LightAgent🚀（차세대 Agentic AI 프레임워크）

LightAgent는 기억(mem0), 도구(Tools), 사고 트리(ToT)를 갖춘 극히 경량의 능동형 에이전틱 프레임워크로, 완전 오픈 소스입니다. 이는 OpenAI Swarm보다 더 간단한 다중 에이전트 협업을 지원하며, 단 한 단계로 자기 학습 능력을 갖춘 에이전트를 구축할 수 있고, stdio 및 sse 방식으로 MCP 프로토콜에 접속할 수 있습니다. 기본 모델은 OpenAI, 지프 ChatGLM, DeepSeek, 계단별 별, Qwen 통의 천문 대모델 등을 지원합니다. 또한, LightAgent는 OpenAI 스트림 형식 API 서비스 출력을 지원하여 주요 Chat 프레임워크에 원활하게 접속할 수 있습니다.🌟

뉴스

[2026-08-15] LightAgent v0.9.7 릴리스: 오프라인 검증과 예제를 포함한 경량 무의존성 Connector 계약을 추가하고, Python executor 보안 검사를 강화했으며, 선택형 Mem0 Graph 보안 검증 매트릭스와 v1.0 안정화를 위한 공개 API 호환성 목록을 도입했습니다.
[2026-07-30] LightAgent v0.9.6 릴리스: 프로덕션 Trace 요약 및 내보내기, 결정론적 평가, 도구·handoff·LightFlow의 지속 가능한 사람 승인, 공유 Graph Memory의 fail-closed 쓰기 승인 및 감사 제어를 추가했습니다.
[2026-06-24] LightAgent v0.9.0: 영속 LightFlow checkpoint, resume/rerun, 승인 노드, 명확한 단계 상태, trace 메타데이터, Guardrails 템플릿, MemoryPolicy 제어, SharedMemoryPool 프로토타입을 추가했습니다.
[2026-06-14] LightAgent v0.8.1: MemoryScope 규약과 MemoryPolicy 출처/범위/신뢰도 필터를 추가했습니다.
[2026-06-02] LightAgent v0.8.0: 결정적 다단계 workflow를 위한 LightFlow를 도입했습니다.

이전 릴리스 노트는 GitHub Releases를 참고하세요.

✨ 특징

경량 및 효율성 🚀: 극단적으로 간단한 디자인, 빠른 배포, 다양한 규모의 애플리케이션에 적합합니다. (No LangChain, No LlamaIndex) 100% 파이썬으로 구현되어 추가 의존성이 필요 없으며, 핵심 코드는 단 1000줄이며 완전히 오픈 소스입니다.
기억 지원 🧠: 각 사용자에 대한 맞춤형 장기 기억을 지원하며, 기본적으로 mem0 기억 모듈을 지원하여 대화 과정에서 사용자 맞춤 기억을 자동으로 관리하여 에이전트를 더욱 스마트하게 만듭니다.
자율 학습 📚️: 각 에이전트는 자율 학습 능력을 가지며 권한이 있는 관리자는 각 에이전트를 관리할 수 있습니다.
도구 통합 🛠️: 사용자 정의 도구(Tools)를 지원하며, 자동화 도구 생성을 통해 유연하게 확장 가능하며 다양한 요구를 충족합니다.
복잡한 목표 🌳: 반성적 사고가 가능한 사고 트리(ToT) 모듈이 내장되어 복잡한 작업 분해 및 다단계 추론을 지원하여 작업 처리 능력을 향상시킵니다.
다중 에이전트 협업 🤖: 스웜보다 더 간단하게 구현할 수 있는 다중 에이전트 협업 시스템으로, 내장된 LightSwarm을 통해 의도 판단 및 작업 전송 기능을 제공하여 사용자 입력을 보다 스마트하게 처리하고 필요에 따라 작업을 다른 에이전트에게 전송할 수 있습니다.
독립 실행 🤖: 인위적 개입 없이 자율적으로 작업 도구 호출을 완료합니다.
다양한 모델 지원 🔄: OpenAI, Zhiyun ChatGLM, Baichuan 대모델, StepFun, DeepSeek, Qwen 시리즈 대모델을 호환합니다.
스트리밍 API 🌊: OpenAI 스트리밍 형식 API 서비스 출력을 지원하여 주요 채팅 프레임워크와 원활하게 통합되어 사용자 경험을 향상시킵니다.
Tools 도구 생성기 🚀: API 문서만 제공하면 [Tools 도구 생성기]가 자동으로 귀하만의 도구를 만들고, 단 1시간 내에 수백 개의 맞춤형 도구를 신속하게 구축하여 효율성을 높이고 혁신 잠재력을 발휘할 수 있습니다.
에이전트 자기 학습 🧠️: 각 에이전트는 사용자 대화에서 자기 학습 능력을 가진 장면 기억 능력을 가지고 있습니다.
적응형 도구 메커니즘 🛠️: 무제한 도구 추가를 지원하며, 수천 개의 도구 중에서 대모델이 후보 도구 집합을 선택한 후 관련 없는 도구를 필터링하여 대모델에 문맥을 제출하여 Token 소비를 대폭 줄일 수 있습니다.
워크플로 오케스트레이션 🔁: LightFlow는 명시적 의존성, 출력 전달, 재시도, checkpoint, resume/rerun, 승인 노드, fallback agent, 추적 가능한 실행을 갖춘 결정적 workflow를 구성합니다.
공유 메모리 프로토타입 🧠: SharedMemoryPool은 출처 메타데이터, 범위 기반 검색, MemoryPolicy 호환 결과를 제공하는 인메모리 공유 기억입니다.
Guardrails 템플릿 🛡️: 입력, 도구, 출력에 대한 재사용 가능한 안전 정책으로 개인정보 차단, 민감 도구 확인, 고위험 인자 검증, 출력 마스킹을 수행합니다.
Runtime Hooks 🧩: 정렬된 hooks=[...] 미들웨어로 run, 모델, 도구, 메모리, LightFlow 단계 payload를 관찰, 교체, 차단할 수 있습니다.
평가와 사람 검토 📊: LightEvaluator는 결정적 회귀 평가를 실행하며, HumanApprovalHook, 영구 review store, LightFlow checkpoint는 승인, 거부, 인자 편집과 feedback을 지원합니다.

