HelloAgents

🤖 组件化多智能体框架 - Agent Loop、工具执行、上下文工程、知识检索与持久记忆

HelloAgents 是一个围绕原生 Function Calling 构建的组件化多智能体框架，从简单的工具调用循环，到具备上下文管理、知识检索、持久记忆与多智能体协作的应用，为智能体开发提供可组合的工程组件。

框架集成工具响应协议、上下文工程、会话持久化、子代理、Skills、流式输出与运行追踪，并提供 MCP 工具接入、RAG 与 GraphRAG、结构化用户画像、语义记忆检索和后台任务。通过 SimpleAgent 快速搭建 Agent Loop，再按需加入执行权限、调用预算、熔断与恢复机制；检索、记忆和上下文组件也可独立使用。

📌 版本说明

重要提示：本仓库目前维护两个版本

📚 学习版本（推荐初学者）：learn_version 分支与 Datawhale Hello-Agents 教程正文完全对应的稳定版本，适合跟随教程学习使用。
🚀 当前版本（v1.0.1）：提供工具调用、上下文、检索记忆与组件组合，文档和案例均按当前源码维护。跟随 Hello-Agents 原教程时，请使用 learn_version 分支。
🔁 AtomGit 镜像仓库：https://atomgit.com/jjyaoao/HelloAgents — 用于同步 GitHub 仓库内容，便于国内网络环境访问。
📦 历史版本：Releases 页面提供从 v0.1.1 到 v0.2.9 的所有版本，每个版本对应教程的特定章节，可根据学习进度选择对应版本。
🐹 Golang 开发版本：HelloAgents-go 社区贡献的 HelloAgents 的 Go 语言重实现版本，适合 Go 语言开发者使用。
🔷 TypeScript 开发版本：HelloAgents-ts 社区贡献的 HelloAgents 的 TypeScript 语言重实现版本，适合 TypeScript 语言开发者使用。

🚀 快速开始

安装

推荐使用 64 位 Python 3.13，也支持 Python 3.12。在仓库根目录选择一种安装方式；3.12 运行时显示推荐提示，不会因此停止。

使用 uv：

uv sync --locked
uv run --locked python -X utf8 -m examples.agents.async_agent_demo

使用 pip（先创建并激活虚拟环境）：

python -m pip install -r requirements.txt
python -X utf8 -m examples.agents.async_agent_demo

更多安装选项见安装指南，按功能查看示例代码。

基本使用

from dotenv import load_dotenv
from hello_agents import SimpleAgent, HelloAgentsLLM, ToolRegistry
from hello_agents.tools import CalculatorTool

load_dotenv()  # 显式加载当前应用的 .env

registry = ToolRegistry()
registry.register_tool(CalculatorTool())
with HelloAgentsLLM() as llm:
    agent = SimpleAgent("assistant", llm, tool_registry=registry)
    print(agent.run("调用计算器计算两晚住宿每晚 320 元，加上 180 元交通费的总预算"))

SimpleAgent 执行“模型请求 → 工具执行 → 回执 → 再次调用”的循环。默认不自动注册 Skills、子代理、待办或日志工具，也不创建会话与追踪目录；需要时通过 Config 或 AgentComponents 开启。详见运行循环。

环境配置

创建 .env 文件：

LLM_MODEL_ID=your-model-name
LLM_API_KEY=your-api-key-here
LLM_BASE_URL=your-api-base-url

# 根据服务地址选择适配器
llm = HelloAgentsLLM()
print(f"检测到的 provider: {llm.provider}")

💡 智能检测: 框架根据 Base URL 选择适配器；模型名称与密钥由环境配置提供

支持的 LLM 提供商

框架提供 3 种适配器。服务需要支持对应的消息与工具调用协议：

1. OpenAI 兼容适配器（默认）

支持所有提供 OpenAI 兼容接口的服务：

提供商类型	示例服务	配置示例
云端 API	OpenAI、DeepSeek、Qwen、Kimi、智谱 GLM	`LLM_BASE_URL=https://api.deepseek.com`
本地推理	vLLM、Ollama、SGLang	`LLM_BASE_URL=http://localhost:8000/v1`
其他兼容	任何 OpenAI 格式接口	`LLM_BASE_URL=your-endpoint`

