agentmold（EasyAgent）

agentmold（发布名 EasyAgent）是一个面向研究人员和学生的极简 AI Agent 脚手架。它让构建 AI 代理变得像写一个普通 Python 函数一样简单——不需要学习新的领域语言，不需要理解复杂的抽象层，核心只需三个概念：Agent（智能函数）、Tool（@tool 装饰的普通函数）和 Memory（记忆管理）。

EasyAgent 的核心理念是「教育透明」：整个执行循环可以用普通 Python 代码读懂，事件可以被记录、回放和比较。默认使用离线 mock 模型，无需任何 API Key 即可体验全部功能，因此特别适合课堂教学和快速原型验证。

核心能力

1. 小型公开 API：仅用 Agent、@tool 和普通 Python 即可完成主流 Agent 开发路径
2. 多 LLM 支持：统一接口支持 OpenAI、Anthropic、DeepSeek、Ollama（本地模型）等，切换 Provider 仅需改配置
3. @tool 装饰器工具系统：任何普通函数加 @tool 即可成为 Agent 工具，自动生成调用 Schema，无需手动维护 JSON
4. MCP 协议集成：通过 MCP 协议连接外部工具服务器，复用网络安全策略，支持工具白名单和确认门
5. 记忆管理：短期对话历史（Memory）+ 长期向量存储（VectorMemory），按需启用
6. 内置可观测性：开箱即用的日志与追踪，无需配置外部服务；Trace 保存为 JSONL 供回放分析
7. 可视化实验室：Streamlit 界面直接配置 Agent、查看带动画的执行地图、对比评测两个运行
8. 零依赖核心：核心仅需 httpx，按需安装扩展依赖
9. 五种 Agent 架构直达：ReAct、Plan-and-Execute、Reflection、Multi-Agent、Routing，在可视化实验室中可直接切换体验
10. 离线教学支持：mock 模型无需 API Key，所有教学示例可离线复现

安装配置

基础安装（Python 3.10+）

pip install agentmold

全功能安装（含可视化实验室）

pip install "agentmold[all]"

按需安装 Provider

pip install "agentmold[openai]" # OpenAI pip install "agentmold[anthropic]" # Anthropic pip install "agentmold[deepseek]" # DeepSeek pip install "agentmold[ollama]" # Ollama 本地模型 pip install "agentmold[mcp]" # MCP 异步工具 pip install "agentmold[visual]" # 可视化实验室

使用步骤

步骤一：安装依赖

根据所需功能选择安装命令（见上），Python 3.10 或更高版本。

步骤二：定义工具

用 @tool 装饰器把普通函数变成 Agent 工具：

from agentmold import tool

@tool def search_web(query: str) -> str: return f"Search results for: {query}"

步骤三：创建 Agent 实例

from agentmold import Agent

agent = Agent( name="Research Assistant", instructions="You are a helpful research assistant.", tools=[search_web], llm="mock", )

步骤四：运行 Agent

response = agent.run("What are the latest advances in AI agents?") print(response)

步骤五（可选）：使用可视化实验室

easyagent visual

适用场景

1. AI Agent 研究与教学：首次接触 Agent 开发的学生和研究人员，可以通过 mock 模式零成本理解 Agent 执行循环
2. 快速原型验证：产品经理和开发者想快速验证某个 LLM 应用想法，不需要搭建完整基础设施
3. 教学演示：课堂上演示 ReAct、Plan-and-Execute、Reflection 等不同 Agent 架构的执行差异
4. 多 Provider 对比评测：用同一套工具代码对比不同模型/提供商的输出质量，通过 Trace 回放分析
5. 本地离线实验：在无网络环境下运行教学示例，不依赖外部 API
6. 批量实验与回归测试：用 evaluate() 工厂函数批量运行 EvalCase，输出可复现的质量报告
7. MCP 工具集成：已有 MCP 服务器的情况下，通过 MCP 协议接入 EasyAgent 作为编排层
8. 多架构探索：想理解 Plan-and-Execute 和 Multi-Agent 等复杂架构的实际执行行为差异

适用人群

• AI 研究人员：需要轻量工具研究 Agent 行为、对比不同架构、执行批量实验
• 计算机专业学生：学习 Agent 开发、LLM 应用集成，理解执行循环和工具调用机制
• 全栈开发者：快速将 LLM 能力集成到现有 Python 项目，不需要学习 LangChain 等重型框架
• AI 教育者：在课堂上演示 Agent 执行过程，EasyAgent 的执行地图比文字日志直观得多
• 产品经理：用 mock 模式快速验证 AI 产品想法，向工程师传达需求前先验证概念可行性

工作原理

EasyAgent 的核心是一个基于 ReAct（Reasoning + Acting）范式的执行循环：模型生成推理 → 选择工具调用 → 获取执行结果 → 重复直到得到最终答案。每一步都会产生 ExecutionEvent，包括 THOUGHT（思考）、ACTION（工具调用）、OBSERVATION（观察结果）和 ANSWER（最终回答）。

执行事件默认静默保存到 last_trace，开启 log_level=LogLevel.DEBUG 时会在终端打印每一步。Trace 可以导出为 JSONL 文件，供后续回放、对比和批量评测。

可视化实验室基于 Streamlit，在浏览器中提供配置面板、架构切换、执行地图和回放功能。执行地图用颜色区分节点类型（蓝色用户输入、橙色工具调用、绿色工具结果、紫色最终回答），实时运行时当前节点脉冲高亮。

多 LLM 支持通过统一的 Provider 接口实现，配置字典传入 provider + model；不同 Provider 的返回字段会被归一化，使 Trace 中的 token 统计具有可比性。

官方链接

• PyPI：https://pypi.org/project/agentmold/
• GitHub：https://github.com/dreamsxin/EasyAgent
• 文档：https://github.com/dreamsxin/EasyAgent/blob/main/docs/