Agently AI 应用运行时
用统一请求、动作与事件流构建可验证的 AI 服务后端。
- Star 数
- ★ 1.7k
- 最近更新
- 24 天前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 63/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 负责内部客服后端的产品工程师，需要在 DeepSeek 或其他 OpenAI 兼容端点之间切换，同时让下游代码继续读取固定的结构化字段。
- 不适合
- 只需要一两个简单提示词、想直接调用模型 SDK 的产品团队
- 希望以多智能体自然语言对话本身作为产品核心形态的团队
- 源码审查
- 63/100 · 存在缺口
这个 Agent 能做什么，适合哪些场景？
Agently 是一个 Python AI 应用运行时框架，当前版本为 4.1.4.5，面向需要稳定输出、可观察执行和可恢复流程的服务端应用。其 AgentExecution 将单次运行的提示、策略、Actions、Skill 绑定、过程流、TaskContext 与结果视图组织在一起，并通过 ModelRequest 处理提示槽、模型调用和响应解析。框架提供 .output(...) 架构、必填字段提取、解析反馈、重试和验证，以及可在流式过程中消费结构化字段的 instant 模式。Action Runtime 可调用本地函数、MCP 服务器及 Python、Shell、Node、SQLite 等能力；TriggerFlow 则提供事件驱动的分支、并发、暂停/恢复、持久化与关闭快照。它还提供 FastAPIHelper，用于以 POST、SSE 和 WebSocket 暴露请求、Agent 和 TriggerFlow 执行。
应用先用 Agently.set_settings(...) 或 Agently.load_settings("yaml_file", "settings.yaml", auto_load_env=True) 配置模型，再以 Agently.create_agent() 创建 Agent。调用方通过 .role(...)、.info(...)、.instruct(...)、.input(...) 和 .output(...) 组装请求，以 .get_result() 获取 AgentExecutionResult，并读取 get_data()、get_full_data()、get_text() 或 get_meta()。需要渐进式界面或下游处理时，可遍历 result.get_generator(type="instant") 接收字段路径、增量和值；最终数据在校验完成后由 get_data() 提供。模型可通过 @agent.action_func 和 agent.use_actions(...) 调用本地函数，也可使用 agent.use_mcp(...)、enable_python()、enable_shell(...)、enable_workspace(...)、enable_nodejs() 或 enable_sqlite(...) 扩展执行能力，并从 action_logs 和 artifact_refs 读取执行记录与产物。对于多步骤流程，TriggerFlow.create_execution()、async_start(...)、async_emit(...) 和 async_close() 执行并产出关闭快照；Dynamic Task 通过 Agently.create_dynamic_task(...) 验证并运行 DAG 数据。
- 负责内部客服后端的产品工程师，需要在 DeepSeek 或其他 OpenAI 兼容端点之间切换，同时让下游代码继续读取固定的结构化字段。
- 构建 SSE 或 WebSocket 界面的服务团队，希望在模型输出尚未结束时，依据 instant 事件逐步展示定义、列表项或其他结构化字段。
- 需要让模型计算、检索或操作受控运行时能力的 Python 开发者，可将本地函数、MCP 服务或 Shell/Python/SQLite 能力注册为 Actions，并保留 action_logs。
- 处理工单、人工审批或 Webhook 的运营系统团队，需要用 TriggerFlow 编排分支、fan-out、外部事件、暂停恢复和可保存的执行状态。
- 将模型生成的计划作为数据提交的应用开发者，需要先由 TaskDAG 验证有向无环图，再执行 Dynamic Task，而不是直接生成新的流程定义。
如何安装或部署这个 Agent？
运行环境要求 Python >=3.10。安装：pip install -U agently。配置一个 OpenAI 兼容模型端点时，需提供端点、模型名和 API 密钥，例如：Agently.set_settings("OpenAICompatible", {"base_url": "https://api.deepseek.com/v1", "model": "deepseek-chat", "api_key": "${ENV.DEEPSEEK_API_KEY}", "model_type": "chat", "request_options": {"temperature": 0.2}})。本地 Ollama 的示例先执行 ollama pull qwen2.5:7b，再将 base_url 设为 http://127.0.0.1:11434/v1、model 设为 qwen2.5:7b、api_key 设为 ollama。
如何使用这个 Agent？