2. Anthropic 适配器

提供商	检测条件	配置示例
Claude	`base_url` 包含 `anthropic.com`	`LLM_BASE_URL=https://api.anthropic.com`

3. Gemini 适配器

提供商	检测条件	配置示例
Google Gemini	`base_url` 包含 `googleapis.com` 或 `generativelanguage`	`LLM_BASE_URL=https://generativelanguage.googleapis.com`

💡 自动适配：框架根据 base_url 自动选择适配器，无需手动指定。

组件扩展

检索、记忆与上下文可以独立使用，也可以通过 AgentComponents 注入运行组件。示例：旅行助手 · 工具与会话恢复。两者默认均可离线运行，具体用法见下方文档。

🏗️ 项目结构

hello-agents/
├── hello_agents/                      # 主包
│   ├── core/                          # 核心组件
│   │   ├── llm.py                     # LLM 基类与配置
│   │   ├── llm_adapters.py            # OpenAI / Anthropic / Gemini
│   │   ├── agent.py                   # Agent 基类（Function Calling 架构）
│   │   ├── components.py              # AgentComponents
│   │   ├── runtime.py                 # 模型与工具运行循环
│   │   ├── budget.py                  # 跨模型共享调用预算
│   │   ├── session_store.py           # 会话持久化
│   │   ├── lifecycle.py               # 异步生命周期
│   │   └── streaming.py               # SSE 流式输出
│   ├── agents/                        # Agent 实现
│   │   ├── simple_agent.py            # SimpleAgent
│   │   ├── react_agent.py             # ReActAgent
│   │   ├── reflection_agent.py        # ReflectionAgent
│   │   └── plan_solve_agent.py        # PlanSolveAgent
│   ├── tools/                         # 工具系统
│   │   ├── registry.py                # 工具注册表
│   │   ├── response.py                # ToolResponse 协议
│   │   ├── circuit_breaker.py         # 熔断器
│   │   ├── mcp.py                     # MCP stdio / HTTP 工具桥接
│   │   ├── permissions.py             # 宿主执行权限
│   │   ├── tool_filter.py             # 工具过滤（子代理机制）
│   │   └── builtin/                   # 内置工具
│   │       ├── file_tools.py          # 文件工具（乐观锁）
│   │       ├── task_tool.py           # 子代理工具
│   │       ├── todowrite_tool.py      # 进度管理
│   │       ├── devlog_tool.py         # 决策日志
│   │       ├── skill_tool.py          # Skills 知识外化
│   │       ├── rag_tool.py            # 检索与来源回读
│   │       ├── memory_tool.py         # 记忆维护
│   │       ├── graphrag_tool.py       # 图检索与全局综合
│   │       └── relation_tool.py       # 关系证据检索
│   ├── context/                       # 上下文工程
│   │   ├── history.py                 # HistoryManager
│   │   ├── token_counter.py           # TokenCounter
│   │   ├── truncator.py               # ObservationTruncator
│   │   ├── builder.py                 # ContextBuilder 与预算诊断
│   │   ├── types.py                   # ContextPacket / ContextBuildResult
│   │   └── providers.py               # 上下文收集与组装
│   ├── retrieval/                     # 检索组件
│   │   ├── store.py                   # RAGStore / BM25
│   │   ├── embeddings.py              # 可替换向量模型
│   │   ├── qdrant.py                  # Qdrant 向量索引
│   │   ├── hybrid.py                  # 多路排名融合
│   │   ├── pipeline.py                # 召回后端与重排协议
│   │   ├── rerank.py                  # 模型重排
│   │   ├── evaluation.py              # 检索效果评测
│   │   ├── graph/                     # 抽取、Leiden 社区与图查询
│   │   └── relations.py               # RelationStore
│   ├── memory/                        # 用户画像、记忆记录与召回
│   │   ├── store.py                   # 记忆存储与修订
│   │   ├── search.py                  # 语义与混合记忆召回
│   │   └── profile.py                 # ProfileStore 用户画像与上下文注入
│   ├── background/                    # 持久任务、租约与恢复
│   ├── storage.py                     # 数据库版本、迁移与备份
│   ├── observability/                 # 可观测性
│   │   └── trace_logger.py            # TraceLogger
│   └── skills/                        # Skills 系统
│       └── loader.py                  # SkillLoader
├── docs/                              # 文档
├── examples/                          # 按功能组织的示例
│   ├── agents/                        # Agent Loop 与异步执行
│   ├── tools/                         # 工具、MCP 与 Skills
│   ├── context/                       # 上下文与会话
│   ├── retrieval/                     # RAG 与 GraphRAG
│   ├── memory/                        # 用户画像与语义记忆
│   ├── runtime/                       # 后台任务与运行观测
│   ├── applications/                  # 综合案例
│   └── web/                           # SSE 服务与客户端
├── tests/                             # 测试用例
├── requirements/                      # 按功能导出的 pip 锁定清单
├── scripts/sync_requirements.py        # 从 uv.lock 导出并检查清单
├── pyproject.toml                     # 依赖范围与包配置
├── uv.lock                            # uv 锁定结果
└── requirements.txt                   # 基础安装的 pip 清单

