企业 AI Agent 从试点到上线 · Python 3.10+

让 Agent
交付业务结果

大模型会理解和生成，企业系统还需要字段、权限、流程、服务接口和运行证据。Agently 把这些上线缺口接成一条可验证的工程链路。

框架安装方法 pip install -U agently

查看仓库源码为开发 Agent 安装 Skills

1,588 GitHub stars 4.1.3.6 PyPI 当前版本 176 GitHub forks

业务方看到什么 工单、日报、控制台状态、审核记录，而不是一段无法落库的回答。

技术方拿到什么 类型字段、授权动作、事件流程、服务接口和可追踪运行证据。

开发者怎么开始 安装框架跑通最小链路，再用 Skills 和 DevTools 加速工程化。

模型协议切换超稳定结构化输出结构化数据节点流式输出执行力 TriggerFlow

Python 同一套业务链路按协议切换模型

profiles = {
    "chat": ("OpenAICompatible", chat_settings),
    "responses": ("OpenAIResponsesCompatible", responses_settings),
    "anthropic": ("AnthropicCompatible", anthropic_settings),
}

provider, settings = profiles[os.getenv("AGENTLY_MODEL_PROTOCOL", "chat")]
Agently.set_settings("plugins.ModelRequester.activate", provider)
Agently.set_settings(provider, settings)

data = (
    Agently.create_agent("ticket-router")
    .input("客户第二次反馈售后响应慢。")
    .output({"priority": (str, "high / medium / low", True)})
    .get_result()
    .get_data()
)

实际案例输出 examples/model_configures/typed_settings_and_model_profiles.py

provider OpenAICompatible
model deepseek-chat
base_url https://api.deepseek.com/v1
api_key example-key
temperature 0

这个配置探针不调用模型，验证 model_pool、model_profiles、api_key_pools 会解析到当前 ModelRequester。真实业务链路只改配置即可切换到 OpenAI Responses 或 Anthropic 兼容协议。

Python 字段生成时就推给前端

execution = (
    agent
    .use_dynamic_task(mode="submitted", plan=build_graph(), handlers=handlers)
    .input("Handle the enterprise billing export incident transparently.")
    .create_execution()
)

async for item in execution.get_async_generator(type="instant"):
    if item.event_type == "delta" and item.path in FIELD_LABELS:
        ui.patch_panel(path=item.path, delta=item.delta)

data = await execution.async_get_data()

实际案例输出 examples/agent_auto_orchestration/05_model_field_delta_streaming.py

01 prethinkingstream_prethinking_delta=True
02 tool notestream_tool_call_note_delta=True
03 replystream_reply_delta=True
04 reviewreply_task_completed=True

UI preview · Northstar Bank

route.selected dynamic_task

reply excerpt

Dear valued customer, we understand invoice export is blocking month-end reconciliation...

tool_call_note 检查 PDF renderer worker queue

reflection 避免承诺精确修复时间

字段级 delta 让客服回复还在生成时，运营界面已经能看到 prethinking、tool note、reply 和 review 四个区域逐步刷新。

Python 结果先变成业务字段

execution = agent.create_task(
    task_id="support_ticket_policy_reply",
    goal="Prepare a customer-facing support reply for ticket SUP-1842.",
    success_criteria=[
        "The final Markdown reply file exists in Workspace.",
        "The reply is grounded in billing records and policy excerpts.",
        "The reply does not promise a refund before finance review.",
    ],
    options={"routes": {"model_request": {"action_loop": {"max_rounds": 5}}}},
)

async for item in execution.get_async_generator():
    print_stream_item(item)

result = await execution.async_start()

实际案例输出 examples/agent_task/support_ticket_policy_reply.py

{
  "task_status": "completed",
  "accepted": true,
  "output_file_exists": true,
  "model_judge_passed": true,
  "replan_count": 0,
  "first_verification_failed": false
}

customer_reply.md给客户的正式回复

billing factsINV-10091 / INV-10094 / $240

model_judge校验不虚构、不越权承诺

业务系统只提供事实；模型负责生成回复，AgentTask 和 model_judge 负责确认结果能否进入客户支持流程。

Python 把 Function Calling、MCP 和沙盒行动接成执行力

# MCP HTTP calculator
agent.use_mcp(f"http://127.0.0.1:{port}/mcp")
turn = agent.input("Use MCP actions to compute (100.25 + 55.5) * 1.08.")
records = agent.get_action_result(prompt=turn.prompt)