🧭 아키텍처 한눈에 보기

계층	주요 API	사용 시점
단일 Agent 런타임	`LightAgent`	모델 호출, 도구, 메모리, 스트리밍, trace, guardrails가 필요한 경우.
다중 Agent 라우팅	`LightSwarm`	전문 Agent 간 역할 기반 위임.
결정적 workflow	`LightFlow`	DAG, 재시도, checkpoint, 승인, resume, rerun.
도구와 통합	`tools`, `ToolRegistry`, MCP	Python 도구, 생성 도구, 런타임 로딩, MCP 서버.
메모리 경계	`MemoryPolicy`, `MemoryScope`	테넌트 격리, 출처, 신뢰, 만료, 쓰기 승인.
공유 메모리	`SharedMemoryPool`	Agent 간 공유 기억 실험.
안전 제어	`input_guardrails`, `tool_guardrails`, `output_guardrails`	개인정보, 도구 확인, 위험 인자, 출력 마스킹.
Runtime hooks	`hooks`, `HookContext`, `HookDecision`	생명주기 경계의 정책, 감사, 마스킹, 라우팅, payload 변경.
관측성	`trace=True`, `agent.export_trace()`	실행, 모델, 도구, 오류, workflow 구조화 이벤트.

핵심 사용 패턴

LightAgent는 기본 호출 경로를 단순하게 유지하면서 운영 제어를 단계적으로 추가할 수 있습니다.

패턴	최소 호출	설명
기본 응답	`agent.run(query)`	기본적으로 문자열을 반환합니다.
스트리밍	`agent.run(query, stream=True)`	OpenAI 호환 chunk를 반환합니다.
구조화 결과	`agent.run(query, result_format="object")`	내용과 메타데이터를 반환합니다.
Trace	`agent.run(query, trace=True)`	기본 문자열 반환을 바꾸지 않고 이벤트를 기록합니다.
사용자 메모리	`agent.run(query, user_id="alice")`	설정된 메모리 backend와 MemoryPolicy를 사용합니다.
도구	`LightAgent(..., tools=[fn])`	함수는 `tool_info`를 제공해야 합니다.
Guardrails	`LightAgent(..., input_guardrails=[...])`	입력, 도구, 출력 정책을 추가합니다.
Runtime hooks	`LightAgent(..., hooks=[fn])`	생명주기 payload를 관찰, 교체, 차단합니다.
Workflow	`LightFlow().step(...).run(query)`	결정적 다단계 실행에 사용합니다.

