Pydantic Collab
用 Pydantic AI 编排可验证拓扑的多智能体协作。
按维度查看评分与理由
证据显示：框架提供内存权限控制（r/rw），但未提供用户确认机制；数据流透明度方面，README 和测试展示了上下文传递控制（include_conversation 等），但未明确数据流向；敏感数据处理未专门提及；依赖安全方面，pyproject.toml 列出了依赖但未提供锁定文件或安全审计；外部影响方面，工具调用和可视化可能产生副作用，但未明确说明；回滚机制未提及；来源归属方面，MIT 许可证和版权声明存在，但发布者未验证。扣分原因：缺少用户确认、敏感数据专门处理、回滚机制；依赖安全证据不足；外部影响说明不充分。
证据显示：代码和测试在多个方面保持一致，如内存权限验证、上下文传递控制；依赖可用性方面，依赖列表明确，但未提供锁定文件；失败消息方面，测试中未明确展示错误处理消息。扣分原因：失败消息证据不足，依赖锁定缺失。
证据显示：README 提供了多种使用场景（流水线、星型、网格）和示例；能力边界通过拓扑和工具定义明确；触发精度方面，工具调用和交接有明确参数，但未详细说明触发条件；环境适配方面，支持 Python 3.11+，但未说明操作系统兼容性。扣分原因：触发精度证据不足，环境适配信息有限。
证据显示：README 结构清晰，包含安装、快速开始、示例；安装说明明确（pip install）；命名稳定性方面，API 名称在文档中一致，但未提供版本历史；示例和 FAQ 提供了多个示例，但无 FAQ；已知限制未明确列出；许可证为 MIT，但版本变更日志缺失；维护责任方面，有 CI 和测试，但未明确维护者。扣分原因：缺少版本变更日志、已知限制、FAQ，维护责任不明确。
证据显示：输出可用性方面，提供了结果对象和可视化；边际价值方面，提供了多代理协作功能，但与其他框架的对比不足；成本效益方面，未提供性能或成本数据。扣分原因：成本效益证据不足，边际价值对比不充分。
证据显示：README 中的功能声明与代码和测试部分对应，但未提供具体实现细节；跨来源验证方面，测试和文档相互印证，但缺乏独立验证；事实与推断分离方面，文档中未明确区分。扣分原因：声明可追溯性不足，跨来源验证有限，事实与推断未明确分离。
- 发布者身份未验证，需谨慎评估供应链风险。
- 依赖未锁定，存在供应链攻击风险。
- 缺少用户确认机制，自动执行可能产生意外副作用。
- 敏感数据处理未专门说明，需自行评估。
- 无回滚机制，失败后难以恢复。
这个 Agent 能做什么，适合哪些场景？
pydantic-collab 是一个 Python 多智能体编排库，以 Pydantic AI 为基础，让应用通过 Collab、CollabAgent 及预置协作拓扑定义团队。它提供 PipelineCollab、StarCollab 和 MeshCollab，也支持在 Collab 中显式声明 agent_calls 与 agent_handoffs。一次运行可在 AgentMemory 中共享上下文，并通过读取或读写权限控制各 Agent 对记忆的访问。应用调用 run_sync 后会得到包含 output、final_agent、execution_path 和 usage 的结果对象；执行流可打印，拓扑可显示或保存为图片。它是嵌入 Python 应用的库，文档未说明独立服务、托管部署方式或命令行运行器。
开发者创建 CollabAgent，填写 name、system_prompt，并可配置 agent_calls、agent_handoffs 和 memory；随后用 Collab 或 PipelineCollab、StarCollab、MeshCollab 组装协作图。Collab 会按定义让 Agent 通过工具调用咨询其他 Agent，或通过 handoff 将控制权移交给另一 Agent，并在运行期间传递配置允许的对话、思考内容和交接信息。应用通过 collab.run_sync("Query") 执行任务，可传入 deps；返回的 result 提供最终输出、最终 Agent、执行路径和 token 使用统计。可用 @collab.tool_plain 注册异步函数工具并限制其可用 Agent；visualize_topology 可打开图像或将拓扑写入 PNG 文件。
- 支持运营团队要把客户邮件依次分类、判断紧急程度并起草回复时，可使用 PipelineCollab 串联 Triager 与 Responder。
- 事件响应团队需要由首响应人、调查员和沟通撰稿人持续共享事故背景时，可为各 CollabAgent 配置同一个 AgentMemory。
- 产品负责人组织工程、设计和支持专家审查功能规格，并最终汇总 go/no-go 建议时，可使用 StarCollab。
- 供应商评估中安全、工程和法务审查彼此需要补充意见时，可使用 MeshCollab 让各角色相互咨询。
- 代码审查负责人需咨询安全和性能专家，再将最终结论交给摘要撰写人时，可在 Collab 中显式设置 agent_calls、agent_handoffs 和 final_agent。
这个 Agent 有哪些优点和局限？
- 内置 Pipeline、Star 和 Mesh 三种拓扑，同时允许用
agent_calls与agent_handoffs精确定义自定义协作关系。 - AgentMemory 支持跨 Agent 的运行期共享上下文，并可为单个 Agent 设置
r或rw访问权限。 - 结果对象提供
execution_path、final_agent和usage，且可用print_execution_flow()查看执行流。 - 可通过
@collab.tool_plain将异步 Python 函数注册为工具，并限制工具仅向指定 Agent 开放。 - 包含拓扑验证与可选图像可视化，便于检查和展示协作结构。
- 核心实现依赖 Pydantic AI，采用该库需要接受其模型配置与运行时集成方式。
- 文档示例使用 Anthropic 和 OpenAI 模型，但未说明凭据配置、模型提供方故障处理或重试策略。
- 多 Agent 运行受
max_handoffs（默认 10）和max_agent_call_depth（默认 3）约束，复杂流程可能需要调整限制。 - 拓扑图片需要额外安装
pydantic-collab[viz]。 - 没有记录独立部署服务、托管运行环境或生产级身份与权限管理方案。
如何安装或部署这个 Agent？
运行 pip install pydantic-collab。需要 Python 与 Pydantic AI；使用模型时还需要在所选模型提供方的 Pydantic AI 运行环境中完成凭据配置，但文档没有给出凭据名称或环境变量。若要生成拓扑图，运行 pip install pydantic-collab[viz] 安装可视化依赖。
如何使用这个 Agent？
创建 PipelineCollab(agents=[CollabAgent(name="Triager", system_prompt="..."), CollabAgent(name="Responder", system_prompt="...")], model="anthropic:claude-sonnet-4-5")，然后调用 result = collab.run_sync("用户输入") 并读取 result.output。也可将模型设为示例中的 openai:gpt-5.2-pro 或 openai:gpt-4o-mini。如需运行仓库示例，文档给出的命令是 uv run --env-file .env examples/01_simple_chain.py。
常见问题
它支持哪些模型提供方？
anthropic:claude-sonnet-4-5、openai:gpt-5.2-pro 和 openai:gpt-4o-mini 模型配置。Agent 是协作还是完全移交任务？
agent_calls 用于咨询：调用者保持控制权；agent_handoffs 用于移交：调用者停止，由接收者继续。共享记忆能否限制访问？
memory 可使用字典形式，例如 {"notes": "rw", "config": "r"}，分别表示读写与只读。如何避免协作流程无限递归？
max_handoffs 和 max_agent_call_depth；文档给出的默认值分别为 10 和 3。