LightAgent/README.ru.md at main · vivekgupta-memcode/LightAgent

LightAgent является крайне легковесным активным агентным фреймворком с памятью (mem0), инструментами (Tools) и деревом мышления (ToT), полностью с открытым исходным кодом. Он поддерживает более простую многослойную координацию агентов, чем OpenAI Swarm, и позволяет в один шаг создать агента с возможностью самообучения, а также поддерживает подключение к протоколу MCP через stdio и sse. Базовая модель поддерживает OpenAI, Zhiyu ChatGLM, DeepSeek, Jieyue Xingchen, Qwen Tongyi Qianwen и другие крупные модели. В то же время, LightAgent поддерживает вывод API-сервиса в формате OpenAI Stream, бесшовно интегрируясь с основными чат-фреймворками.🌟

Новости

[2026-08-15] Выпущен LightAgent v0.9.7: добавлен лёгкий Connector-контракт без зависимостей с офлайн-валидацией и примерами, усилены проверки безопасности Python executor, добавлена опциональная матрица безопасности Mem0 Graph и подготовлена стабилизация v1.0 с помощью перечня совместимости публичного API.
[2026-07-30] Выпущен LightAgent v0.9.6: добавлены производственные сводки и экспорт Trace, детерминированная оценка, сохраняемое человеческое одобрение для инструментов, handoff и LightFlow, а также fail-closed допуск записей и аудит общей Graph Memory.
[2026-06-24] LightAgent v0.9.0: добавлены сохраняемые checkpoint для LightFlow, resume/rerun, узлы утверждения, более ясные состояния шагов, trace-метаданные, шаблоны Guardrails, управление MemoryPolicy и прототип SharedMemoryPool.
[2026-06-14] LightAgent v0.8.1: добавлены соглашения MemoryScope и фильтры MemoryPolicy по источнику, области и уровню доверия.
[2026-06-02] LightAgent v0.8.0: представлен LightFlow для детерминированных многошаговых workflow.

История релизов доступна в GitHub Releases.

✨ Особенности

Легковесность и эффективность 🚀: ультра-упрощённый дизайн, быстрая настройка, подходит для приложений любого размера. (Нет LangChain, Нет LlamaIndex) 100% реализация на Python, без дополнительных зависимостей, основная кодовая база составляет всего 1000 строк, полностью открытый исходный код.
Поддержка памяти 🧠: поддержка пользовательской долгосрочной памяти для каждого пользователя, нативная поддержка модуля памяти mem0, позволяющая автоматически управлять персонализированной памятью пользователя в процессе диалога, делая агента более умным.
Автономное обучение 📚️: каждый агент обладает способностью самостоятельно обучаться, а администраторы с соответствующими правами могут управлять каждым агентом.
Интеграция инструментов 🛠️: поддержка пользовательских инструментов (Tools), автоматическая генерация инструментов, гибкое расширение для удовлетворения разнообразных потребностей.
Сложные цели 🌳: встроенный модуль дерева мышления с рефлексией (ToT), поддержка декомпозиции сложных задач и многошагового вывода, повышение эффективности обработки задач.
Многослойное взаимодействие агентов 🤖: более простая реализация многослойного взаимодействия агентов, встроенный LightSwarm для определения намерений и переноса задач, что позволяет более умно обрабатывать ввод пользователя и при необходимости передавать задачи другим агентам.
Автономное выполнение 🤖: выполнение вызовов инструментов без человеческого вмешательства.
Поддержка множества моделей 🔄: совместимость с OpenAI, ChatGLM от Zhipu, Baichuan и другим.
Потоковый API 🌊: поддержка вывода сервисов API в потоковом формате OpenAI, бесшовная интеграция с основными чат-фреймворками, улучшение пользовательского опыта.
Генератор инструментов Tools 🚀: просто передайте вашу документацию API [генератору инструментов Tools], и он автоматически создаст для вас индивидуальные инструменты, позволяя вам быстро создать сотни персонализированных инструментов всего за час, повысив производительность и освободив ваши творческие возможности.
Самообучение агентов 🧠️: каждый агент обладает способностью запоминать информацию о сценах и самообучаться на основе разговоров с пользователями.
Адаптивный механизм инструментов 🛠️: поддержка неограниченного количества инструментов, выбор кандидатов из десятков тысяч инструментов крупной моделью, фильтрация нерелевантных инструментов и передача контекста крупной модели, что может значительно снизить потребление токенов.
Оркестрация workflow 🔁: LightFlow связывает агентов в детерминированные workflow с явными зависимостями, передачей результатов, повторами, checkpoint, resume/rerun, утверждениями, fallback-agent и трассировкой.
Прототип общей памяти 🧠: SharedMemoryPool предоставляет общую память в памяти процесса с метаданными происхождения, выборкой по области и результатами, совместимыми с MemoryPolicy.
Шаблоны Guardrails 🛡️: Переиспользуемые политики ввода, инструментов и вывода блокируют приватные данные, требуют подтверждения чувствительных инструментов, проверяют рискованные параметры и редактируют вывод.
Runtime Hooks 🧩: Упорядоченное middleware hooks=[...] для наблюдения, замены или блокировки фаз run, модели, инструментов, памяти и шагов LightFlow.
Оценка и человеческая проверка 📊: LightEvaluator запускает детерминированные регрессии; HumanApprovalHook, постоянные review-store и checkpoint LightFlow поддерживают одобрение, отклонение, изменение аргументов и feedback.

