开发与工程 object-oriented-agents python-framework llm-agents structured-output tool-use tracing jupyter-repl

NVIDIA-labs 面向对象智能体（OO Agents）

用 Python 类的方式构建 AI 智能体：状态、能力、提示词和类型接口统一在一个对象中。

源仓库: NVIDIA-NeMo/labs-OO-Agents
Star 数: ★ 2.3k
最近更新: 3 天前
License: NOASSERTION
主语言: Python
FA 评分: 64/100 · 存在缺口

30 秒速览

运行形态: 代码库 / SDK开发框架命令行工具
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: Python 3.8+LiteLLMShell / 命令行网络访问本地文件系统
典型场景: 在 Python 项目中快速原型化一个支持 Agent，该 Agent 需访问数据库并处理客户工单。
不适合: 不愿在沙箱/容器中运行 LLM 生成代码的团队
非 Python 技术栈、希望零代码上手的用户
源码审查: 64/100 · 存在缺口

这个 Agent 能做什么，适合哪些场景？

NVIDIA-labs OO Agents (NOOA) 是一个模型无关的 Python 框架，旨在支持可靠的 AI 智能体开发。它将提示词、工具、回调和工作流整合为一个 Python 类，开发者通过类字段定义状态、方法定义能力、文档字符串定义提示词、类型注解定义接口。方法体为省略号（...）时由 LLM 驱动，方法名、参数和文档字符串即为提示词。NOOA 采用 Jupyter 风格的 REPL 执行模型生成的 Python 代码，并支持类型化 I/O、自动重试、实时对象引用、上下文和事件 API。该框架提供 CLI、内存子系统和基准测试包，并包含跟踪查看器，便于调试。它是研究软件，带有安全警告，建议在沙箱环境中运行。

NOOA 允许开发者定义继承自 Agent 的 Python 类，其中字段作为状态、方法作为能力、文档字符串作为提示词、类型注解作为合同。方法体为 '...' 的方法在运行时由 LLM 通过内部循环实现；普通方法体则作为确定性 Python 执行。模型通过 Jupyter 风格的 REPL 编写 Python 代码来执行操作，可访问 self、导入和辅助函数，从而减少单独工具模式的定义。框架提供类型化输入输出、自动重试、实时对象引用、模型可调用的上下文和事件 API，并默认进行跟踪（每次 LLM 调用、代码执行和方法调用均被记录）。安装后可使用 'nooa' CLI 启动跟踪查看器（端口 5001）和评估运行器。代码在本地 Python 环境中运行，可调用外部 API（如 OpenAI、Anthropic、Ollama、vLLM）进行推理。

在 Python 项目中快速原型化一个支持 Agent，该 Agent 需访问数据库并处理客户工单。
需要类型化输出（如确保模型返回 Ticket 对象）且希望自动重试的开发者。
希望用标准 Python 单元测试、跟踪和重构工作流来调试智能体的团队。
需要长期记忆（MemoryManager）的智能体，但希望与框架集成。
研究者在 SWE-bench Verified 和 Terminal-Bench 2.0 等基准上评估智能体能力。
希望在不编写单独工具模式的情况下，通过 Python 方法直接作为工具调用的开发者。

如何安装或部署这个 Agent？

使用 uv 或 pip 安装核心框架：uv add nooa 或 pip install nooa。可选子包包括 nooa-cli（CLI、跟踪查看器）、nooa-memory（长期记忆）和 nooa-bench（基准测试），可通过 uv add nooa[cli,memory] 等添加。若从源码安装，可执行 git clone https://github.com/NVIDIA-NeMo/labs-OO-Agents.git，然后 uv sync --group dev。需 Python 环境。

如何使用这个 Agent？

首先设置模型客户端：llm = get_llm_client("gpt-5-mini") 或使用 Ollama（如 ollama_chat/qwen3:1.7b）。然后定义智能体类，继承自 Agent 并指定 llm。例如：class FeedbackAgent(Agent, llm=llm): 并定义方法 async def analyze_feedback(self, text: str) -> str: ...。运行脚本：uv run python examples/quickstart/01_first_generation_method.py 或直接执行自己的 Python 文件。要查看跟踪，运行 uv run nooa start-dev 并在浏览器打开 http://localhost:5001。

这个 Agent 有哪些优点和局限？

优点

面向对象设计将状态、能力、提示词和类型接口统一在一个类中，符合 Python 惯例。
模型通过编写 Python 代码执行操作，避免了单独工具模式定义，代码即动作。
类型化输入输出和自动重试提高了可靠性。
默认跟踪，便于调试和观察智能体行为。
模型无关，支持通过 LiteLLM 接入多种提供方。
包含 CLI 和内存子系统等实用工具。

局限

作为研究软件，存在粗糙边缘，文档可能不完整。
执行 LLM 生成的代码有安全风险，必须依赖 OS 级沙箱，增加部署复杂性。
依赖 LiteLLM，引入额外依赖和学习成本。
需要 Python 环境和 uv 工具，对非 Python 技术栈不友好。
基准测试和评估管道可能不与核心包一起发布，需要从 GitHub 安装。
模型提供方 API 密钥（如 OpenAI、Anthropic）为必需，增加使用成本。