最小调用：from agently import Agently；配置模型后执行 agent = Agently.create_agent()，然后链式调用 agent.input("Introduce Python in one sentence.").output({"intro": (str, "one sentence", True)}).get_result()，最后用 result.get_data() 读取结构化结果。若使用文件配置，可调用 Agently.load_settings("yaml_file", "settings.yaml", auto_load_env=True)；YAML 中可在 plugins.ModelRequester.OpenAICompatible 下设置 base_url、api_key 和 model。需要服务暴露时使用 FastAPIHelper；需要可恢复流程时创建 TriggerFlow 执行，完成后显式调用 async_close() 获取关闭快照。
这个 Agent 有哪些优点和局限？
- 将不同模型提供方的设置、提示槽、响应解析、动作执行和结果读取统一到同一请求/运行时契约，支持 OpenAI 兼容端点和 Anthropic 原生 API。
- 结构化输出不仅依赖提供方特性：.output(...)、ensure_keys、ensure_all_keys、解析反馈、重试和验证处理器共同约束结果。
- instant 结构化流可在最终响应前产生字段级事件，适合 SSE、界面更新和工作流信号。
- Action Runtime 记录结构化动作日志和产物引用，并可结合 MCP 与受生命周期管理的执行资源。
- TriggerFlow 提供事件、并发 fan-out、暂停/恢复、save/load 和 close snapshot，适合长流程服务。
- 框架要求 Python >=3.10，且真实模型调用需要配置模型端点和相应 API 密钥或本地 Ollama。
- 文档明确建议：只有一两个简单提示时应更接近直接 SDK 调用；引入 AgentExecution、Actions 和 TriggerFlow 会增加工程结构。
- instant 更新被定义为暂定结果；在执行不可逆副作用或业务决策前仍须等待最终校验完成。
- 复杂服务还需自行配置宿主协程上限、TriggerFlow 并发、模型速率/并发限制和阻塞代码线程池。
- 旧 tool_func/use_tools/use_mcp/use_sandbox API 仍是兼容层，但新代码应迁移到 Actions API，存在维护迁移成本。
这个 Agent 与同类方案有什么区别？
与 LangChain 相比，Agently 更强调统一的请求契约、输出解析、验证和 Action Runtime，而非广泛集成优先。与 LangGraph 相比，TriggerFlow 以事件/信号驱动为核心，并可把结构化流事件、动作结果和外部事件纳入同一流程。与 CrewAI 或 AutoGen 相比，它将多智能体协作视为可由请求、Actions、Session 与 TriggerFlow 组合出的模式，而非默认根模型。对于仅有少量简单提示的产品，仓库建议直接使用提供方 SDK。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Agently AI 应用运行时 当前 | 63 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 1.7k | 24 天前 | Python | OpenAI API · Claude API |
| Strands Agents | 30 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 9.1k | 今天 | TypeScript | OpenAI API · Claude API |
| deepx-code | 63 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 392 | 1 个月前 | Go | OpenAI API |
| Honcho 记忆基础设施 | 44 · 缺口较多 | 代码库 / SDK免费版 + 付费版 | ★ 8k | 今天 | Python | Claude Code · OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示框架提供细粒度的权限控制，如工作区访问模式（snapshot）、执行资源生命周期管理（grant/ensure/materialize/execute/release/close），以及超时和清理失败诊断，表明最小权限原则得到较好处理。但用户确认机制仅在文档中提及（如人工审核），未在代码中明确体现，故扣分。数据流透明度方面，action_logs、artifact_refs 和诊断信息提供了可观测性，但未全面覆盖所有数据流。敏感数据处理未明确说明，如 API 密钥管理仅通过环境变量引用，未提供加密存储。依赖安全方面，依赖版本有范围限制，但未提供漏洞扫描或安全审计证据。外部影响方面，框架支持 shell、python 等执行，但文档强调需显式启用和策略控制，故给2分。回滚机制在 TriggerFlow 的持久化和快照中有所体现，但未明确提供回滚操作。来源归属方面，作者信息在 pyproject.toml 中列出，但未提供贡献者指南或详细归属。
自一致性方面，README 与代码示例一致，版本号在 README 和 pyproject.toml 中略有差异（4.1.4.5 vs 4.1.4.6），但整体一致。依赖可用性方面，依赖列表明确，且使用版本范围，但未提供锁定文件。失败消息方面，测试覆盖了超时、释放失败等场景，并提供了诊断代码，表明失败处理较好。
受众和场景明确，针对产品工程师、平台团队等，并提供了多种场景示例。能力边界方面，文档区分了框架与直接 SDK 调用的适用场景，但未明确列出所有内置能力。触发精度方面，TriggerFlow 支持事件、条件分支等，但未详细说明触发条件。环境适配方面，支持多种模型提供商和本地 Ollama，但未提供容器化或部署指南。
