LLM Tornado .NET 智能体工具包
用统一 .NET SDK 连接多家模型并编排 AI 智能体工作流。
按维度查看评分与理由
证据显示：README 展示了 API 密钥的构造方式，但未提及权限最小化或用户确认机制。数据流透明度部分，README 描述了请求预览和转换功能，但未明确数据流向。敏感数据处理方面，README 提到 API 密钥，但未说明存储或保护措施。依赖安全方面，有 CI 构建，但未提及依赖扫描。外部影响方面，README 提到工具调用和 MCP，但未说明外部副作用控制。回滚方面，未提及。来源归属方面，README 列出了维护者，但未验证。扣分原因：缺乏用户确认、回滚机制，权限最小化证据不足。
证据显示：README 和代码示例一致，但未提供完整的 API 文档。依赖可用性方面，NuGet 包存在，但未验证。失败消息方面，README 提到安全 API，但未详细说明错误处理。扣分原因：失败消息细节不足。
证据显示：README 面向开发者，提供了多种场景示例。能力边界方面，README 列出了功能，但未明确限制。触发精度方面，工具调用示例明确，但未全面覆盖。环境适配方面，支持多种 .NET 框架和本地部署。扣分原因：触发精度和边界描述不够全面。
证据显示：README 结构清晰，安装说明明确，命名稳定，示例丰富，但已知限制未明确。许可证为 MIT，版本变更日志在 News 部分，维护责任明确。扣分原因：已知限制未列出。
证据显示：输出可用性方面，提供了多种响应格式。边际价值方面，多提供商支持增加了价值。成本效益方面，开源免费，但未提供性能数据。扣分原因：成本效益证据不足。
证据显示：README 中的声明有链接支持，但未提供独立验证。交叉来源验证方面，有外部引用，但未深入。事实与推断分离方面，README 混合了事实和宣传。扣分原因：交叉验证和事实分离不足。
- API 密钥处理未说明安全存储方式，需谨慎使用。
- 未提供用户确认机制，工具调用可能自动执行外部操作。
- 依赖安全未提及扫描，需自行检查。
这个 Agent 能做什么，适合哪些场景？
LLM Tornado 是面向 .NET 的、与模型提供商无关的 SDK，用于构建 AI 智能体与工作流。核心库通过 TornadoApi、ChatModel 和 Conversation 提供聊天、流式输出、嵌入及富响应接口，并可按模型自动选择对应 API 密钥。LlmTornado.Agents 以 Orchestrator、Runner 和 Advancer 组织图式多智能体执行，支持 handoff、并行执行和 Mermaid 导出。LlmTornado.Mcp 提供 Model Context Protocol 互操作，LlmTornado.A2A 提供 Agent2Agent 集成；另有 Microsoft.Extensions.AI 互操作包。它可调用多家云端提供商，也可将请求发送到 Ollama、vLLM 或 LocalAI 等本地部署端点。
应用先用 TornadoApi 配置一个或多个 LLmProviders 与 API 密钥，再以 ChatModel 或模型字符串创建 Conversation。调用方追加系统消息和用户输入后，可通过 GetResponse() 获取文本，或用 GetResponseRich()、StreamResponseRich() 获取工具调用、模态内容和用量等富结果。模型请求的 Tool 或 ToolFunction 可由 FunctionCallHandler 立即解析并继续会话，也可延后处理。使用 LlmTornado.Mcp 时，客户端通过 McpClientFactory.CreateAsync(clientTransport) 创建 IMcpClient，调用 ListTornadoToolsAsync() 读取 MCP 工具，将其传给 ChatRequest，再以 ResolveRemote 执行远程工具。对于智能体工作流，LlmTornado.Agents 以 Orchestrator 图、Runner 节点和 Advancer 边协调专长智能体；库本身作为 .NET 应用中的 NuGet 组件运行，远程或本地推理服务由调用方提供。
- C# 后端团队需要在 OpenAI、Anthropic、Google、Groq 等模型之间切换，并希望主要修改 ChatModel 而非重写调用逻辑。
- 正在构建多步骤业务流程的 .NET 开发者，需要用 Orchestrator、Runner 与 Advancer 表达节点、边、handoff 和并行执行。
- 需要让模型调用天气、内部服务或其他 MCP Server 工具的应用团队，可将 IMcpClient 返回的工具转换为 Tornado Tool。
- 在本机或自管基础设施运行 Ollama、vLLM 或 LocalAI 的团队，需要把 Conversation 请求发送到自定义端点。
- 需要将模型函数调用解析为严格类型参数、并在主模型暂时不可用时使用备用模型的开发者，可使用 ToolkitChat、ChatFunction 和 ChatPlugin。
这个 Agent 有哪些优点和局限？
- 同一套 TornadoApi、ChatModel 和 Conversation 接口覆盖多家提供商，并支持以模型名自动解析提供商。
- 智能体编排明确提供 Orchestrator、Runner、Advancer、handoff、并行执行与 Mermaid 导出。
- MCP 与 A2A 有独立 NuGet 集成，MCP 示例覆盖工具发现、参数推断、远程执行和结果回传。
- 支持富流式结果、立即或延后工具解析，以及针对网络级错误不抛异常的 ResponseRichSafe 接口。
- 采用方需要自行管理各云端提供商的 API 密钥、可用模型与网络连通性；示例不会代管这些服务。
- 提供商功能并不必然一致；README 将详细端点支持指向 Feature Matrix，且对不支持严格 JSON Schema 的提供商会使用以“{”预填充的回退方式。
- 本地模型路径依赖外部运行的 Ollama、vLLM 或 LocalAI 等服务，库仅负责连接和请求转换。
- 与 Microsoft.Extensions.AI、MCP、A2A 和智能体编排相关能力分布在可选包中，项目需要按所需能力额外安装和集成。
如何安装或部署这个 Agent？
在已安装 .NET 的项目目录中执行：
dotnet add package LlmTornado按需添加：
dotnet add package LlmTornado.Agents
dotnet add package LlmTornado.Mcp
dotnet add package LlmTornado.A2A
dotnet add package LlmTornado.Microsoft.Extensions.AI
dotnet add package LlmTornado.Contrib调用云端提供商时，创建 TornadoApi 时必须提供对应提供商的 API 密钥；若使用本地部署，可创建 new TornadoApi(new Uri("http://localhost:11434")) 指向默认 Ollama 端口。
如何使用这个 Agent？
最小调用可先配置提供商和密钥，再创建会话：
TornadoApi api = new TornadoApi(LLmProviders.OpenAi, "OPEN_AI_KEY");
string? response = await api.Chat.CreateConversation("gpt-5-mini")
.AppendUserInput("Hello").GetResponse();
如需流式文本，改用 .StreamResponse(Console.Write)。如需 MCP，安装 LlmTornado.Mcp，使用 McpClientFactory.CreateAsync(clientTransport) 建立 IMcpClient，调用 ListTornadoToolsAsync()，并将返回的 List<Tool> 传入 ChatRequest 的 Tools。