开发与工程 python multi-agent tool-use vllm openai-api lmdeploy web-search

Lagent 轻量级智能体框架

基于PyTorch设计哲学，用直观的层与消息传递方式构建LLM智能体。

源仓库: InternLM/lagent
Star 数: ★ 2.3k
最近更新: 6 个月前
License: Apache-2.0
主语言: Python
FA 评分: 43/100 · 缺口较多

30 秒速览

运行形态: 代码库 / SDK开发框架
可在哪里用: 通用 · 跨平台OpenAI 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+GitpipShell / 命令行网络访问本地文件系统
典型场景: 开发者需要快速构建一个能解决数学问题的智能体，通过编写 Python 代码并执行。
不适合: 需要开箱即用图形界面或聊天机器人的用户
没有 GPU 或本地模型服务资源的团队
源码审查: 43/100 · 缺口较多 4 项安全控制未见

这个 Agent 能做什么，适合哪些场景？

Lagent 是一个轻量级框架，用于构建基于大语言模型（LLM）的智能体，灵感来自 PyTorch 的设计哲学。它提供了 Agent 类，通过 AgentMessage 进行通信，并采用类似神经网络层的概念来组织工作流。框架内置了多种 LLM 后端（如 VllmModel、GPTAPI、AsyncGPTAPI）和工具（如 IPythonInterpreter、WebBrowser），支持同步和异步接口。其核心特性包括内存管理（Memory）、自定义消息聚合（Aggregator）、灵活的输出格式化（ToolParser）以及工具调用（ActionExecutor）。通过简单的 pip 安装即可使用，并提供了多个示例，包括数学解题智能体、多智能体博客撰写和数据分析可视化等。Apache-2.0 许可。

Lagent 允许用户通过定义 Agent 实例并传递 AgentMessage 来构建智能体。它支持多种 LLM 提供商（如 VllmModel、GPTAPI），并提供工具集成（如 IPythonInterpreter、WebBrowser）。核心流程包括：Agent 接收消息，通过内存记录上下文，使用聚合器格式化消息，调用 LLM 获取响应，并可进一步通过 ActionExecutor 执行工具调用。它支持同步和异步接口（如 AsyncAgent），并允许自定义聚合器、输出解析器和钩子（Hooks）。

开发者需要快速构建一个能解决数学问题的智能体，通过编写 Python 代码并执行。
团队希望实现多智能体协作，例如一个作家和一个评论家相互协作改进博客文章。
研究人员需要从网络检索信息、收集数据并绘制图表，以实现数据可视化流程。
需要在一个项目中同时使用多种 LLM 提供商，并希望有统一的接口。
开发者希望利用异步接口进行大规模推理，以充分利用 CPU 和 GPU 资源。

如何安装或部署这个 Agent？

从源码安装：\n``bash\ngit clone https://github.com/InternLM/lagent.git\ncd lagent\npip install -e .\n``

如何使用这个 Agent？

安装后，您可以创建 LLM 实例（如 VllmModel）和 Agent 实例，并传入用户消息以获取响应。例如：\n``python\nfrom lagent.llms import VllmModel\nfrom lagent.agents import Agent\nfrom lagent.schema import AgentMessage\n\nllm = VllmModel(path='Qwen/Qwen2-7B-Instruct')\nagent = Agent(llm)\nuser_msg = AgentMessage(sender='user', content='今天天气情况')\nbot_msg = agent(user_msg)\nprint(bot_msg)\n``\n对于工具使用，可以定义 ActionExecutor 并注册钩子来执行代码。

这个 Agent 有哪些优点和局限？

优点

设计理念类似于 PyTorch，易于理解和扩展。
支持多种 LLM 后端（如 Vllm、GPTAPI）和工具（如 IPython、WebBrowser）。
提供同步和异步接口，适应不同规模的推理需求。
灵活的聚合器和输出解析器允许自定义消息格式和工具调用。

局限

需要用户具备一定的 Python 和 LLM 知识。
文档可能不够全面，需要依赖示例代码。
依赖外部 LLM API 或本地模型服务，需要相应的 API 密钥或硬件资源。
异步使用需要确保组件兼容，增加了配置复杂度。