🧭 Архитектура кратко

Слой	Основной API	Когда использовать
Runtime одного агента	`LightAgent`	Один агент с моделью, инструментами, памятью, streaming, trace и guardrails.
Маршрутизация агентов	`LightSwarm`	Делегирование по ролям между специализированными агентами.
Детерминированный workflow	`LightFlow`	DAG, повторы, checkpoints, утверждения, resume и rerun.
Инструменты и интеграции	`tools`, `ToolRegistry`, MCP	Python-инструменты, генерация, runtime-загрузка или MCP-серверы.
Граница памяти	`MemoryPolicy`, `MemoryScope`	Изоляция tenants, происхождение, доверие, срок действия и допуск записи.
Общая память	`SharedMemoryPool`	Эксперименты общей памяти между агентами.
Безопасность	`input_guardrails`, `tool_guardrails`, `output_guardrails`	Приватность, подтверждение инструментов, рискованные параметры и редактирование вывода.
Runtime hooks	`hooks`, `HookContext`, `HookDecision`	Политики, аудит, редактирование, routing и изменение payload на границах жизненного цикла.
Наблюдаемость	`trace=True`, `agent.export_trace()`	Структурированные события run, модели, инструмента, ошибки и workflow.

Основные паттерны использования

LightAgent сохраняет простой путь вызова по умолчанию и позволяет постепенно добавлять production-контроль.

Паттерн	Минимальный вызов	Примечания
Базовый ответ	`agent.run(query)`	По умолчанию возвращает строку.
Streaming	`agent.run(query, stream=True)`	Возвращает OpenAI-совместимые chunks.
Структурированный результат	`agent.run(query, result_format="object")`	Возвращает контент и метаданные.
Trace	`agent.run(query, trace=True)`	Пишет события, не меняя строковый ответ по умолчанию.
Память пользователя	`agent.run(query, user_id="alice")`	Использует настроенный backend памяти и MemoryPolicy.
Инструменты	`LightAgent(..., tools=[fn])`	Функции должны иметь `tool_info`.
Guardrails	`LightAgent(..., input_guardrails=[...])`	Добавляет политики ввода, инструментов и вывода.
Runtime hooks	`LightAgent(..., hooks=[fn])`	Наблюдает, заменяет или блокирует payload жизненного цикла.
Workflow	`LightFlow().step(...).run(query)`	Для детерминированного многошагового выполнения.