🤝 贡献

欢迎贡献代码！请遵循以下步骤：

Fork 本仓库
创建特性分支 (git checkout -b feature/AmazingFeature)
提交更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
开启 Pull Request

📄 许可证

本项目采用 CC BY-NC-SA 4.0 许可证 - 查看 LICENSE 文件了解详情。

许可证要点：

✅ 署名 (Attribution): 使用时需要注明原作者
✅ 相同方式共享 (ShareAlike): 修改后的作品需使用相同许可证
⚠️ 非商业性使用 (NonCommercial): 不得用于商业目的

如需商业使用，请联系项目维护者获取授权。

🙏 致谢

感谢 Datawhale 提供的优秀开源教程
感谢 Hello-Agents 教程的所有贡献者
感谢所有为智能体技术发展做出贡献的研究者和开发者

📚 文档资源

从基础运行到检索与记忆，按功能选择使用指南。每份文档说明组件用法与配置，配套程序见示例索引。

基础设施

安装与依赖管理 - uv、pip 与版本锁定
运行可靠性与验收 - 模型关闭、共享预算与数据维护
工具响应协议 - ToolResponse 统一返回格式
上下文工程 - 历史管理、输入组装与预算
组件组合 - AgentComponents 按需注入

核心能力

可观测性 - TraceLogger 追踪系统
熔断器 - CircuitBreaker 容错机制
会话持久化 - 保存、中断与恢复

知识与记忆

知识检索 - RAG、召回重排与关系证据
检索评测与模型重排 - Recall、MRR、nDCG 与候选排序
向量与混合检索 - Qdrant、Embedding 与 RRF
云端检索入门 - 注册一个账号，配置地址与密钥，运行 RAG 和记忆检索
GraphRAG - 实体关系、社区报告与局部/全局查询
持久化记忆 - 偏好、事实、经历与做法的记录管理
用户画像（Profile） - 结构化偏好、来源、并发修订与跨会话使用
记忆语义检索 - 向量召回、修订同步与用户隔离

增强能力

子代理机制 - TaskTool 与 ToolFilter
Skills 知识外化 - 按需加载操作指导
文件编辑 - 乐观锁与批量编辑
TodoWrite 进度管理 - 任务进度追踪

辅助功能

DevLog 决策日志 - 开发决策记录
异步生命周期 - 异步执行与回调
后台任务 - 持久队列、进度、重试与恢复

核心架构

运行循环 - 调用入口与结束状态
流式输出 - 流式事件与 SSE
Function Calling - 模型请求与工具执行
LLM 消息格式 - 消息与工具调用格式
日志系统 - 日志与运行轨迹

扩展能力

MCP 工具 - 工具发现、调用与连接管理
工具权限 - 宿主策略与执行边界
自定义工具 - 函数式、标准类与可展开工具

HelloAgents - 让智能体开发变得简单而强大 🚀