5分鐘跑通多智能體協(xié)作OpenAI Agents SDK 完整指南【免費下載鏈接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows項目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python如果你想做一個多個智能體分工協(xié)作的 LLM 應用OpenAI Agents SDK 是我會推薦的最輕起點。它是 OpenAI 出品的多智能體工作流框架把一個帶指令、帶工具的大模型包裝成智能體其余的——任務怎么在智能體之間流轉(zhuǎn)、輸入輸出怎么把關(guān)、對話怎么記住、過程怎么記錄——它都替你兜住了。你只管定義角色和分工不用自己搭調(diào)度、拼消息、記日志。輕量級多智能體工作流框架適合什么樣的活兒很多人一聽到多智能體就擔心是不是過度設(shè)計。其實反過來任務稍微復雜一點把所有事情壓進一個 prompt 的代價會很快顯現(xiàn)——指令又長、工具又多質(zhì)量反而難保證。更穩(wěn)的做法是分工一個智能體負責分診一個負責具體業(yè)務一個負責收尾框架負責讓這個分工跑起來膠水代碼越少越好。它典型的用武之地客服類系統(tǒng)路由 專項應答 輸出審查、研究或報告生成搜集 → 分析 → 成文以及一切先問模型、再跑代碼、再讓模型判斷的流程。底層模型也沒被綁死——除了 OpenAI 自家的 Responses 和 Chat Completions 兩套調(diào)用接口它還能經(jīng)由 LiteLLM 等接入方式可以理解為各家大模型之間的轉(zhuǎn)接臺連上 100 多家其他模型提供商換模型基本不用動架構(gòu)。反過來如果你的需求只是跟一個模型聊幾句、輸出一段話那直接用 API 就夠了上這套框架反而重。它的價值在流程開始分叉、循環(huán)、需要記憶的時候才真正體現(xiàn)。寫代碼之前先弄懂這五個問題真正要記的東西只有一件**智能體Agent**就是一個掛了人設(shè)說明和工具箱的大模型剩下四個概念都圍繞智能體之間怎么配合、你怎么管理它們。按你自然會問的問題過一遍概念你會問的問題一句話回答Agent智能體誰來干活一個配了角色說明和技能工具的同事Handoff交接任務怎么在智能體之間傳像接力賽交棒把整段對話移交給下一位Guardrail護欄怎么防止輸出跑偏并行運作的審查崗獨立檢查輸入和輸出Session會話怎么記住上一輪說了什么框架替你存好歷史下次請求自動帶上Tracing追蹤出了問題怎么查原因每次模型調(diào)用、工具執(zhí)行、交接都記成時間線順帶兩點護欄和主流程并行跑基本不增加延遲框架還支持結(jié)構(gòu)化輸出智能體可以直接返回一段能被代碼校驗的 JSON對分類任務或程序化編排特別順手。 五分鐘裝好并跑通第一個智能體環(huán)境上只有一個要求Python 3.9 及以上。裝包一條命令pip install openai-agents然后幾行代碼就能跑起第一個智能體。給它起個名字、寫一句人設(shè)Runner 會同步執(zhí)行并把最終回答交給你from agents import Agent, Runner agent Agent(nameAssistant, instructionsYou are a helpful assistant.) result Runner.run_sync(agent, Write a haiku about recursion in programming.) print(result.final_output)配置好 OpenAI 密鑰后打印出來的就是一首俳句。注意final_output只是最終文字中間發(fā)生的工具調(diào)用、交接全都有記錄后面排錯時用得上你不需要自己處理。搭一個多語言客服分診智能體交接與函數(shù)工具實戰(zhàn)拼一個真實點的場景客服入口。用戶進來可能說西班牙語也可能說英語分診智能體看一眼語言把對話交給對應專家專家自己還可以掛函數(shù)工具比如查天氣。import asyncio from agents import Agent, Runner spanish Agent(nameSpanish agent, instructionsOnly reply in Spanish.) english Agent(nameEnglish agent, instructionsOnly reply in English.) triage Agent(nameTriage agent, instructionsDecide which agent to hand off to based on the users language., handoffs[spanish, english]) async def main(): result await Runner.run(triage, inputHi, hows it going?) print(result.final_output) asyncio.run(main())幕后發(fā)生的事是 Runner 在跑一個循環(huán)把消息歷史交給模型等回復回復里有最終答案就收工要求用工具就先執(zhí)行工具、把結(jié)果塞回歷史再問一次模型要求交接就換上新智能體繼續(xù)。反復直到拿到最終答案——這套狀態(tài)機你一行都不用寫。函數(shù)工具也是同樣的思路把一個普通 Python 函數(shù)用裝飾器標一下模型就會自己學會按參數(shù)調(diào)用它比如客服對話里順手把get_weather(city)的結(jié)果帶出來。讓智能體記住上一輪對話多輪對話最磨人的是記憶。自己寫循環(huán)的話每輪都得把完整歷史拼進請求漏掉一點上下文就斷了。用框架做會話管理你只需創(chuàng)建一個會話對象跑智能體時順手傳進去第一輪問金門大橋在哪個城市答案是舊金山第二輪只問它在哪個州智能體會接著上文回答加州。會話記憶全程無感存到哪里你說了算。SQLite一個單文件的輕量數(shù)據(jù)庫最省事SQLiteSession開箱即用本地和單機部署足夠。 出了問題先看追蹤框架默認就開著智能體追蹤每次運行都會自動留一條時間線——調(diào)了哪個模型、花了多少 token、執(zhí)行了什么工具、在哪個時刻交接給了誰。輸出不對的時候先打開追蹤看通常半分鐘就能定位是指令寫得不對、工具選錯了還是交接交歪了。追蹤層本身可擴展想把數(shù)據(jù)同步到 Logfire、AgentOps、Braintrust 這類第三方可觀測平臺接一個處理器即可智能體代碼不用改。寫給生產(chǎn)環(huán)境的實戰(zhàn)清單反復調(diào)真實系統(tǒng)后沉淀下來的五條經(jīng)驗短平快提示詞寫具體——把有哪些工具、何時用、參數(shù)長什么樣都說明白別指望模型猜。監(jiān)控優(yōu)先——看不見的輸出沒法迭代先讓運行過程可見。允許自我批評——循環(huán)里讓智能體先給自己的輸出打分再修改質(zhì)量提升很快。單一職責——每個智能體只擅長一件事別指望一個全能選手包打天下。投入評估體系——準備一組測試題給智能體打分改進才有方向。之后往哪部署下一步做什么上生產(chǎn)時認準兩個方向應用要跨機器部署就把會話后端換成 Redis一個內(nèi)存數(shù)據(jù)庫會話記憶自然變成分布式共享有跑很久、中間還要人介入的任務就搭 Temporal一種持久化工作流引擎這類設(shè)施讓流程可中斷、可恢復。你的下一步先把上面那 5 行 Hello World 跑起來再去翻倉庫里的 examples/ 目錄官方文檔在 docs/按場景名搜基本都有現(xiàn)成樣例?！久赓M下載鏈接】openai-agents-pythonA lightweight, powerful framework for multi-agent workflows項目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-python創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考