📋 문서

설치, 모델, 도구, 메모리, MCP, Skills, 스트리밍, LightSwarm은 FAQ를 참고하세요.
결정적 workflow, checkpoint, resume/rerun, 승인, fallback agent, 단계 상태는 LightFlow를 참고하세요.
사용자 정의 도구, ToolRegistry, ToolLoader, AsyncToolDispatcher, MCP는 Tools Guide를 참고하세요.
공유 장기 기억 또는 그래프 기억은 Memory Security Guidance를 참고하세요.
SharedMemoryPool은 SharedMemoryPool를 참고하세요.
메모리 쓰기 승인과 만료 제어는 Memory Admission And Mutation Controls를 참고하세요.
입력, 도구, 출력 안전 정책은 Guardrails를 참고하세요.
payload를 관찰, 교체, 차단하는 runtime middleware는 Runtime Hooks를 참고하세요.
OpenRouter, 로컬 모델, OpenAI 호환 공급자는 Model Provider Configuration를 참고하세요.
구조화 trace는 Trace Observability를 참고하세요.
결정적 회귀 평가는 Evaluation Harness를 참고하세요.
도구/handoff 승인, 영구 검토와 feedback은 Human Review를 참고하세요.

🚧 곧 출시 예정

지능형 에이전트 협동 통신 🛠️: 지능형 에이전트 간에 정보를 공유하고 메시지를 전달하여 복잡한 정보 통신 및 작업 협동을 실현할 수 있습니다.

🌟 왜 LightAgent를 선택해야 하나요?

오픈 소스 무료 💖: 완전 오픈 소스이며, 커뮤니티 주도로 지속적으로 업데이트되며 기여를 환영합니다!
손쉬운 사용 🎯: 문서가 자세하고 예시가 풍부하여 빠르게 배우고 쉽게 프로젝트에 통합할 수 있습니다.
커뮤니티 지원 👥: 활발한 개발자 커뮤니티가 언제든지 도움과 답변을 제공합니다.
고성능 ⚡: 최적화된 설계로 고효율로 실행되며 고병렬 요구를 충족합니다.

🛠️ 빠른 시작

LightAgent 최신 버전 설치

pip install lightagent

(선택 설치) pip를 통해 Mem0 패키지 설치:

pip install mem0ai

또는 호스팅 플랫폼에서 Mem0을 한 번 클릭하여 사용할 수 있습니다. 여기 클릭.

Hello world 예제 코드

from LightAgent import LightAgent

# 에이전트 초기화
agent = LightAgent(model="gpt-4o-mini", api_key="your_api_key", base_url= "your_base_url")

# 에이전트 실행
response = agent.run("안녕하세요, 당신은 누구인가요?")
print(response)

실행 Trace 확인 (v0.7.0)

Trace는 선택 기능이며 기본 agent.run() 동작과 호환됩니다.

from LightAgent import LightAgent

agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")

result = agent.run("Hello, who are you?", result_format="object", trace=True)
print(result.content)
print(result.trace_id)
print(result.trace)

for event in agent.export_trace():
    print(event["type"], event["data"])

LightFlow 실행 checkpoint 저장 (v0.9.0)

LightFlow는 workflow checkpoint를 저장하고 실패한 실행을 첫 단계부터 다시 시작하지 않고 재개할 수 있습니다.

from LightAgent import JsonLightFlowStore, LightAgent, LightFlow

research_agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")
writer_agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")

store = JsonLightFlowStore(".lightflow_runs")
flow = (
    LightFlow(store=store)
    .step("research", agent=research_agent, timeout=30)
    .step("write", agent=writer_agent, depends_on=["research"], max_retry=2)
)

result = flow.run("Analyze this company", run_id="report-001", trace=True)

if not result.success:
    result = flow.resume("report-001")

print(result.status)
print(flow.get_run("report-001")["steps"])

SharedMemoryPool 사용 (v0.9.0)

SharedMemoryPool은 다중 Agent 공유 기억 실험을 위한 가벼운 인메모리 프로토타입입니다.