# Python sandbox for deterministic computation
agent.action.register_python_sandbox_action(
    action_id="python_table_stats",
    desc="Execute Python code inside a sandbox.",
    expose_to_model=True,
)
agent.use_actions("python_table_stats")

实际案例输出 examples/action_runtime/2_2_mcp_http_action_deepseek.py + 3_1_python_sandbox_action_deepseek.py

MCP HTTPadd(100.25, 55.5) -> 155.75
MCP HTTPmultiply(155.75, 1.08) -> 168.21
Python Sandboxaverage=20.0, max-minus-min gap=34
ActionResultmodel_digest + artifact_refs recorded

客户价值很直接：模型负责决定调用什么，MCP/沙盒负责把计算和副作用放进可记录的执行边界。

Python 把长流程拆成可观察阶段

task = Agently.create_dynamic_task(
    target=(
        "Create an incident briefing for a customer-success lead. "
        "Plan no more than three model tasks."
    ),
    max_tasks=3,
    output_schema=FRONTSTAGE_BRIEF_SCHEMA,
)
plan = await task.async_plan(max_retries=3)
validation = task.validate(plan, strict_schema_version=True)
snapshot = await task.async_run(plan, graph_input=incident_context, timeout=120)

实际案例输出 examples/dynamic_task/04_incident_briefing_auto_plan.py

summarize_facts

assess_customer_impact

validated TaskDAG

planned_task_count=3 semantic_role=customer_success_briefing

write_customer_success_briefing

frontstage_next_update=when duplicate payment verification completes
status_banner="Latency status: resolved. Duplicate payment checks: running."

对客户成功团队来说，交付物不是流程图，而是一段可发给 account owner 的事故 briefing；流程图只是运行证据。

Python 把能力暴露给产品界面

from agently.integrations.fastapi import FastAPIHelper

agent = Agently.create_agent()

async def stream_answer(request_data):
    result = agent.input(request_data["data"]).output({
        "title": (str, "标题", True),
        "body": (str, "回复正文", True),
    }).get_result()
    async for item in result.get_async_generator(type="instant"):
        if item.delta:
            yield {"path": item.path, "delta": item.delta}

app = FastAPIHelper(response_provider=stream_answer)
app.use_post("/answer")
app.use_sse("/answer/stream")

运行结果 SSE chunks

event: patch
data: {"path": ["title"], "delta": "工单"}

event: patch
data: {"path": ["body"], "done": false}

event: done
data: {"trace_id": "run_8f2"}

企业 Agent 的工程链路

Agently 的卖点不是“又一个 Agent 框架”，而是补齐上线缺口

企业 AI 项目常卡在四个地方：结果不能稳定进入系统，工具调用没有边界，长流程难以追踪，上线后无法观测和评测。Agently 把这些问题拆成可验证能力，团队可以按交付风险逐层试用。

结构化契约

把一句话变成下游能用的数据

output schema、result facade、instant stream 和重试校验，让字段能直接进入 UI、工单、CRM、审计或后续流程。

受控行动

让 Agent 调系统，但不越权

Actions、Function Calling、MCP 和 ExecutionEnvironment 把业务函数、工具、脚本和沙盒执行放进可记录的调用边界。

事件流程

长任务按事件、分支和并行推进

TriggerFlow 与 Dynamic Task 支持串并行、条件分支、等待恢复、运行流和执行快照，复杂过程不再藏在一个黑盒循环里。

上线运营

上线后能观测、评测和迭代

FastAPIHelper、RuntimeEvent、Workspace、DevTools 和 release 更新策略，把 demo 交给产品、运维和质量团队继续使用。

