Promptise Foundry
将代理、MCP 工具与运行治理整合为一个 Python 框架。
按维度查看评分与理由
证据显示框架宣称提供安全功能（如guardrails、审批、审计日志、多租户隔离），但静态审查无法验证实现。扣分：未提供实际代码或配置示例来证明这些功能有效；依赖安全仅提及使用pip audit，未提供依赖漏洞扫描结果；外部影响（如工具调用）缺乏明确的权限控制细节；回滚机制仅在文档中提及，未提供实现细节；来源归属仅通过许可证和作者信息，未验证发布者身份。
README和pyproject.toml中的描述基本一致，但存在一些不一致（如README声称100%异步，但未提供证据）。扣分：依赖可用性未验证，未提供锁文件或依赖解析策略；失败消息仅提及错误处理，未提供具体示例。
README明确目标用户（开发者）和场景（构建生产级代理），并提供多种模型和部署选项。扣分：能力边界描述模糊，未明确哪些功能是实验性的；触发精度（如cron、webhook）仅在文档中提及，未提供配置示例；环境适配（如离线运行）有提及，但未提供详细配置。
信息架构清晰，README有详细目录和文档链接；安装说明简单（pip install）；命名稳定（promptise）；提供示例和FAQ链接；已知限制未明确列出；许可证为Apache-2.0；版本和变更日志未在仓库中提供；维护责任未明确。
输出可用性高，README提供快速入门示例；边际价值高，框架整合多个功能；成本效益未评估，未提供性能或资源消耗数据。
README中的声明（如安全功能、多租户）未提供代码或测试证据；跨来源验证不足，仅依赖README和pyproject.toml；事实与推断未明确区分。
- 静态审查无法验证安全功能（如guardrails、审批）的实际实现，需进行动态测试。
- 依赖安全仅提及使用pip audit，未提供实际漏洞扫描结果，建议检查依赖版本。
- 发布者身份未验证，需谨慎评估供应链风险。
- README中的性能声明（如100%异步）缺乏证据支持。
这个 Agent 能做什么，适合哪些场景？
Promptise Foundry 是面向 Python 的全栈代理工程框架，覆盖代理构建、推理图、MCP 服务、长期运行时、身份与提示工程。其核心入口是异步的 build_agent()：可连接工具服务器，并按配置启用记忆、护栏、语义缓存和观测。代理可通过 ainvoke() 接收消息并返回结果，MCP Server SDK 则可将带类型标注的 Python 函数发布为工具。运行时面向计划任务、Webhook 和文件变化等触发方式，并声明支持状态日志、恢复、预算限制和人工审批。README 还声明支持 OpenAI、Anthropic、Gemini、Ollama 及 LangChain BaseChatModel，并可使用本地模型、嵌入模型和向量存储。
开发者先执行 pip install promptise，然后调用 await build_agent(...) 创建代理。在示例中，model="openai:gpt-5-mini" 指定模型，servers={"tools": HTTPServerSpec(url="http://localhost:8000/mcp")} 指向 HTTP MCP 服务，ChromaProvider(persist_directory="./memory") 提供持久记忆，PromptiseSecurityScanner.default()、SemanticCache() 和 observe=True 分别配置安全扫描、缓存与追踪。随后通过 await agent.ainvoke({"messages": [{"role": "user", "content": "..."}]}) 运行代理，从 result["messages"] 的最后一条消息读取输出，并调用 await agent.shutdown() 关闭。对于工具端，README 描述可用 @server.tool() 将 Python 函数及其类型提示暴露为 MCP 工具。
- 为内部运营团队构建可调用现有 HTTP MCP 工具的状态查询助手，并把对话与持久记忆保存在本地目录。
- 为多租户 SaaS 团队构建客户隔离的代理服务，使用租户上下文隔离记忆、缓存、会话、限流和审计数据。
- 为需要高风险操作审核的企业工具服务配置 MCP 审批门，在工具执行前要求人工签字。
- 为数据分析、代码审查、客户支持或流水线观察场景设计代理工作流，并选择研究、辩论或计划—执行—反思等推理预设。
- 为需要定时、Webhook 或文件变化触发任务的团队运行长期代理流程，并使用运行时的日志、恢复和预算治理能力。
这个 Agent 有哪些优点和局限？
- 以一个异步 build_agent() 入口组合模型、MCP 工具发现、记忆、安全扫描、缓存和观测，而不是要求调用方分别拼装这些接口。
- 同时提供代理侧与 MCP 服务侧能力；@server.tool() 可依据 Python 类型提示生成工具模式，并声明可供 Claude Desktop、Cursor 等 MCP 客户端使用。
- README 明确列出运行时治理能力，包括计划、Webhook、文件监视触发、日志恢复、工具调用与支出限制及人工审批。
- 声明支持多家模型提供商、LangChain BaseChatModel，以及本地或离线的安全模型、嵌入和向量存储路径。
- 示例依赖一个正在运行的 HTTP MCP 端点 http://localhost:8000/mcp；仓库材料未提供该服务的启动与认证配置步骤。
- README 把记忆、护栏、缓存和观测设计为可选参数，采用这些能力需要额外选择并配置相应组件。
- 材料没有给出生产部署命令、基础设施清单、身份提供商配置步骤或运行时集群配置示例，采用这些生产能力需要自行补足实施细节。
- 公开示例使用 OpenAI 模型；虽然 README 声明多提供商支持，但未在材料中给出 Anthropic、Gemini、Ollama 或 LangChain 的可复制配置示例。
如何安装或部署这个 Agent？
运行：pip install promptise。README 标示 Python 3.10+。若使用示例中的 OpenAI 模型和 HTTP MCP 工具服务，还需要配置可用的模型访问凭据，并在 http://localhost:8000/mcp 运行 MCP 服务；README 未给出这些凭据的具体环境变量名称或 MCP 服务启动命令。
如何使用这个 Agent？
最小调用流程为：import asyncio；从 promptise 导入 build_agent、PromptiseSecurityScanner、SemanticCache；从 promptise.config 导入 HTTPServerSpec；从 promptise.memory 导入 ChromaProvider。在 async main() 中调用 await build_agent(model="openai:gpt-5-mini", servers={"tools": HTTPServerSpec(url="http://localhost:8000/mcp")}, instructions="You are a helpful assistant.", memory=ChromaProvider(persist_directory="./memory"), guardrails=PromptiseSecurityScanner.default(), cache=SemanticCache(), observe=True)，再使用 await agent.ainvoke({"messages": [{"role": "user", "content": "What's the status of our pipeline?"}]})，读取 result["messages"][-1].content，最后 await agent.shutdown()；以 asyncio.run(main()) 启动。
这个 Agent 与同类方案有什么区别？
README 将 Foundry 定位为减少多库拼装的统一框架，并声明可接入任意 LangChain BaseChatModel；材料未提供与 LangChain 的功能逐项对比或迁移步骤。