from LightAgent import LightAgent, MemoryPolicy, SharedMemoryPool

shared_memory = SharedMemoryPool(agent_name="writer")

agent = LightAgent(
    name="writer",
    model="gpt-4.1",
    api_key="your_api_key",
    base_url="your_base_url",
    memory=shared_memory,
    memory_policy=MemoryPolicy(
        namespace="tenant-a",
        allow_unattributed_results=False,
        allowed_sources=("user",),
        allowed_scopes=("user",),
    ),
)

agent.run("Remember that I prefer concise reports.", user_id="alice")
print(shared_memory.list_records(user_id="tenant-a:alice"))

시스템 프롬프트로 모델 자기 인식 설정

from LightAgent import LightAgent

# 에이전트 초기화
agent = LightAgent(
     role="당신은 LightAgent로, 사용자에게 여러 도구 사용을 돕는 유용한 도우미임을 기억하세요.",  # 시스템 역할 설명
     model="deepseek-chat",  # 지원 모델: openai, chatglm, deepseek, qwen 등
     api_key="your_api_key",  # 당신의 대형 모델 서비스 제공자가 사용하는 API Key로 교체
     base_url="your_base_url",  # 당신의 대형 모델 서비스 제공자의 api url로 교체
 )
# 에이전트 실행
response = agent.run("당신은 누구인가요?")
print(response)

도구 사용 예제 코드

from LightAgent import LightAgent


# 도구 정의
def get_weather(city_name: str) -> str:
    """
    `city_name`의 현재 날씨를 가져옵니다.
    """
    return f"조회 결과: {city_name} 날씨 맑음"
# 함수 내부에서 도구 정보를 정의
get_weather.tool_info = {
    "tool_name": "get_weather",
    "tool_description": "지정된 도시의 현재 날씨 정보를 가져옵니다.",
    "tool_params": [
        {"name": "city_name", "description": "조회할 도시 이름", "type": "string", "required": True},
    ]
}

tools = [get_weather]

# 에이전트 초기화
agent = LightAgent(model="qwen-turbo-2024-11-01", api_key="your_api_key", base_url= "your_base_url", tools=tools)

# 에이전트 실행
response = agent.run("상하이의 날씨를 확인해 주세요")
print(response)

무제한 수의 사용자 정의 도구를 지원합니다.

여러 도구 예제: tools = [search_news,get_weather,get_stock_realtime_data,get_stock_kline_data]

기능 상세 설명

README는 핵심 사용 모델을 유지하고, 긴 예제와 어댑터 설정, 운영 지침은 전용 문서에 둡니다.

1. 분리 가능한 메모리 모듈(`mem0`)

LightAgent는 store(data, user_id)와 retrieve(query, user_id)를 제공하는 모든 메모리 backend를 받을 수 있습니다. 대화 격리는 user_id, 공유 메모리는 MemoryPolicy를 사용합니다.

2. 도구 통합

tool_info 메타데이터가 있는 Python 함수로 Agent에 제어된 기능을 제공합니다. ToolRegistry, ToolLoader, AsyncToolDispatcher, MCP는 Tools Guide를 참고하세요.

3. 도구 생성기

agent.create_tool()는 API 문서나 자연어 설명에서 도구 코드를 생성할 수 있습니다. 운영 전 리뷰와 테스트가 필요합니다.

4. 사고 트리(ToT)

명시적 계획, 성찰, 도구 선택이 필요한 작업에는 tree_of_thought=True를 사용합니다.

5. 다중 Agent 협업

LightSwarm은 전문 Agent 사이에 작업을 위임합니다. 역할은 좁게 유지하고 메모리 쓰기는 정책으로 제한하세요.

6. 스트리밍 API

agent.run(query, stream=True)는 채팅 UI와 긴 응답을 위해 OpenAI 호환 chunk를 반환합니다.

7. Agent 자기 학습

자기 학습은 MemoryPolicy와 함께 사용해 개인정보, 만료, 무관한 내용을 장기 기억에 넣지 않도록 해야 합니다.

8. Trace와 Langfuse

LightAgent는 내장 trace 또는 Langfuse로 실행을 관측할 수 있습니다.

9. Agent 평가

LightEvaluator는 결정적 업무 사례에서 출력, 도구 선택, 정책 이벤트, 복구, 지연, usage와 예상 비용을 측정합니다.

10. LightFlow Workflow

LightFlow는 알려진 단계대로 실행하기 위한 결정적 workflow 계층입니다.

단계 상태: pending, running, success, failed, skipped, waiting_approval.
DAG 검증: flow.validate(strict=True).
단계 제어: timeout, max_retry, cancel_if, fallback_agent, requires_approval, approval_handler.
영속화와 복구: JsonLightFlowStore, flow.resume(run_id), flow.rerun_step(run_id, step_name), flow.get_run(run_id), flow.list_runs().