能力栈

从一次请求到生产工作流，能力按交付风险分层

团队可以先验证结构化结果，再接外部工具，再把流程服务化。每一层都有独立文档和可运行样例，适合技术评估，也适合销售前置说明。

Request

稳定输出

模型结果按字段、类型、必填和流式 patch 交付。

Runtime

执行力

函数、MCP、沙盒和业务系统调用都有 owner 和记录。

Workflow

TriggerFlow

事件驱动、分支并发、暂停恢复和运行流可视化。

DAG

Dynamic Task

把模型生成或业务提交的任务图验证后执行。

Dev Suite

Agently-DevTools

把运行、评测、Playground 和日志放进本地控制台。

Build Suite

Agently-Skills

让 coding agent 用官方路径拆解和生成复杂 AI 应用。

Agently-Skills · 给 Coding Agent 的官方开发套件

一句话，把复杂 AI 应用拆成可交付工程

Agently-Skills 不是运行时里的 Skills Executor，而是给 Codex、Claude Code、Cursor 等 coding agent 使用的官方指导包。它把 Agently 4.1.3 能力线拆成 6 个可安装 skill，让 coding agent 从业务目标出发，选择正确的请求层、运行时、流程编排、Dynamic Task 或迁移路径。

打开 Agently-Skills 查看使用说明

当前公开 catalog：6 个 skill 对齐 Agently 4.1.3 runtime 能力线

Install app bundle 让 coding agent 按官方能力边界开工

export AGENT=codex

for skill in \
  agently \
  agently-request \
  agently-runtime \
  agently-dynamic-task \
  agently-triggerflow
do
  npx skills add AgentEra/Agently-Skills \
    --agent "$AGENT" --skill "$skill" -y
done

# migration path
npx skills add AgentEra/Agently-Skills \
  --agent "$AGENT" --skill agently-migration -y

你告诉 coding agent

“做一个售后工单分流 Agent，输出 severity、owner、next_step，并接入内部创建工单函数。”

选择 `agently-request` 做结构化输出
选择 `agently-runtime` 挂载受控 Actions
生成服务入口、测试输入和验证清单

你告诉 coding agent

“把日报自动化拆成选题、搜索、筛选、摘要、渲染的流程，并暴露 SSE。”

选择 `agently-triggerflow` 设计串并行节点
用 runtime stream 给前端推阶段进展
产出可继续编辑的 Markdown 报告

你告诉 coding agent

“把现有 LangGraph 工具调用流程迁到 Agently，保留工具边界和运行证据。”

选择 `agently-migration` 做分层映射
把工具调用落到 Actions / MCP / ExecutionEnvironment
补上 DevTools 观测和回归验证路径

Agently-DevTools · 本地观测、评测和 Playground

把每次 Agent 运行变成可检查证据

agently-devtools 是 Agently 的可选 companion package。开发和试运行阶段可以连接 ObservationBridge，把 Runtime Observation、Scenario Evaluations、Playground、Console 和 Logs 放进同一个本地控制台；应用本身可以不依赖它运行。

运行树、graph、Mermaid 和 trace 帮团队定位流程路径。
EvaluationBridge 把多轮方案评测和真实 run 关联起来。
Playground 用来单独验证模型设置、输出契约和 prompt 变体。

查看 DevTools 接入 pip install agently-devtools

Agently DevTools Runtime Observation 真实控制台截图 — Runtime Observation 中的真实运行记录、作用域、连接状态和检索入口。

pip install -U agently agently-devtools agently-devtools start ObservationBridge(Agently).watch(Agently)

真实交付物

不是只说能做什么，而是看见结果长什么样

这里只展示已经开发并有可视证据的项目。每张图对应一个可继续拆成接口、流程、数据结构和运行证据的场景，帮助业务方判断价值，也帮助开发者判断要接哪一层能力。

Daily News Collector 生成的 Markdown 报告渲染截图 — Daily News Collector · 公开项目
从一个主题到可编辑 Markdown 日报