📋 Документация

По установке, моделям, инструментам, памяти, MCP, Skills, streaming и LightSwarm см. FAQ.
По детерминированным workflow, checkpoint, resume/rerun, утверждениям, fallback-agent и состояниям шагов см. LightFlow.
По пользовательским инструментам, ToolRegistry, ToolLoader, AsyncToolDispatcher и MCP см. Tools Guide.
По общей долговременной или графовой памяти см. Memory Security Guidance.
По SharedMemoryPool см. SharedMemoryPool.
По допуску записи памяти и срокам действия см. Memory Admission And Mutation Controls.
По безопасности ввода, инструментов и вывода см. Guardrails.
По runtime middleware для наблюдения, замены или блокировки payload см. Runtime Hooks.
По OpenRouter, локальным моделям и OpenAI-совместимым провайдерам см. Model Provider Configuration.
По структурированным trace см. Trace Observability.
По детерминированным регрессиям см. Evaluation Harness.
По одобрению tools/handoff, постоянной проверке и feedback см. Human Review.

🚧 В ближайшем будущем

Согласованная связь агентов 🛠️: Агенты также могут обмениваться информацией и передавать сообщения, реализуя сложную информационную связь и совместное выполнение задач.

🌟 Почему выбирают LightAgent?

Открытый и бесплатный 💖: полностью открытый, управляемый сообществом, регулярно обновляемый, все желающие могут внести свой вклад!
Легкость в освоении 🎯: подробная документация, множество примеров, быстрое освоение, простая интеграция в ваши проекты.
Поддержка сообщества 👥: активное сообщество разработчиков, готовое помочь и ответить на вопросы.
Высокая производительность ⚡: оптимизированный дизайн, высокая эффективность, удовлетворяющая требования к высокой конкуренции.

🛠️ Быстрый старт

Установка последней версии LightAgent

pip install lightagent

(Опционально установите пакет Mem0):

pip install mem0ai

Или вы можете использовать Mem0 в облачной стороне, кликнув здесь.

Пример кода Hello world

from LightAgent import LightAgent

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

# Запуск агента
response = agent.run("Привет, кто ты?")
print(response)

Проверка trace выполнения (v0.7.0)

Trace включается явно и сохраняет совместимость поведения agent.run() по умолчанию.

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"])

Checkpoint выполнения LightFlow (v0.9.0)

LightFlow может сохранять checkpoint workflow и продолжать неудачный запуск не с первого шага.

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"])

Использование SharedMemoryPool (v0.9.0)

SharedMemoryPool — легкий in-memory прототип для экспериментов с общей памятью между агентами.

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"))

Установка самосознания модели через системные подсказки

from LightAgent import LightAgent

# Инициализация агента
agent = LightAgent(
     role="Пожалуйста, помните, что вы - LightAgent, полезный помощник, который может помочь пользователям с использованием нескольких инструментов.",  # Описание системной роли
     model="deepseek-chat",  # Поддерживаемые модели: openai, chatglm, deepseek, qwen и т.д.
     api_key="your_api_key",  # Замените на ключ API вашего провайдера крупной модели
     base_url="your_base_url",  # Замените на URL API вашего провайдера крупной модели
 )
# Запуск агента
response = agent.run("Кто ты?")
print(response)

Пример кода использования инструмента

from LightAgent import LightAgent


# Определение инструмента
def get_weather(city_name: str) -> str:
    """
    Получить текущую погоду для `city_name`
    """
    return f"Результат запроса: Погода в {city_name} солнечная"
# Определить информацию о инструменте внутри функции
get_weather.tool_info = {
    "tool_name": "get_weather",
    "tool_description": "Получите текущую информацию о погоде в заданном городе",
    "tool_params": [
        {"name": "city_name", "description": "Название города для запроса", "type": "string", "required": True},
    ]
}

tools = [get_weather]

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

# Запуск агента
response = agent.run("Пожалуйста, проверьте погоду в Шанхае")
print(response)

Поддерживает настройку неограниченного количества инструментов.