LightFlow를 참고하세요.

11. Guardrails

Guardrails는 입력, 도구 호출, 출력을 검사하는 가벼운 hook입니다.

from LightAgent import (
    LightAgent,
    high_risk_parameter_guardrail,
    output_redaction_guardrail,
    privacy_input_guardrail,
    sensitive_tool_confirmation_guardrail,
)

agent = LightAgent(
    model="gpt-4.1",
    api_key="your_api_key",
    base_url="your_base_url",
    input_guardrails=[privacy_input_guardrail()],
    tool_guardrails=[
        sensitive_tool_confirmation_guardrail(["transfer_money"], approved=False),
        high_risk_parameter_guardrail({"amount": lambda value: float(value) <= 1000}),
    ],
    output_guardrails=[output_redaction_guardrail()],
)

Guardrails를 참고하세요.

12. SharedMemoryPool

SharedMemoryPool은 다중 Agent 공유 기억 실험용 인메모리 프로토타입이며 MemoryPolicy와 함께 사용합니다.

주요 에이전트 모델 지원

LightAgent는 OpenAI 호환 chat completion endpoint와 동작합니다: OpenAI, OpenRouter, Zhipu ChatGLM, DeepSeek, Qwen, StepFun, Moonshot/Kimi, MiniMax, vLLM, llama.cpp, Ollama, 자체 gateway.

For provider-specific parameters, base URLs, local model setup, and troubleshooting, see Model Provider Configuration.

사용 사례

스마트 고객 서비스: 다중 회화 및 도구 통합을 통해 효과적인 고객 지원을 제공합니다.
데이터 분석: 사고 트리 및 다중 에이전트 협업을 활용하여 복잡한 데이터 분석 작업을 처리합니다.
자동화 도구: 자동화 도구 생성을 통해 맞춤형 도구를 신속하게 구축합니다.
교육 지원: 기억 모듈 및 스트리밍 API를 통해 개인화된 학습 경험을 제공합니다.

🛠️ 기여 안내

우리는 어떤 형태의 기여든 환영합니다! 코드, 문서, 테스트 또는 피드백은 모두 프로젝트에 큰 도움이 됩니다. 좋은 아이디어가 있거나 버그를 발견한 경우, Issue 또는 Pull Request를 제출해 주십시오. 기여 방법은 다음과 같습니다:

이 프로젝트 포크하기: 오른쪽 상단의 Fork 버튼을 클릭하여 프로젝트를 귀하의 GitHub 리포지토리로 복사합니다.
브랜치 생성: 로컬에서 개발 브랜치를 생성합니다:
```
git checkout -b feature/YourFeature
```
변경 내역 제출: 개발을 완료한 후 변경 사항을 제출합니다:
```
git commit -m 'Add some feature'
```
브랜치 푸시: 브랜치를 귀하의 원격 리포지토리에 푸시합니다:
```
git push origin feature/YourFeature
```
Pull Request 제출: GitHub에서 Pull Request를 제출하고 변경 사항에 대해 설명합니다.

우리는 귀하의 기여를 즉시 검토할 것이며, 귀하의 지원에 감사드립니다!❤️

🙏 감사의 말씀

LightAgent의 개발 및 구현은 다음 오픈 소스 프로젝트의 영감과 지원에 힘입었습니다. 특히 이러한 뛰어난 프로젝트와 팀에 감사를 드립니다:

mem0: mem0에서 제공하는 기억 모듈에 감사드립니다. LightAgent의 문맥 관리에 강력한 지원을 제공했습니다.
Swarm: Swarm에서 제공한 다중 에이전트 협업 디자인 아이디어에 감사드립니다. LightAgent의 다중 에이전트 기능의 기본을 마련했습니다.
ChatGLM3: ChatGLM3에서 제공하는 고성능 중국어 대형 모델 지원과 디자인 영감에 감사드립니다.
Qwen: Qwen에서 제공하는 고성능 중국어 대형 모델 지원에 감사드립니다.
DeepSeek-V3: DeepSeek-V3에서 제공하는 고성능 중국어 대형 모델 지원에 감사드립니다.
阶跃星辰: step에서 제공하는 고성능 중국어 대형 모델 지원에 감사드립니다.

