AI AgentAI 应用后端前端大模型RAG【免费下载链接】nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.项目地址https://gitcode.com/gh_mirrors/ne/nexent点击查看免费下载Nexent 是一个面向企业级场景的开源 Agent SDK基于 SmolAgents 架构扩展提供分布式异步执行、实时流式输出、多模态理解、丰富工具生态、企业级向量检索与可观测性能力。本文以官方 SDK 概览文档为主线结合仓库内各模块指南与源码实现系统讲解 Nexent SDK 的安装方式、核心架构、关键代码用法与配置细节帮助开发者快速上手并深入理解其底层原理。一、SDK 定位与整体架构根据 SDK 概览文档Nexent 被定位为一套企业级 Agent SDK其核心价值在于把智能 Agent 开发从原型验证推向生产可用在成熟的企业架构之上提供分布式处理、实时流式传输、多模态能力以及覆盖搜索、邮件、数据库、文件系统等场景的工具与模型生态。从仓库源码结构看SDK 主体位于 sdk/nexent顶层模块划分清晰反映了其能力地图模块目录职责core/agentsAgent 运行时CoreAgent、NexentAgent、agent_run流式入口、上下文管理、沙箱、守卫core/gateway模型网关LLM / Embedding / Rerank / VLM 适配器注册表与传输层core/models模型封装OpenAI 兼容 LLM、长上下文模型、STT/TTS、VLMcore/tools工具集合搜索、邮件、文件、数据库、记忆、规划、多模态分析等data_process统一文件处理核心格式解析、智能分块、图片抽取vector_databaseElasticsearch / DataMate 向量库封装memory三层记忆与 Dreaming 记忆整合monitor基于 OpenTelemetry OTLP 的 Agent 可观测性scheduler定时任务调度container/storageDocker/K8s 容器执行与 MinIO 对象存储SDK 版本与依赖约束可参见 sdk/pyproject.toml要求Python 3.11,3.12核心依赖包括smolagents[mcp]1.23.0、openai1.69.0、pydantic2.11.1、elasticsearch8.17.2等data_process与performance作为可选 extra 提供分别引入 unstructured 处理链和 OpenTelemetry 可观测栈。二、安装与快速上手完整安装流程见 环境准备与基本使用指南其核心链路为创建MessageObserver→ 创建模型 → 挂载工具 → 构建CoreAgent→ 运行。2.1 基础导入与初始化from nexent.core.utils.observer import MessageObserver, ProcessType from nexent.core.agents.core_agent import CoreAgent from nexent.core.agents.nexent_agent import NexentAgent from nexent.core.models.openai_llm import OpenAIModel from nexent.core.tools import ExaSearchTool, KnowledgeBaseSearchTool创建流式观察者与模型模型和 Agent 必须共用同一个 observerobserver MessageObserver() model OpenAIModel( observerobserver, model_idyour-model-id, api_keyyour-api-key, api_baseyour-api-base )2.2 挂载工具并构建 Agent# 创建搜索工具 search_tool ExaSearchTool( exa_api_keyyour-exa-key, observerobserver, max_results5 ) # 创建知识库工具index_names 为必填参数 kb_tool KnowledgeBaseSearchTool( index_names[my_knowledge_base], top_k5, observerobserver ) agent CoreAgent( observerobserver, tools[search_tool, kb_tool], modelmodel, namemy_agent, max_steps5 # 最大执行步数 ) agent.run(Your question here)2.3 流式运行agent_run推荐当需要服务端/客户端事件流时如 Web UI 增量渲染使用agent_run。它在后台线程中运行 Agent并把MessageObserver产生的消息序列化为 JSON 字符串逐条产出入口实现位于 sdk/nexent/core/agents/run_agent.pyimport json import asyncio from threading import Event from nexent.core.agents.run_agent import agent_run from nexent.core.agents.agent_model import AgentRunInfo, AgentConfig, ModelConfig from nexent.core.utils.observer import MessageObserver async def main(): observer MessageObserver(langen) stop_event Event() model_config ModelConfig( cite_namegpt-4, api_keyYOUR_API_KEY, model_nameQwen/Qwen2.5-32B-Instruct, urlhttps://api.siliconflow.cn/v1, ) agent_config AgentConfig( nameexample_agent, descriptionAn example agent, tools[], max_steps5, model_namegpt-4, ) agent_run_info AgentRunInfo( queryHow many letter r are in strrawberry?, model_config_list[model_config], observerobserver, agent_configagent_config, stop_eventstop_event ) async for message in agent_run(agent_run_info): message_data json.loads(message) print(message_data) # 每条消息均为 JSON 字符串 asyncio.run(main())流式消息格式每条 JSON 通常包含type映射到ProcessType如STEP_COUNT、MODEL_OUTPUT_THINKING、PARSE、EXECUTION_LOGS、FINAL_ANSWER、ERROR、content文本负载、可选agent_name标识消息来源 Agent。