这个 Agent 与同类方案有什么区别？

与 AutoGen 和 LangGraph 等框架类似，但 Lagent 更轻量，强调 PyTorch 式设计，提供更直观的层和消息传递机制。

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
Lagent 轻量级智能体框架当前	43 · 缺口较多	代码库 / SDK免费 + 模型费	★ 2.3k	6 个月前	Python	OpenAI API
ConnectOnion AI Agent 框架	47 · 缺口较多	命令行工具免费 + 模型费	★ 1.5k	今天	Python	OpenAI API · Claude API
Hello-Agents 智能体教程	54 · 缺口较多	网页应用免费 + 模型费	★ 84k	5 天前	Python	OpenAI API
AgentVerse	28 · 缺口较多	命令行工具免费 + 模型费	★ 5.2k	2 年前	JavaScript	OpenAI API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1

缺口较多

43/ 100 五分制 2.2 / 5

信任安全 5/29

可靠稳定 8/14

适用触发 12/18

规范维护 8/18

有效结果 7/13

证据核验 3/8

查看各维度的扣分理由

信任安全5 / 29 · 0.9/5

证据显示框架提供钩子机制（如CodeProcessor）允许在动作执行前后修改消息，但未强制最小权限；默认动作如IPythonInteractive可执行任意代码，权限过大。用户确认机制缺失，工具调用自动执行。数据流透明度部分：AgentMessage结构清晰，但未说明数据如何被外部服务处理。敏感数据处理未提及。依赖安全未评估，requirements.txt仅列出文件，无版本锁定或漏洞扫描。外部影响：动作如WebBrowser可发起网络请求，但未提供沙箱或限制。回滚机制未提及。来源归属：README和引用提供了作者信息，但发布者未验证。

可靠稳定8 / 14 · 2.9/5

自一致性：README中的示例代码与API文档一致，但未验证实际运行。依赖可用性：依赖未固定版本，可能影响可复现性。失败消息：测试覆盖了API错误和超时，但未覆盖所有场景。

适用触发12 / 18 · 3.3/5

受众和场景：README提供了单智能体、多智能体示例，覆盖多种场景。能力边界：文档说明了工具调用和异步接口，但未明确限制。触发精度：工具调用格式明确，但未验证。环境适配：支持同步和异步，但未说明所有环境要求。

规范维护8 / 18 · 2.2/5

信息架构：README结构清晰，有目录和示例。安装说明：提供了源码安装命令。命名稳定性：API命名一致，但未提供版本历史。示例和FAQ：有丰富示例，但无FAQ。已知限制：未提及。许可证：Apache-2.0完整。版本变更日志：未提供。维护责任：有贡献者信息，但未明确维护政策。

有效结果7 / 13 · 2.7/5

输出可用性：示例输出清晰，但未验证。边际价值：提供了多智能体框架，有独特价值。成本效益：未提供性能或资源消耗数据。

证据核验3 / 8 · 1.9/5

声明可追溯性：README中的示例可追溯到代码，但未验证。跨来源佐证：未提供外部验证。事实与推断分离：文档中示例与推断混合，未明确区分。

风险与缓解建议

源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
默认动作如IPythonInteractive可执行任意代码，存在安全风险，建议限制权限或增加用户确认。
依赖未固定版本，可能引入不兼容或漏洞，建议锁定版本并定期扫描。
未提供已知限制和版本变更日志，用户难以评估风险。

证据充分度：低评估于 2026年8月9日审查版本 0ab2e2f55047

评估证据 README.md LICENSE requirements.txt workflows/publish-to-pypi.yml test_actions/test_builtin_actions.py test_actions/test_google_search.py test_actions/test_python_interpreter.py

查看完整评分方法 →

常见问题

Lagent 是否支持本地模型？

是的，Lagent 支持通过 VllmModel 使用本地模型，如 Qwen/Qwen2-7B-Instruct。

我可以自定义工具调用吗？

可以，您可以通过编写钩子（Hooks）和自定义聚合器来实现自定义工具调用逻辑。

Lagent 是否支持多智能体协作？

支持，您可以创建多个 Agent 并通过消息传递实现协作，例如博客撰写示例。

部署 Lagent 需要什么硬件？

这取决于所使用的 LLM 后端。如果使用本地模型，则需要足够的 GPU 内存；如果使用 API，则无需本地 GPU。

Lagent 轻量级智能体框架

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

对比同类 Agent

开源编程 Agent 横向对比

相关 Agents

ConnectOnion AI Agent 框架

Hello-Agents 智能体教程

AgentVerse

AG2：开源智能体操作系统