市场、投研、运营和风控团队可以把选题、搜索、筛选、浏览、摘要和报告渲染变成可复核流程。

TriggerFlow 阶段编排

结构化栏目字段

报告产物可继续编辑

Talk to Control 自然语言控制界面截图 — Talk to Control · 公开项目
自然语言操作业务对象

用户说目标，系统先读取状态、生成动作计划，再执行或拒绝。适合后台、设备、运营和低代码控制台。

Actions 限定可调用能力

schema 约束参数

运行流反馈给前端

AgentlyTextParser 长文抽取结果界面截图 — AgentlyTextParser · 本地验证项目
长文抽取、字段分组和引用定位

合同、报告、访谈和知识库资料可以进入可导出的 JSON 或表单，而不是停留在一段摘要里。

长文分段处理

规则驱动 schema

证据定位与进度展示

EDA Agent 专业工作台运行界面截图 — EDA Agent Final · 本地完成原型
专业需求推进到工具执行

模型生成结构化方案，宿主系统做确定性校验、替代方案选择和工具 API 执行，适合专家工作台类场景。

topology / netlist 计划

确定性 validate gate

服务接口接工具 API

仓库 examples · 可验证案例

用实际运行结果说明客户价值

这些不是官网临时编的 demo，而是 Agently 主仓库 examples 中带有稳定关键输出的案例。你可以从结果反推业务价值：生成了什么、谁能用、Agently 补齐了哪段工程链路。

客户支持自动化

重复扣费工单生成可发送回复，并通过规则校验

examples/agent_task/support_ticket_policy_reply.py

task_status="completed"
accepted=true
output_file_exists=true
model_judge_passed=true
replan_count=0

适合客服、账单和售后团队：业务系统提供票据、发票和政策事实，Agent 生成 Markdown 回复，再由 judge 校验不虚构、不越权承诺。

事故沟通

从事故流水和状态系统生成客户成功 briefing

examples/dynamic_task/04_incident_briefing_auto_plan.py

planned_task_count=3
task_ids=summarize_facts,assess_customer_impact,write_customer_success_briefing
frontstage_next_update=when duplicate payment verification completes

适合客户成功和运维协同：模型规划 DAG，业务状态系统提供事实，输出可直接交给 account owner 的对外沟通材料。

企业续约风险

把销售、产品、支持和法务信号合成恢复方案

examples/dynamic_task/05_enterprise_renewal_complex_auto_plan.py

planned_task_count=6
root_task_count=3
join_task_count=1
semantic_role=recovery_package
next_actions_count=7

适合大客户经营：CRM、产品使用、P1 工单、折扣诉求和法务问题进入并行分析，再汇总成客户消息和内部行动清单。

受控执行

MCP 与沙盒让模型行动可记录、可复核

examples/action_runtime/2_2_mcp_http_action_deepseek.py

MCP calculator -> 168.21
Python sandbox -> average=20.0, gap=34
ActionResult -> model_digest + artifact_refs

适合需要工具调用的系统：模型决定调用路径，MCP 和沙盒负责确定性执行，ActionResult 留下可追踪证据。

合作、授权与招聘

让业务方、技术方和团队候选人都有明确入口

先用公开文档、项目证据和本地试用验证技术路径；需要商用授权、商标/认证说明或加入团队时，可以直接走对应入口。

PerfXCloud x Agently

围绕云服务、模型应用运行时和企业 AI 工程落地的公开实践。

开发者社区

讨论业务系统接入、工具治理、TriggerFlow 编排、服务化交付和 DevTools 观测。

加入微信群

授权说明

Agently 开源核心采用 Apache 2.0。商标、官方认证、官方合作伙伴或背书类表述不随开源许可自动授权；商用授权可联系 business@agently.tech。

申请商用授权查看授权与认证声明

加入我们

当前保留全栈应用开发工程师、全栈产品经理、技术运营&商务负责人等岗位入口。简历发送至 hr@agently.tech。

全栈应用开发全栈产品经理技术运营&商务

投递简历

开始验证

给技术团队的最短路径

先跑一次结构化请求，再接执行力、流程编排、服务化和观测。每一步都对应文档，不需要先读完整框架史。

快速开始结构化输出执行力 TriggerFlow DevTools Agently-Skills 更新机制

从业务目标进入，而不是从框架名词进入

你要交付什么，Agently 就帮你补齐哪条工程链路

这些场景来自公开案例仓库、本地验证项目和已完成原型。每个方向都能继续拆成接口、流程、数据结构和运行证据，帮助业务方判断投入是否值得，也帮助开发者知道从哪一层开始实现。