可选能力# 1) 携带对话历史以保持上下文 from nexent.core.agents.agent_model import AgentHistory history [ AgentHistory(roleuser, contentHi), AgentHistory(roleassistant, contentHello!), ] # agent_run_info AgentRunInfo(..., historyhistory) # 2) 接入 MCP 远程工具 # agent_run_info AgentRunInfo(..., mcp_host[http://localhost:3000]) # 3) 优雅中断Agent 在当前步骤结束后停止 stop_event.set()ModelConfig的完整字段定义在 sdk/nexent/core/agents/agent_model.py除上述基础项外还包括temperature默认 0.1、top_p默认 0.95、max_output_tokens、timeout_seconds、concurrency_limit、extra_body注入供应商特有参数如 Qwen 的chat_template_kwargs、ssl_verify等其中max_tokens已被标记为弃用别名会由 validator 自动迁移到max_output_tokens。三、核心能力详解3.1 企业级 Agent 框架SmolAgents 扩展Nexent 的 Agent 框架继承了 SmolAgents 的优秀架构并为企业环境补齐了扩展性、监控、状态管理与错误恢复能力详见 Agents 指南NexentAgent企业级 Agent 总框架支持多模型、MCP 集成、动态工具加载、线程池 异步的分布式执行与任务状态追踪CoreAgent代码执行引擎继承并增强 SmolAgents 的CodeAgent内置中英文双语 Prompt通过MessageObserver实时流式输出模型内容支持逐步跟踪、优雅中断与完整错误处理。CoreAgent实现 ReAct 的 think-act-observe 循环思考用 LLM 生成解题代码→行动执行生成的 Python 代码→观察收集执行结果与日志→ 循环直至任务完成。其执行调用链在 agent_run 源码 中清晰可见agent_run将AgentRunInfo投递到后台线程 →NexentAgent构建CoreAgent→ 逐步骤执行并回调MessageObserver输出各阶段消息。框架还内置以下企业级机制上下文管理通过AgentConfig.context_manager_config对应ContextManagerConfig开启NexentAgent据此构建ContextManager与ManagedContextRuntime基于ContextItems自动压缩长对话历史压缩产物为 Markdown 摘要可执行输出会被拒绝并记录压缩指标规划 AgentCreatePlanTool/UpdatePlanStepTool生成并维护计划 todo 列表实现于 sdk/nexent/core/agents/plan_repo.py配合ParallelExecutorTool并发调度多个子 Agent沙箱默认使用本地LocalPythonExecutor无沙箱配置SandboxConfigsdk/nexent/core/agents/sandbox.py后可启用 Docker/WASM 级隔离scope支持session每次运行一个容器、运行结束销毁与system系统级共享持久容器每次运行独立内核Guardrail 安全筛查内置输入/输出内容安全检查点可拦截敏感内容GuardrailConfig定义于 sdk/nexent/core/agents/agent_model.py规则基于 Pythonre正则严重级别支持block/mask/pass。3.2 基于 asyncio 的分布式处理SDK 采用 asyncio 异步架构支撑大规模数据批处理与并发优化详见 Features 文档并发机制线程安全的并发处理 连接池复用批处理友好针对分布式任务队列如 Celery优化支持大规模数据批处理内存优化大文件流式处理配合多级缓存降低内存峰值资源监控实时观测系统资源使用情况。3.3 丰富的工具生态工具体系覆盖多类任务完整分类与开发规范见 Tool Development Guide搜索类ExaSearchToolEXA、TavilySearchToolTavily、LinkupSearchToolLinkup三大网络搜索以及KnowledgeBaseSearchTool本地知识库、RAGFlowSearchTool与 Haotian/AIDP/Dify/DataMate/iData 等企业检索源通信类GetEmailToolIMAP 收件、SendEmailToolSMTP 发件文件与系统类文件/目录 CRUD 工具组与TerminalTool终端执行多模态分析AnalyzeTextFileTool、AnalyzeImageTool、AnalyzeAudioTool、AnalyzeVideoTool记忆工具StoreMemoryTool写入当前 Agent 短期记忆每次运行最多 3 条、SearchMemoryTool自然语言检索记忆top_k 默认 5编排工具ParallelExecutorTool、CreatePlanTool/UpdatePlanStepTool数据工具MySqlTool/PostgreSqlTool/MsSqlTool受控 SQL 查询、UploadToS3Tool/DownloadFromS3Tool。所有工具遵循统一开发标准继承smolagents.tools.Tool、用pydantic.Field管理参数、集成MessageObserver流式输出、内置中英文双语描述。工具通过tool_sign单字母标识区分来源取值于nexent.core.utils.tools_common_message的ToolSign枚举例如a代表知识库检索、b代表 EXA 搜索前端引用角标[b0]即由此而来。命名规范为{function_name}_tool.py小写下划线{FunctionName}Tool类名PascalCase。