Примеры нескольких инструментов: tools = [search_news,get_weather,get_stock_realtime_data,get_stock_kline_data]

Подробное описание функций

README сохраняет основную модель использования; длинные примеры, настройка адаптеров и production-практики находятся в отдельных документах.

1. Съемный модуль памяти (`mem0`)

LightAgent принимает любой backend памяти с store(data, user_id) и retrieve(query, user_id). Используйте user_id для изоляции диалогов и MemoryPolicy для общей памяти.

2. Интеграция инструментов

Python-функции с метаданными tool_info открывают контролируемые возможности агенту. ToolRegistry, ToolLoader, AsyncToolDispatcher и MCP описаны в Tools Guide.

3. Генератор инструментов

agent.create_tool() может генерировать код инструментов из API-документации или естественного описания. Перед production выполните review и тесты.

4. Дерево мышления (ToT)

Включайте tree_of_thought=True, когда нужны явное планирование, рефлексия и выбор инструментов.

5. Совместная работа агентов

LightSwarm делегирует работу между специализированными агентами. Роли должны быть узкими, а записи памяти контролироваться политиками.

6. Streaming API

agent.run(query, stream=True) возвращает OpenAI-совместимые chunks для chat UI и длинных ответов.

7. Самообучение агента

Самообучение следует сочетать с MemoryPolicy, чтобы не сохранять приватный, устаревший или нерелевантный контент.

8. Trace и Langfuse

LightAgent позволяет наблюдать выполнение через встроенный trace или Langfuse.

9. Оценка агентов

LightEvaluator измеряет вывод, выбор инструментов, события политик, восстановление, задержку, usage и оценочную стоимость.

10. Workflow LightFlow

LightFlow — детерминированный workflow-слой для выполнения известных шагов.

Состояния шагов: pending, running, success, failed, skipped, waiting_approval.
Проверка DAG: flow.validate(strict=True).
Управление шагом: timeout, max_retry, cancel_if, fallback_agent, requires_approval, approval_handler.
Сохранение и восстановление: JsonLightFlowStore, flow.resume(run_id), flow.rerun_step(run_id, step_name), flow.get_run(run_id), flow.list_runs().

См. LightFlow.

11. Guardrails

Guardrails — легкие hooks для проверки ввода, вызовов инструментов и вывода.

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()],
)

См. Guardrails.

12. SharedMemoryPool

SharedMemoryPool — in-memory прототип общей памяти между агентами, используйте его вместе с MemoryPolicy.

Поддержка основных моделей агентств

LightAgent работает с OpenAI-совместимыми chat completion endpoint: OpenAI, OpenRouter, Zhipu ChatGLM, DeepSeek, Qwen, StepFun, Moonshot/Kimi, MiniMax, vLLM, llama.cpp, Ollama и собственные gateways.

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

Сценарии использования

Умный клиент: Обеспечение эффективной поддержки клиентов через многоуровневое взаимодействие и интеграцию инструментов.
Анализ данных: Использование дерева мышления и многослойного взаимодействия для обработки сложных задач анализа данных.
Автоматизация инструментов: Быстрое создание индивидуальных инструментов через автоматическую генерацию.
Учебная помощь: Обеспечение персонализированного опыта обучения с помощью модуля памяти и потокового API.

🛠️ Рекомендации по вкладу

Мы приветствуем любую форму вклада! Будь то код, документация, тестирование или обратная связь - всё это огромная помощь проекту. Если у вас есть хорошие идеи или вы нашли ошибку, пожалуйста, подайте заявку или Pull Request. Вот шаги по вкладке:

Сделайте форк проекта: нажмите кнопку Fork в правом верхнем углу, чтобы скопировать проект в ваш репозиторий GitHub.
Создайте ветвь: создайте вашу разработческую ветвь локально:
```
git checkout -b feature/YourFeature
```
Подайте измененные данные: после завершения разработки подайте ваши изменения:
```
git commit -m 'Добавление новой функции'
```
Отправьте ветвь: отправьте ветвь в ваш удалённый репозиторий:
```
git push origin feature/YourFeature
```
Подайте Pull Request: в GitHub подайте Pull Request с описанием ваших изменений.