📄 라이센스

LightAgent는 Apache 2.0 라이센스를 따릅니다. 본 프로젝트는 자유롭게 사용, 수정 및 배포할 수 있지만 라이센스 조건을 준수해야 합니다.

📬 문의하기

질문이나 제안이 있는 경우 언제든지 문의해 주십시오:

이메일: service@wanxingai.com
GitHub Issues：https://github.com/wanxingai/LightAgent/issues

우리는 귀하의 피드백을 기대하며 함께 LightAgent를 더 강력하게 만들어 갑시다!🚀

더 많은 도구 🛠️: 사용 사례 요구를 충족하기 위해 더 많은 유용한 도구를 지속적으로 통합합니다.
더 많은 모델 지원 🔄: 더 많은 대형 모델을 지속적으로 지원하여 더 다양한 응용 사례를 충족합니다.
더 많은 기능 🎯: 더 많은 유용한 기능이 지속적으로 업데이트됩니다. 기대해 주세요!
더 많은 문서 📚: 자세한 문서와 풍부한 예시로 빠르게 배워 프로젝트에 쉽게 통합할 수 있습니다.
더 많은 커뮤니티 지원 👥: 활발한 개발자 커뮤니티가 언제든지 도움과 해답을 제공합니다.
더 많은 성능 최적화 ⚡: 고병렬 요구를 충족하기 위해 성능을 지속적으로 최적화합니다.
더 많은 오픈 소스 기여 🌟: 기여 코드를 환영하며 함께 더 나은 LightAgent를 만들어 갑시다!

LightAgent - 스마트함을 더 가볍게, 미래를 더 단순하게 만듭니다. 🌈

LightAgent —— 경량화, 유연성, 강력한 능동적 에이전트 프레임워크로, 스마트 애플리케이션을 신속하게 구축합니다!

Navigation Menu

Repository navigation

LightAgent🚀（차세대 Agentic AI 프레임워크）

뉴스

✨ 특징

🧭 아키텍처 한눈에 보기

핵심 사용 패턴

📋 문서

🚧 곧 출시 예정

🌟 왜 LightAgent를 선택해야 하나요?

🛠️ 빠른 시작

LightAgent 최신 버전 설치

Hello world 예제 코드

실행 Trace 확인 (v0.7.0)

LightFlow 실행 checkpoint 저장 (v0.9.0)

SharedMemoryPool 사용 (v0.9.0)

시스템 프롬프트로 모델 자기 인식 설정

도구 사용 예제 코드

기능 상세 설명

1. 분리 가능한 메모리 모듈(`mem0`)

2. 도구 통합

3. 도구 생성기

4. 사고 트리(ToT)

5. 다중 Agent 협업

6. 스트리밍 API

7. Agent 자기 학습

8. Trace와 Langfuse

9. Agent 평가

10. LightFlow Workflow

11. Guardrails

12. SharedMemoryPool

주요 에이전트 모델 지원

사용 사례

🛠️ 기여 안내

🙏 감사의 말씀

📄 라이센스

📬 문의하기

FilesExpand file tree

README.ko.md

Latest commit

History

README.ko.md

File metadata and controls

LightAgent🚀（차세대 Agentic AI 프레임워크）

뉴스

✨ 특징

🧭 아키텍처 한눈에 보기

핵심 사용 패턴

📋 문서

🚧 곧 출시 예정

🌟 왜 LightAgent를 선택해야 하나요?

🛠️ 빠른 시작

LightAgent 최신 버전 설치

Hello world 예제 코드

실행 Trace 확인 (v0.7.0)

LightFlow 실행 checkpoint 저장 (v0.9.0)

SharedMemoryPool 사용 (v0.9.0)

시스템 프롬프트로 모델 자기 인식 설정

도구 사용 예제 코드

기능 상세 설명

1. 분리 가능한 메모리 모듈(mem0)

2. 도구 통합

3. 도구 생성기

4. 사고 트리(ToT)

5. 다중 Agent 협업

6. 스트리밍 API

7. Agent 자기 학습

8. Trace와 Langfuse

9. Agent 평가

10. LightFlow Workflow

11. Guardrails

12. SharedMemoryPool

주요 에이전트 모델 지원

사용 사례

🛠️ 기여 안내

🙏 감사의 말씀

📄 라이센스

📬 문의하기

1. 분리 가능한 메모리 모듈(`mem0`)