langroid
活跃·★ 4.1k·MIT·更新于 2026-10-20
★ 必备神器★ 时下流行
Langroid 是直观、轻量、可扩展且有原则的 Python 框架,用于构建基于 LLM 的应用,作者是 CMU 和威斯康星大学麦迪逊分校的研究者。你设置智能体,给它们配上可选组件(LLM、向量库和工具或函数),分配任务,让它们通过交换消息来解决问题。这种多智能体范式受 Actor 模型启发。README 说它不使用 LangChain 或其他任何 LLM 框架,并且几乎适用于任何 LLM。
核心抽象是:Agent,封装对话状态以及可选的向量库和工具,作为消息转换器,带有对应 LLM、智能体和用户的响应方法;以及 Task,包装一个智能体,给它指令,并通过层级式、递归的任务委派来编排交互。列出的内容包括:让任何智能体使用 MCP 服务的 MCP 支持、带内置模式的 Claude Code 插件,以及通过 pip 安装的附加包(例如 `pip install "langroid[doc-chat]"`、`[db]` 和 `[hf-embeddings]`)。它要求 Python 3.11+,Langroid 的全部内容都可通过 `import langroid as lr` 使用,代码采用 MIT 许可证。
#Python#多智能体AI#LLM框架#RAG#AI工具
01
功能特性
01用于协作解决问题的多智能体编排框架。
02灵活的LLM集成,支持几乎所有LLM(本地/远程,兼容OpenAI API)。
03为智能体提供强大的工具集成和函数调用能力,包括结构化输出和XML工具。
04通过DocChatAgent、块增强和多种文档解析器提供高级RAG能力。
05支持多模态输入(PDF、图像)和使用HTML Logger进行交互式任务可视化。
02
为什么选择它
+抽象简洁清晰(Agent 和 Task),并支持智能体之间的层级式任务委派。
+独立于 LangChain 等框架,几乎适用于任何 LLM。
+支持 MCP 服务、向量库和工具,并提供文档问答、数据库和嵌入的 pip 可选附加包。
+有研究背景(CMU 和威斯康星大学麦迪逊分校),每天更新,采用 MIT 许可证。
03
权衡点
!它要求 Python 3.11 或更高版本,一些功能依赖你需要自己选择的 pip 附加包。
!README 很长(超过 4.5 万字符),混杂了发布说明和教程,不容易找到当前的最佳实践。
!它是代码框架,而不是无代码工具,需要你自己用 Python 设计智能体和任务。
04
维护状况检查
活跃检查日期: 2026-10-22
- 最近提交
- 2026-10-20
- 近 90 天提交数
- 100+
- 近 90 天发布数
- 30
- 最新发布
- 0.69.13 (2026-10-20)
- 未关闭 issue
- 50
- 近期 issue 至少有一条评论的比例
- 4/5
近 12 周每周提交数
最早的一周在左边,最近 4 周为橙色。数据来源:GitHub 提交统计。
状态规则:GitHub 上已归档 = 已归档;最近提交在 90 天内 = 活跃;91 到 365 天 = 放缓;更久 = 停滞。所有数字来自所示日期的 GitHub API。
讨论最多的未关闭 issue
- #384 Add Mistral API analogous to OpenAI API11 条评论 · 2024-01-25
- #737 Add support for Anthropic API9 条评论 · 2025-02-07
- #494 Use mock LLM responses in tests where we don't need real LLM9 条评论 · 2024-06-05
- #734 direct support for gemini api? (to leverage it for document parsing and other)6 条评论 · 2025-02-06
- #860 add AI/ML API as provider4 条评论 · 2025-06-12
issue 标题引自 GitHub。请打开链接确认该问题是否仍适用于你使用的版本。
05
兼容性
OpenAI
原生支持
已通过文档验证
OpenAI Assistants API
支持
已通过文档验证
Ollama
支持
已通过文档验证
DeepSeek
支持
已通过文档验证
Gemini
支持
已通过文档验证
Azure OpenAI
支持
已通过文档验证
06
快速开始
1
$ pip install langroid
07
使用场景
↳通过识别、优先排序和修复漏洞来开发安全的软件。
↳构建多智能体RAG系统,例如用于医疗保健领域的药物警戒。
↳使用本地或远程LLM从各种文档中提取结构化信息。
08
同类工具
评论
登录后发表评论
暂无评论,来发表第一条吧