Мы проверим ваш вклад как можно быстрее, спасибо за поддержку!❤️

🙏 Благодарности

Разработка и реализация LightAgent стали возможны благодаря вдохновению и поддержке следующих открытых проектов, особенно благодарим эти замечательные проекты и команды:

mem0: Спасибо mem0 за предоставление модуля памяти, который стал важным элементом управления контекстом для LightAgent.
Swarm: Спасибо Swarm за идеи по многослойному взаимодействию агентов, которые стали основой функций LightAgent.
ChatGLM3: Спасибо ChatGLM3 за поддержку высокопроизводительных китайских моделей и идеи по проектированию.
Qwen: Спасибо Qwen за поддержку высокопроизводительных китайских моделей.
DeepSeek-V3: Спасибо DeepSeek-V3 за поддержку высокопроизводительных китайских моделей.
Серия шагов: Спасибо step за поддержку высокопроизводительных китайских моделей.

📄 Лицензия

LightAgent лицензирован под Apache 2.0 лицензией. Вы можете свободно использовать, изменять и распространять этот проект, но пожалуйста, соблюдайте условия лицензии.

📬 Свяжитесь с нами

Если у вас есть вопросы или предложения, команда всегда открыта для контакта:

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

Мы ждём ваших отзывов, чтобы вместе сделать LightAgent ещё сильнее!🚀

LightAgent - сделаем интеллект легче, а будущее проще. 🌈

LightAgent — легковесная, гибкая, мощная активная платформа агента, помогающая вам быстро разрабатывать интеллектуальные приложения!

Navigation Menu

Repository navigation

README.ru.md

README.ru.md

Новости

✨ Особенности

🧭 Архитектура кратко

Основные паттерны использования

📋 Документация

🚧 В ближайшем будущем

🌟 Почему выбирают LightAgent?

🛠️ Быстрый старт

Установка последней версии LightAgent

Пример кода Hello world

Проверка trace выполнения (v0.7.0)

Checkpoint выполнения LightFlow (v0.9.0)

Использование SharedMemoryPool (v0.9.0)

Установка самосознания модели через системные подсказки

Пример кода использования инструмента

Подробное описание функций

1. Съемный модуль памяти (`mem0`)

2. Интеграция инструментов

3. Генератор инструментов

4. Дерево мышления (ToT)

5. Совместная работа агентов

6. Streaming API

7. Самообучение агента

8. Trace и Langfuse

9. Оценка агентов

10. Workflow LightFlow

11. Guardrails

12. SharedMemoryPool

Поддержка основных моделей агентств

Сценарии использования

🛠️ Рекомендации по вкладу

🙏 Благодарности

📄 Лицензия

📬 Свяжитесь с нами

FilesExpand file tree

README.ru.md

Latest commit

History

README.ru.md

File metadata and controls

Новости

✨ Особенности

🧭 Архитектура кратко

Основные паттерны использования

📋 Документация

🚧 В ближайшем будущем

🌟 Почему выбирают LightAgent?

🛠️ Быстрый старт

Установка последней версии LightAgent

Пример кода Hello world

Проверка trace выполнения (v0.7.0)

Checkpoint выполнения LightFlow (v0.9.0)

Использование SharedMemoryPool (v0.9.0)

Установка самосознания модели через системные подсказки

Пример кода использования инструмента

Подробное описание функций

1. Съемный модуль памяти (mem0)

2. Интеграция инструментов

3. Генератор инструментов

4. Дерево мышления (ToT)

5. Совместная работа агентов

6. Streaming API

7. Самообучение агента

8. Trace и Langfuse

9. Оценка агентов

10. Workflow LightFlow

11. Guardrails

12. SharedMemoryPool

Поддержка основных моделей агентств

Сценарии использования

🛠️ Рекомендации по вкладу

🙏 Благодарности

📄 Лицензия

📬 Свяжитесь с нами

1. Съемный модуль памяти (`mem0`)