.begin():
response = await chat.full_response()
print(response)
if __name__ == "__main__":
asyncio.run(main())请点击官方文档查看完整的指南、API参考和示例。