在AI智能體領(lǐng)域，2026年最受矚目的國外開源產(chǎn)品當(dāng)屬AgenticCore。它由一家非營利組織維護，旨在提供輕量級、模塊化的智能體開發(fā)框架，支持多模型集成與動態(tài)任務(wù)規(guī)劃。與LangChain等前輩不同，AgenticCore更強調(diào)智能體的自主決策能力，其核心代碼僅依賴少量依賴庫，適合開發(fā)者深度定制。

要理解AgenticCore的精髓，我們從一個基礎(chǔ)示例開始：創(chuàng)建一個能調(diào)用外部API的智能體。首先，安裝框架后，初始化一個Agent實例。關(guān)鍵代碼片段如下：

from agenticcore import Agent, Tool

def getweather(city: str) -> str: # 模擬天氣查詢工具 return f"{city}的天氣為晴天，22°C"

weathertool = Tool(name="getweather", func=getweather, description="查詢指定城市的天氣")

agent = Agent( tools=[weathertool], model="gpt-4o-mini", # 支持多種LLM后端 memory=True # 啟用短期記憶

)

response = agent.run("北京今天天氣如何？")

print(response)

這段代碼展示了AgenticCore的核心抽象：Agent和Tool。Tool對象封裝了函數(shù)及其元數(shù)據(jù)，Agent則負責(zé)將用戶輸入路由到合適的工具。注意memory參數(shù)，它讓智能體記住對話上下文，實現(xiàn)多輪交互。

進一步，AgenticCore支持復(fù)雜的任務(wù)編排。例如，智能體可以自主分解用戶請求為子任務(wù)，按順序執(zhí)行。以下代碼展示多步協(xié)作：

from agenticcore import Plan

plan = Plan( steps=[ "查詢用戶所在地", "調(diào)用天氣工具", "生成出行建議" ], agent=agent

)

result = plan.execute("我明天要去上海出差，需要帶傘嗎？")

print(result)

Plan對象內(nèi)部使用LLM動態(tài)生成執(zhí)行序列，每個步驟可調(diào)用不同工具。這種設(shè)計讓AgenticCore在自動化工作流場景中表現(xiàn)優(yōu)異，如客戶服務(wù)或數(shù)據(jù)分析。

最后，AgenticCore還提供記憶管理模塊，支持向量存儲與檢索。例如，在長期記憶場景中：

from agenticcore.memory import VectorMemory

memory = VectorMemory(embeddingmodel="text-embedding-ada-002")

memory.save("用戶偏好：喜歡簡潔回答")

agentwithmemory = Agent(tools=[], model="gpt-4o-mini", memory=memory)

print(agentwithmemory.run("記住我偏好"))

通過向量化存儲，智能體能在后續(xù)對話中檢索歷史信息，實現(xiàn)個性化交互。AgenticCore的代碼風(fēng)格簡潔，文檔完善，適合從原型到生產(chǎn)環(huán)境的快速迭代。