信息架构清晰，文档结构完整，有快速开始、核心能力、架构等。安装说明简单，但未提供虚拟环境或依赖管理建议。命名稳定性方面，API 名称在版本间有变化（如 tool_func 到 action_func），但文档说明了兼容性。示例和 FAQ 丰富，但未提供 FAQ 部分。已知限制未明确列出。许可证为 Apache-2.0，完整。版本变更日志存在，但未提供 CHANGELOG 文件。维护责任方面，作者信息明确，但未提供贡献指南。
输出可用性方面，提供结构化输出、流式输出等，但未提供输出格式的详细文档。边际价值方面，框架提供了模型切换、结构化输出等独特功能，但与其他框架的对比未量化。成本效益方面，未提供性能基准或资源消耗数据。
声明可追溯性方面，README 中的功能声明有对应的文档链接和示例，但未提供测试覆盖率。跨来源佐证方面，仅依赖单一仓库，未提供外部验证。事实与推断分离方面，文档区分了功能描述和设计意图，但未明确标注。
- 版本号不一致：README 显示 4.1.4.5，而 pyproject.toml 显示 4.1.4.6，可能造成混淆。
- 敏感数据处理未明确：API 密钥仅通过环境变量引用，未提供加密存储或安全建议。
- 依赖安全未提供漏洞扫描或审计证据，建议使用锁定文件。
- 用户确认机制仅在文档中提及，未在代码中明确实现，需谨慎依赖。
- 已知限制未列出，可能隐藏潜在问题。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
v4.1.4.10 Agently 4.1.4.10
发布说明摘录
Long-task file Actions could succeed while the selected private file disappeared at terminal cleanup. Observations also lost file references, and implicitly inherited file Actions could bind to the Agent workspace identity instead of the current execution. This patch preserves observed file identities, validates exact file selections, and retains selected deliverables after close, including useful files from blocked runs. ```python execution = ( agent.create_execution("long_task") .input(task) .use_actions(["read_file", "write_file"]) .output({"files": [str], "summary": str}) …在 GitHub 查看 ↗ -
v4.1.4.6 Agently 4.1.4.6
发布说明摘录
--- title: Agently 4.1.4.6 Release Notes description: Standard package version inspection, unified reasoning lifecycle events, and live TriggerFlow sub-flow resources. keywords: Agently, 4.1.4.6, version, reasoning, thinking, DeepSeek, Anthropic, Responses, TriggerFlow --- Agently 4.1.4.6 Release Notes Agently 4.1.4.6 is a focused compatibility patch over 4.1.4.5. It: - exposes the package version through the standard __version__ spelling; - normalizes generated reasoning across OpenAI-compatible Chat Completions, Anthropic-compatible Messages, and Responses adapters; …在 GitHub 查看 ↗ -
v4.1.4.5 Agently 4.1.4.5
发布说明摘录
--- title: Agently 4.1.4.5 Release Notes description: Opt-in long-output continuation and Stage-backed TriggerFlow task lifecycle ownership. keywords: Agently, 4.1.4.5, long output, TriggerFlow, Agently-Stage, settlement --- Agently 4.1.4.5 Release Notes Agently 4.1.4.5 strengthens two runtime boundaries without changing their semantic owners: - AgentExecution can opt into lossless continuation when a direct ModelRequest ends with an observed length or incomplete terminal; - TriggerFlowExecution now uses Agently-Stage as the direct owner of its …在 GitHub 查看 ↗