OpenRath

这个 Agent 能做什么，适合哪些场景？

OpenRath 是一个以 Session 为中心的 Python 多智能体与多会话运行时，并以 PyTorch 的组合模型作为其设计类比。Session 保存有序消息块、沙箱位置、谱系、用量和待处理工作；Agent、Workflow、Tool、Memory 与 Selector 围绕它组合执行。工作流以 forward(session) -> session 为接口，可分叉、合并和压缩会话，并在运行时通过 flow.Selector 选择下一个工作流。v2.0.0 还提供生产运行层：步骤与路由可编译为不可变计划，运行状态可通过 Checkpoint、Lease、Effect Ledger 和 Interrupt 持久化与恢复。生产部署使用 PostgreSQL 作为持久化事实来源，可配合 Redis 信号加速与 S3 兼容对象存储；Agent Server 的 HTTP 接口仍标为 Beta。

应用从 Session.from_user_message(...) 创建会话，并可用 session.to("local", spec="./") 绑定工具执行位置。flow.Agent 将提示词、Provider、FlowToolCall 工具和可选 Memory 应用于 Session，模型可调用带 JSON Schema 的工具，工具在当前 Sandbox 中运行并把结果写回会话。工作流可调用 Agent、flow.Compressor、子工作流或 flow.Selector，然后返回新的 Session；会话还可 fork()、detach()、merge(...)，并导出 JSONL。Memory 支持 remember_memory(...)、recall_memory(...) 和 commit_memory(...)；本地后端存储在 .openrath/memory/，stdio MCP 工具也可适配为 FlowToolCall。在生产模式中，@step 与 @router 边界形成执行计划，Run、Event、Checkpoint、效果记录和人工 Interrupt 支持重试、取消、截止时间与恢复。

1. 需要让多个专业角色围绕同一任务分支协作的 Python 团队，可用 Session 谱系追踪每个分支、工具调用与工作区产出的来源。
2. 需要在一次工作中分叉候选方案、再合并兼容上下文的应用开发者，可在 Workflow 中使用 fork()、merge(...) 和 flow.Compressor 管理上下文。
3. 希望模型在受控工作目录中运行文件、Shell 或代码工具的自动化工程师，可将 Session 放置到 local 或可选的 opensandbox 后端。
4. 需要跨运行保存用户偏好或知识的应用，可为 flow.Agent 绑定 memory="local"，在运行前召回并在运行后提交记忆。
5. 需要可恢复、可审计的长期工作流的生产团队，可部署 Agent Server，并使用 PostgreSQL、Effect Ledger、Lease 和 Interrupt 管理运行状态。

如何安装或部署这个 Agent？

基础安装：

pip install openrath

可选集成：

pip install "openrath[opensandbox]"
pip install "openrath[openviking]"

多数模型示例需要 OpenAI 兼容凭据：

export OPENAI_API_KEY=sk-...
export OPENAI_BASE_URL=https://your-gateway/v1
export OPENAI_DEFAULT_MODEL=your-model-name

也可在 ~/.openrath/config.json 配置 Provider，环境变量优先。生产配置可安装 pip install "openrath[server,postgres]"，再运行 openrath-migrate。

如何使用这个 Agent？

配置凭据后，可先运行最小示例：

python example/01_hello_agent.py

其基本调用方式是创建 flow.Agent，构造 Session.from_user_message(...)，再执行 agent(session)。若需要工作流组合，定义 flow.Workflow 子类并实现 def forward(self, session: Session) -> Session:。生产模式示例使用：

runtime = LocalRuntime(store, effect_ledger=ledger, production_mode=True)
server = AgentServer(store, runtime, auth=auth, audit_sink=audit)

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

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。

1. v2.0.0 OpenRath v2.0.0 2026-07-31
   发布说明摘录

   OpenRath v2.0.0 OpenRath 2.0.0 将框架从进程内 Agent 工作流扩展为可部署的持久化多 Agent Runtime 与 Agent Server。本版本引入可恢复执行、受治理的副作用、人工中断、安全与租户边界，以及面向 PostgreSQL、Redis、S3 和 OpenTelemetry 的生产部署能力。  核心特性 持久化 Runtime - 显式编译模型 — @step、@router 编译为规范化执行计划与不可变 revision。 - 可恢复 Run — Events、Checkpoints、Interrupts、取消、截止时间、重试、租约 fencing 与队列恢复形成完整生命周期。 - 受控副作用 — Effect Ledger 保存结果和幂等键；无法安全判定的非幂等操作进入 NEEDS_REVIEW，避免盲目重放。 …

   在 GitHub 查看 ↗
2. v1.3.0 2026-07-08
   发布说明摘录

   OpenRath v1.3.0 在 v1.2.2 的 LiteLLM 接入与运行时健壮性之上，v1.3.0 把重心放在基础层加固与 Workflow 静态编译上。持久化写入、配置/凭据分离、环境变量解析、Provider 重绑定与 Workflow.compile() 构成一条连贯的「先 inspect、再 validate、再运行」路径；OpenSandbox 适配层与 CI 也去掉了对 --reruns 的依赖，用更长超时与有针对性的重试消除 flaky。没有 intentional 破坏性改动：内联 api_key 仍可加载并在下次保存时迁移到 credentials.json，compile() 为纯 opt-in。 核心特性 持久化与布局（atomic writes + manifest + GC） - rath.persistence.atomic — atomic_write_text / atomic_write_json：临时文件 + os.replace、路径级锁、Windows sharing-violation 重试；修复 Windows 并发保存 config 时的 PermissionError。 …

   在 GitHub 查看 ↗
3. v1.2.2 2026-07-04
   发布说明摘录

   OpenRath v1.2.2 延续 v1.2.1 的动态工作流之后，v1.2.2 把重心放在接入面与运行时健壮性上。核心新特性是 litellm provider：通过一个薄适配器把 OpenRath 接到 100+ 模型供应商（Gemini、Bedrock、Azure、Ollama、Groq……），不必再在内置 Provider / chat_client_for 之外手工接线。围绕它，本版补齐了 Session 的常用取值与序列协议，并集中修复了一批并发竞态、内存增长与持久化 round-trip 的问题。没有破坏性改动，可从 v1.2.1 直接升级。 核心特性 LiteLLM provider（一个适配器接入 100+ 模型） 新增 provider_kind="litellm"，经 [LiteLLM](https://github.com/BerriAI/litellm) 路由到上百家供应商。RathLiteLLMChatClient 复用 OpenRath 既有的 OpenAI 归一化与 kwargs 构造逻辑（LiteLLM 返回 OpenAI 兼容响应），因此适配层很薄，并且不改动既有 provider 分派，也不引入新的运行时依赖： …

   在 GitHub 查看 ↗

常见问题