智能体运行时
AI Skill Hub 推荐使用：智能体运行时 是一款优质的Agent工作流。AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
📚 深度解析
智能体运行时 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
构建轻量、可扩展的Agent框架，升级大语言模型为智能体
智能体运行时 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
构建轻量、可扩展的Agent框架，升级大语言模型为智能体
智能体运行时 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install my_agent_llms
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install my_agent_llms
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/HHHH-LK/my_agent_llms
cd my_agent_llms
pip install -e .
# 验证安装
python -c "import my_agent_llms; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
my_agent_llms --help
# 基本用法
my_agent_llms input_file -o output_file
# Python 代码中调用
import my_agent_llms
# 示例
result = my_agent_llms.process("input")
print(result)
# my_agent_llms 配置文件示例（config.yml） app: name: "my_agent_llms" debug: false log_level: "INFO" # 运行时指定配置文件 my_agent_llms --config config.yml # 或通过环境变量配置 export MY_AGENT_LLMS_API_KEY="your-key" export MY_AGENT_LLMS_OUTPUT_DIR="./output"
my_agent_llms
my_agent_llms 是一个轻量级、可演进的 Agent 框架。目标不是再写一层 LLM SDK 封装,而是构建一个可运行、可扩展的 Agent Runtime:让大语言模型在提示词、工具、记忆、任务循环和安全边界的协同下,持续完成真实场景中的复杂任务。
模型只是系统中的推理核心,真正的智能体能力来自模型与上下文、工具、记忆、规则和执行流程之间的协同。
---
项目特性
- 多形态 Agent:Simple / FunctionCall / ReAct / Plan-Solve / Reflection 五种执行范式,共享同一套 Runtime
- 分层记忆系统:L0 Playbook 卡片 / L1 工作记忆 / L2 摘要 / 冷存储 / 向量检索 / 知识图谱,可配置可插拔
- 可插拔工具生态:文件读写编辑、目录浏览、附件导入导出、计算器、Web 搜索、记忆召回等内置工具
- 现代化 CLI:基于
prompt-toolkit+rich的 Warp/Vercel 风格交互,支持 Slash 命令、Markdown 渲染、主题、状态栏 - Workspace 沙箱:文件类工具在受控目录下执行,支持 pending edits 的审阅与一键导出
- Hook 机制:在 Agent 响应前后注入自定义逻辑(诚实协议、记忆检索补全等)
- 完整测试:单元测试 + 集成测试覆盖核心模块
---
1. 安装依赖
uv sync
快速开始
环境要求:Python ≥ 3.13,推荐使用 uv 管理依赖。
```bash
3. 启动 CLI
uv run python chat.py ```
进入 CLI 后可用的 Slash 命令包括 /help、/config、/memory、/clear 等。即使没配 API Key 也能进入,通过 /config key 现场补上即可。
---
运行测试
uv run pytest
2. 配置环境变量
cp .env.example .env
编辑 .env 填入 LLM_API_KEY / LLM_MODEL_ID / LLM_BASE_URL (可选 SERPAPI_API_KEY)
核心模块说明
#### Agents 所有 Agent 继承自 core/agent.py 的基类,统一管理 system_prompt、memory、hooks 与 LLM 调用。
| Agent | 适用场景 |
|---|---|
MySimpleAgent | 单轮问答,最小开销 |
MyFunctionCallAgent | 原生 Tool Calling,适合工具密集型任务 |
MyReActAgent | 思考-行动-观察循环,适合多步推理 |
MyPlanSolveAgent | 先规划再分步执行,适合复杂任务拆解 |
MyReflectionAgent | 输出后自我反思修正,适合质量敏感场景 |
#### Memory MemoryManager 统一调度多层记忆,通过 MemoryConfig 自由配置:
- L0 Playbook:长期偏好/规则卡片,具备 active / dormant / archived 生命周期与冲突检测
- L1 Working:近期对话窗口
- L2 Summary:LLM 驱动的滚动摘要
- 冷存储:JSONL(零依赖)或 SQLite(可恢复)
- 向量检索:InMemory(快)或 SQLite(持久)
- 冲突检测:相似度匹配 + LLM 仲裁
- 诚实协议:通过
HONESTY_CONTRACT约束模型不凭印象回答历史信息,触发[NEEDS_RECALL: ...]自动召回
#### Tools - 文件相关:read_file / write_file / edit_file / list_dir / attach_file / export_file / pending_edits - 通用能力:calculator / search(SerpAPI)/ recall(记忆检索) - 工具通过 ToolRegistry 注册,支持同步与异步执行链
#### Workspace 文件类工具不会直接操作磁盘,而是在 Workspace 沙箱中暂存修改,通过 pending_edits 审阅后由 export_file 导出,具备 deny set 防误操作。
---
仅跑某个模块
uv run pytest my_agent_llms/test/test_playbook.py -v ```
详细的设计文档位于 docs/superpowers/specs/ 与 docs/superpowers/plans/。
---
高质量的AI工作流项目，具有较大潜力
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −未明确开源协议，商用场景需谨慎评估
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具未明确声明开源协议，商业使用前请联系原作者确认授权范围，避免侵权风险。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，智能体运行时 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | my_agent_llms |
| 原始描述 | 开源AI工作流：本项目致力于构建一个轻量、可扩展、可控的 Agent 框架，将大语言模型从“单轮对话工具”升级为“可持续协作的智能体运行时”。框架以提示词系统、工具调用、记忆管。⭐7 · Python |
| Topics | AIAgentPython |
| GitHub | https://github.com/HHHH-LK/my_agent_llms |
| 语言 | Python |
收录时间：2026-05-27 · 更新时间：2026-05-30 · License：未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。