工具运行状态消息ProcessType.TOOL统一由core_agent.py中的_wrap_tool_for_observer桥接器在每次工具调用时发送并附带tool_call_id工具自身只需发送CARD、SEARCH_CONTENT、PICTURE_WEB等补充消息——新工具开发应遵循此模式。3.4 多模态支持SDK 集成 STT/TTS 语音服务与视觉理解能力语音STT/TTS 模型类位于 sdk/nexent/core/models以BaseSTTModel/BaseTTSModel为抽象基类提供VolcSTTModel、VolcTTSModel、AliSTTModel、AliTTSModel实现阿里实现基于 DashScope Qwen Realtime WebSocket 协议视觉OpenAI 兼容 VLMGPT-4V、Claude-3 及兼容模型支持 OCR、表格抽取与视觉推理多模态工具可实现图像问答长上下文OpenAILongContextModel支持超长文档与长对话处理配合上下文压缩与长短期记忆机制。3.5 数据处理能力DataProcessCore是统一文件处理核心sdk/nexent/data_process/core.py支持17 种文件扩展名.xlsx、.xls走OpenPyxl处理器、.txt、.pdf、.docx、.doc、.html、.htm、.md、.rtf、.odt、.pptx、.ppt、.epub、.xml、.json、.csv走Unstructured处理器。完整参数说明见 Data Processing Guide。核心方法file_process()def file_process(self, file_data: bytes, # 文件字节数据内存处理 filename: str, # 文件名用于自动识别类型 chunking_strategy: str basic, # basic | by_title | none processor: Optional[str] None, # Unstructured | OpenPyxl **params) - Tuple[List[Dict], List[Dict]] # (chunks, images_info)分块策略策略适用场景输出特征basic大多数文档按内容长度自动分块by_title结构化文档技术文档、报告在标题边界处切分none短文档或需完整内容返回包含全部内容的单块**params常用参数max_characters每块最大字符数默认 1536、new_after_n_chars达到该字符数后另起新块默认 1024、strategy处理策略默认fast、skip_infer_table_types跳过的表格推断类型、model_typemulti_embedding当文件属于.pdf/.doc/.docx/.xls/.xlsx/.ppt/.pptx时额外触发UniversalImageExtractor抽取文档内嵌图片用于多模态向量化。典型用法from nexent.data_process import DataProcessCore core DataProcessCore() # 读取文件到内存file_process 只接受内存字节数据 with open(/path/to/document.txt, rb) as f: file_bytes f.read() chunks, images_info core.file_process( file_datafile_bytes, filenamedocument.txt, chunking_strategybasic ) # 大文件预分割每部分最大 10MB parts core.file_split(file_datafile_bytes, filenamelarge_document.pdf, max_size10 * 1024 * 1024)辅助方法还包括get_supported_file_types()、validate_file_type()、get_processor_info()、get_supported_strategies()。异常处理上UnsupportedFileFormatError常见于扩展名不支持或系统未安装 libmagicWindows 需先pip install python-magic-bin否则内存字节类型识别会失败缺少处理依赖时抛出ImportError安装nexent[data_process]extra 即可。3.6 向量数据库集成SDK 提供企业级 Elasticsearch 向量检索封装sdk/nexent/vector_database/elasticsearch_core.py通过VectorDatabaseCore抽象基类sdk/nexent/vector_database/base.py定义统一向量库接口可平滑扩展其他后端DataMateCore即另一实现。完整部署与使用说明见 Vector Database Guide。初始化与索引管理from nexent.vector_database.elasticsearch_core import ElasticSearchCore vdb_core ElasticSearchCore( hosthttps://localhost:9200, api_keyyour_api_key, verify_certsFalse, ssl_show_warnFalse, ) vdb_core.create_index(my_documents) # 创建索引embedding_dim 可选 indices vdb_core.get_user_indices() # 列出用户索引 exists vdb_core.check_index_exists(my_documents) vdb_core.delete_index(my_documents)三种检索模式# 精确文本检索index_names 为索引名列表支持多索引 results vdb_core.accurate_search([my_documents], sample query, top_k5) # 语义向量检索必须传入 embedding 模型适配器 results vdb_core.semantic_search([my_documents], sample query, embedding_model, top_k5) # 混合检索weight_accurate 可选默认自动推断查询含数字倾向精确检索 0.7否则 0.3 results vdb_core.hybrid_search( [my_documents], sample query, embedding_model, top_k5, weight_accurate0.3 )向量由EmbeddingAdapter网关适配器生成见下一节。