- 装饰器一键接入 Function Call（Pydantic 模型自动生成工具描述）
- 工作流
Agent管线，按指定顺序编排执行 - 智能体间全局上下文共享
- 结构化响应解析：可传入
response_format（Pydantic）强类型返回
- Python ≥ 3.8
- 有效的 OpenAI API Key
pip install pyxbrain在你的项目目录下创建一个 demo.py 文件，定义工具函数：
from pydantic import BaseModel
from xbrain.core import Tool
class GenerateTag(BaseModel):
"""生成标签的工具模型"""
topic: str
@Tool(model=GenerateTag)
def generate_tag(topic: str):
"""生成标签的工具函数"""
return f"tag: {topic}"在项目入口处配置并运行 XBrain：
from xbrain.core import run
from xbrain.utils.config import Config
from demo import * # 导入工具定义
# 配置 OpenAI 信息（配置将保存在用户主目录下的 ~/.xbrain/config.yaml 文件中）
config = Config()
config.set_openai_config(
base_url="https://api.openai.com/v1", # 或其他兼容的 API 端点
api_key="YOUR_OPENAI_API_KEY",
model="gpt-4o-2024-08-06",
)
# 调用 run 函数与智能体交互
messages = [{"role": "user", "content": "请为主题\“Python\”生成标签"}]
response = run(messages, user_prompt="你是一个能调用工具的助手")
print(response)如果你希望模型严格返回某个结构，可以传入 response_format 参数（Pydantic 模型）：
from pydantic import BaseModel
from xbrain.core import run
from xbrain.utils.config import Config
# 配置 OpenAI（首次使用需要）
config = Config()
config.set_openai_config(
base_url="https://api.openai.com/v1",
api_key="YOUR_OPENAI_API_KEY",
model="gpt-4o-2024-08-06",
)
# 定义响应结构
class Summary(BaseModel):
title: str
"""总结的标题"""
keywords: list[str]
"""总结的关键词列表"""
# 发送消息并指定响应格式
messages = [{"role": "user", "content": "请总结：Python 是一种广泛使用的解释型、高级和通用的编程语言。它支持多种编程范式，包括结构化、面向对象和函数式编程。Python 被设计为易于阅读和编写，具有简洁的语法。"}]
response = run(messages, user_prompt="结构化助手", response_format=Summary)
print(f"标题: {response.title}")
print(f"关键词: {response.keywords}")通过继承 Agent 类定义智能体节点，并通过 WorkFlow 类按顺序执行：
from xbrain.core import Agent, WorkFlow
class A(Agent):
def run(self, input):
return f"{input} -> 处理后的数据A"
class B(Agent):
def run(self, input):
return f"{input} -> 处理后的数据B"
# 创建工作流并指定执行顺序
workflow = WorkFlow(A, B) # 可以接受多个 Agent 类作为位置参数
# 执行工作流
result = workflow.run("起始输入")
print(result) # {"A": "起始输入 -> 处理后的数据A", "B": "起始输入 -> 处理后的数据A -> 处理后的数据B"}WorkFlow 支持多种创建方式：
from xbrain.core import Agent, WorkFlow
class A(Agent):
def run(self, input):
return f"{input} -> A"
class B(Agent):
def run(self, input):
return f"{input} -> B"
# 方式1：接受单个 Agent 类
workflow1 = WorkFlow(A)
# 方式2：接受多个 Agent 类作为位置参数
workflow2 = WorkFlow(A, B)
# 方式3：接受 Agent 类列表
workflow3 = WorkFlow([A, B])WorkFlow 支持智能体间的全局上下文共享，通过 self.global_context 可以在不同智能体间传递数据：
from xbrain.core import Agent, WorkFlow
class A(Agent):
def run(self, input):
# 在全局上下文中存储数据
self.global_context["a"] = "a"
return "agent1 输出"
class B(Agent):
def run(self):
# 从全局上下文中获取数据，不需要 input 参数
return self.global_context["a"]
workflow = WorkFlow(A, B)
result = workflow.run("test input")
print(result) # {"A": "agent1 输出", "B": "a"}你可以向 WorkFlow 的 run 方法传递额外参数，这些参数会被传递给第一个 Agent 的 run 方法：
from xbrain.core import Agent, WorkFlow
class A(Agent):
def run(self, input, arg1, arg2):
return f"{input} {arg1} {arg2}"
class B(Agent):
def run(self, input):
return f"agent2 输出 {input}"
workflow = WorkFlow(A, B)
result = workflow.run("test input", "arg1", "arg2")
print(result) # {"A": "test input arg1 arg2", "B": "agent2 输出 test input arg1 arg2"}WorkFlow.run() 方法直接返回一个字典，包含每个 Agent 的执行结果：
from xbrain.core import Agent, WorkFlow
class A(Agent):
def run(self, input):
return f"{input} a"
class B(Agent):
def run(self, input):
return f"{input} b"
workflow = WorkFlow(A, B)
result = workflow.run("test input")
print(result["A"]) # "test input a"
print(result["B"]) # "test input a b"你可以在 Agent 中使用 chat 函数与大模型交互：
from xbrain.core import Agent, WorkFlow
from xbrain.utils.openai_utils import chat
class A(Agent):
def run(self, input):
res = chat([{"role": "user", "content": input}], "你是一个智能助手")
return res
# 创建包含单个 Agent 的工作流
workflow = WorkFlow(A)
result = workflow.run("你好")
print(result) # {"A": "你好！有什么我可以帮助你的吗？"}
# 多个 Agent 示例
class B(Agent):
def run(self, input):
res = chat([{"role": "user", "content": input}], "你是一个智能助手")
return res
workflow2 = WorkFlow(A, B)
result2 = workflow2.run("你好")
print(result2) # {"A": "你好！有什么我可以帮助你的吗？", "B": "你好！有什么我可以帮助你的吗？"}XBrain 使用 Config 类管理配置信息，配置将保存在用户主目录下的 ~/.xbrain/config.yaml 文件中。
from xbrain.utils.config import Config
config = Config()
config.set_openai_config(
base_url="https://api.openai.com/v1", # API 端点
api_key="YOUR_OPENAI_API_KEY", # 你的 API Key
model="gpt-4o-2024-08-06", # 使用的模型
)from xbrain.utils.config import Config
config = Config()
# 通过属性直接获取配置
print(f"当前模型: {config.OPENAI_MODEL}")
print(f"API 端点: {config.OPENAI_BASE_URL}")
# 或通过 load_config() 方法获取完整配置
full_config = config.load_config()
print(f"OpenAI 配置: {full_config['openai']}")你可以通过 Fork 项目、提交 PR 或在 Issue 中提出你的想法和建议。具体操作可参考 贡献指南。
建议阅读 《提问的智慧》、《如何向开源社区提问题》、《如何有效地报告 Bug》 与 《如何向开源项目提交无法解答的问题》。