自动情报业务控制结构化抽取专业工作台

行业情报与日报自动化

从一个主题开始，交付一份可以继续编辑的 Markdown 报告

适合市场、投研、运营、风控和行业研究团队。Agently 可以把选题、栏目规划、网页搜索、候选筛选、正文浏览、摘要生成、栏目写作和报告渲染串成可运行工作流。

TriggerFlow 管住 outline、search、pick、browse、summarize、render 的阶段关系。
Sub-flow 和并发让多个栏目、多个候选新闻可以分批处理。
结构化输出让标题、链接、摘要、推荐理由和栏目导语进入固定报告模板。

看日报自动化怎么选能力

topic -> outline -> search -> pick -> browse -> summarize -> report

日报标题

栏目导语、入选新闻、摘要、链接和推荐理由被统一渲染。

自然语言操作业务对象

让用户说一句话，系统先判断、再规划、再执行或拒绝

适合设备控制、运营后台、监控系统、低代码工具和内部业务系统。Agently 可以先读取当前状态，再决定直接回答、拆解动作，或给出拒绝说明。

Output schema 让模型返回可检查的动作计划、控制器名和参数。
Actions 把控制器函数、状态读取和状态写回限制在显式注册能力内。
TriggerFlow runtime stream 可以把规划、执行和反馈过程展示在聊天界面里。

看自然语言控制怎么选能力

User

把 camera_a 转到会议室门口，并告诉我当前状态。

Plan

read_status -> control_camera -> update_state -> reply

Result

动作已执行，状态已写回，过程可在界面中追踪。

长文档和实体关系抽取

把散乱文本转成字段、引用、实体和关系数据

适合知识库建设、合同/报告整理、客户访谈分析、规则表单提取和知识图谱补充。Agently 可以把长文切块，按 schema 抽取，再合并为可导出的 JSON 或表单结果。

AgentlyTextParser 验证了 1 万字以上文本、分段处理、进度展示、引用定位和映射证据。
AgentlyTextParser 的界面截图展示了抽取结果、字段分组、原文引用和定位线索。
配置驱动的 prompt、抽取规则和模型设置，让业务规则不硬编码在脚本里。

看文档抽取怎么选能力

{
  "entities": [{"name": "ACME", "type": "Company"}],
  "relations": [{"source": "张三", "type": "works_at"}],
  "evidence": ["原文引用", "定位线索"]
}

专业工具链助手

把自然语言需求推进到专业软件里的可执行动作

适合 EDA、数据分析、质检、运维、工业流程等专业工具场景。已完成的 EDA Agent 原型验证了这条链路：模型生成结构化方案，宿主系统做确定性校验、替代方案选择和工具 API 执行。

EDA 示例从电路需求生成 topology、structured netlist、校验报告和中文设计摘要。
确定性 validate gate 检查短路、悬空连接、电源/GND 等硬规则，失败后带错误上下文重试。
FastAPI 后端和扩展面板把规划、替代元件、执行和总结拆成可运营接口。

看专业工作台怎么选能力

Topology Plan Schema Validate Substitute EDA API Summary

截图与关键效果

不只告诉用户能做什么，也让用户看见交付物长什么样

截图区只放有信息承载的交付物：报告产出、操作界面、抽取结果和专业工具链运行界面。每张图都对应真实项目证据，并说明它解决的客户问题和 Agently 在其中承担的工程职责。

让 Agent交付业务结果

Agently 的卖点不是“又一个 Agent 框架”，而是补齐上线缺口

把一句话变成下游能用的数据

让 Agent 调系统，但不越权

长任务按事件、分支和并行推进

上线后能观测、评测和迭代

从一次请求到生产工作流，能力按交付风险分层

稳定输出

执行力

TriggerFlow

Dynamic Task

Agently-DevTools

Agently-Skills

一句话，把复杂 AI 应用拆成可交付工程

把每次 Agent 运行变成可检查证据

不是只说能做什么，而是看见结果长什么样

从一个主题到可编辑 Markdown 日报

自然语言操作业务对象

长文抽取、字段分组和引用定位

专业需求推进到工具执行

用实际运行结果说明客户价值

重复扣费工单生成可发送回复，并通过规则校验

从事故流水和状态系统生成客户成功 briefing

把销售、产品、支持和法务信号合成恢复方案

MCP 与沙盒让模型行动可记录、可复核

让业务方、技术方和团队候选人都有明确入口

PerfXCloud x Agently

开发者社区

授权说明

加入我们

给技术团队的最短路径

让 Agent
交付业务结果