这个 Agent 与同类方案有什么区别？

该框架对比其他智能体框架（如 LangChain）可能提供更 Pythonic 的接口，但源码中未明确提及具体竞争对手。

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
NVIDIA-labs 面向对象智能体（OO Agents）当前	64 · 存在缺口	代码库 / SDK免费 + 模型费	★ 2.3k	3 天前	Python	OpenAI API · Claude API
Marvin – Python AI 开发框架	45 · 缺口较多	代码库 / SDK免费 + 模型费	★ 6.2k	25 天前	Python	OpenAI API
Pydantic AI	65 · 存在缺口	代码库 / SDK免费 + 模型费	★ 21k	今天	Python	OpenAI API · Claude API
Atomic Agents	64 · 存在缺口	代码库 / SDK免费 + 模型费	★ 6.3k	今天	Python	OpenAI API · Claude API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1

存在缺口

64/ 100 五分制 3.2 / 5

本评测基于 2026年8月12日的源码；此后该项目发布了 2 个正式版本，尚未复审。分数与结论只代表评测时的版本。最近版本 ↓

信任安全 17/29

可靠稳定 9/14

适用触发 12/18

规范维护 12/18

有效结果 9/13

证据核验 5/8

查看各维度的扣分理由

信任安全17 / 29 · 2.9/5

证据显示：README明确警告LLM生成代码可能危险，建议沙箱隔离；pyproject.toml中依赖版本有安全考虑（如litellm>=1.84.0修复CVE）；CI包含secret扫描和前端构建可复现性检查。但缺少用户确认机制、数据流透明度的具体实现细节、敏感数据处理策略、回滚机制等。扣分原因：用户确认、回滚等未在文件中体现。

可靠稳定9 / 14 · 3.2/5

证据显示：项目有CI测试、lint、类型检查，测试覆盖多个模块；依赖版本有明确约束；README和代码注释提供了错误处理信息。但静态审查无法验证实际运行可靠性。扣分原因：未执行测试，无法确认实际可靠性。

适用触发12 / 18 · 3.3/5

证据显示：README提供了多种使用场景（快速开始、示例、论文、博客），支持多种模型提供商，有可选子包；能力边界在README中有说明（如沙箱建议）。但缺少详细的触发精度说明和特定环境适配细节。扣分原因：触发精度和环境适配的具体实现未在文件中详细说明。

规范维护12 / 18 · 3.3/5

证据显示：README结构清晰，安装说明详细，命名一致（nooa包），有示例和FAQ链接，已知限制在README中提及，许可证为Apache 2.0，有版本控制（uv-dynamic-versioning）和变更日志链接，维护责任在CONTRIBUTING.md中说明。扣分原因：部分信息（如变更日志内容）未在提供文件中直接体现。

有效结果9 / 13 · 3.5/5

证据显示：README展示了清晰的输出示例（如分析反馈），框架提供对象导向的代理开发方式，具有边际价值；成本效益方面，依赖和安装说明明确。但缺少实际性能数据和成本分析。扣分原因：成本效益未量化。

证据核验5 / 8 · 3.1/5

证据显示：README中的声明（如性能结果）引用了论文和博客，测试文件提供了具体验证（如guardrails测试），事实与推断在文档中有区分。但静态审查无法验证所有声明。扣分原因：部分声明依赖外部链接，未在文件中直接验证。

风险与缓解建议

LLM生成代码可能执行危险操作，必须使用沙箱隔离。
依赖版本有安全考虑，但需定期更新以应对新漏洞。
静态审查无法验证实际运行可靠性，建议进行动态测试。

证据充分度：低评估于 2026年8月12日审查版本 8237a88fe744 评估后仓库已有新提交，评分可能未覆盖最新改动

评估证据 README.md LICENSE SECURITY.md pyproject.toml workflows/ci.yml workflows/publish.yml tests/test_guardrails_and_autoyield.py tests/test_llm_routing_and_pricing.py tests/test_name_leak_regression.py

查看完整评分方法 →

常见问题

NOOA 支持哪些模型？

通过 LiteLLM 支持多种托管或本地模型，例如 claude-haiku-4-5、gpt-5-mini、ollama_chat/qwen3:1.7b 和 hosted_vllm/...。需要相应的 API 密钥或本地端点。

如何确保智能体生成代码的安全性？

NOOA 提供 AST 检查和模块拒绝列表等防御措施，但这不是安全边界。必须将智能体运行在沙箱环境中（如容器、VM 或 NVIDIA OpenShell），仅依赖进程内验证是不够的。

NOOA 能否用于生产环境？

目前是研究软件，不建议直接用于生产，除非有充分的安全措施和充分的测试。文档中明确提示了风险，欢迎贡献修复。

如何调试智能体？

默认启用跟踪，所有 LLM 调用、代码执行和方法调用都被记录。安装 CLI 后，运行 uv run nooa start-dev 启动跟踪查看器，在浏览器中打开 http://localhost:5001 查看。

NOOA 是否支持长期记忆？

是的，可通过可选子包 nooa-memory 提供长期记忆子系统（MemoryManager）。使用 uv add nooa[memory] 安装。

NVIDIA-labs 面向对象智能体（OO Agents）

30 秒速览

这个 Agent 能做什么，适合哪些场景？

如何安装或部署这个 Agent？

如何使用这个 Agent？

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

FollowAgents 如何评估这个 Agent？

最近版本

常见问题

相关 Agents

Marvin – Python AI 开发框架

Pydantic AI

Atomic Agents

Agently AI 应用运行时