此外还支持批量写入vectorize_documentsbatch_size默认 64、按 URL/路径删除文档delete_documents、单块 CRUDcreate_chunk/update_chunk/delete_chunk以及get_indices_detail/get_documents_detail/count_documents等统计监控接口。环境部署方面文档给出了完整的 Docker 部署流程拉取elasticsearch:8.17.4镜像、docker network create elastic、重置 elastic 密码、复制http_ca.crt证书、创建 API Key 并验证并包含远程部署排障建议SSH 隧道端口转发ssh -L 9200:localhost:9200 userremote_server、防火墙放行 9200 端口、生产环境限制 CORS 与使用反向代理、vm.max_map_count过低时执行sudo sysctl -w vm.max_map_count262144。3.7 网关适配器架构AdapterRegistry这是 SDK 的模型接入核心LLM / Embedding / Rerank / VLM 模型统一通过AdapterRegistry以(factory, modality)二元组注册与解析传输层参数HTTP/WebSocket独立可配置。对应源码为 sdk/nexent/core/gateway/registry.py 与 sdk/nexent/core/gateway/transport.py。registry.py的实现要点register(factory, modality)作为类装饰器将适配器类注册到进程级单例_registrykey 为(factory.lower().strip(), modality)resolve(factory, modality)按二元组返回适配器类未注册时抛出带已注册列表的KeyError提供get_registry()单例访问与register_adapter()模块级便捷别名。transport.py提供与模态逻辑正交的传输层 MixinHttpTransportMixintransport_typehttp承载base_url/api_key/ssl_verify/timeoutHTTP 客户端按调用惰性创建与WebSocketTransportMixintransport_typewebsocket管理ws_url/auth_headers会话惰性建立、关闭幂等。适配器类通过多重继承同时获得模态抽象基类ABC与传输能力避免污染模态接口。已内置的适配器分布于 sdk/nexent/core/gateway/modalityLLMopenai、Embeddingdashscope/jina/openai/siliconflow、Rerankcohere/jina/openai、VLMdashscope/modelengine/openai。以向量库中的用法为例from nexent.core.gateway.model_context import EmbeddingContext from nexent.core.gateway.modality import OpenAICompatibleEmbeddingAdapter embedding_model OpenAICompatibleEmbeddingAdapter(EmbeddingContext( model_nameyour-embedding-model, base_urlhttps://your-embedding-api/v1/embeddings, api_keyyour_api_key, modalityembedding, factoryopenai, embedding_dim1024, ))3.8 记忆与 DreamingSDK 提供三层记忆架构Tenant / User / Agent 主动记忆工具 Dreaming 记忆整合sdk/nexent/memory/dreaming三层记忆租户级、用户级、Agent 级记忆分层存储配合StoreMemoryTool/SearchMemoryTool主动读写检索管线sdk/nexent/memory/retrieval 内含 MMR最大边际相关、时序衰减temporal_decay.py、分数融合score_fusion.py、Token 预算等机制Dreaming 记忆整合类似睡眠巩固机制对短期记忆进行提炼、评分与版本构建scoring.py、version_builder.py、service.py将重要信息沉淀为长期记忆外部记忆 Provider通过 sdk/nexent/memory/providers 的注册表机制接入 Mem0、AIDP 等外部记忆后端。3.9 内置 Benchmark 评估脚手架SDK 提供内置评估体系位于 sdk/benchmark包含agent_runner通用运行器、acon_eval与eventqa_eval评估脚手架以及面向通用对比的评估 harness可用于对 Agent 能力进行标准化评测与横向对比。四、模型服务架构统一的多模态模型服务覆盖完整模型类型详见 Model Architecture Guide类别说明LLMOpenAI 兼容模型、长上下文模型、Ollama/vLLM 本地部署VLMGPT-4V、Claude-3 等兼容模型支持 OCR、表格抽取、视觉推理EmbeddingJina / OpenAI 兼容 / DashScope / Siliconflow 多后端多模态嵌入额外提供get_multimodal_embeddingsRerank精排模型适配STT/TTSVolcano Engine、Aliyun 等实现Aliyun 基于 DashScope Realtime WebSocket模型治理能力包括ModelRetryConfigsdk/nexent/core/models/retry.py的指数退避重试max_attempts、backoff_base_seconds、max_backoff_seconds、jitter、可选 logprobs 透传、带 prompt 注入保护的元数据透传、租户级并发限制与超时配置concurrency_limit/timeout_seconds。所有配置均通过构造参数传入SDK 不直接读取环境变量——环境变量由服务层读取后统一注入这一点在模型、向量库等多个模块的文档中反复强调是 SDK 与业务层解耦的重要设计。五、Agent 可观测性OTLPSDK 内置基于 OpenTelemetry OTLP 的企业级可观测性Monitoring 文档可对接 Arize Phoenix、Langfuse、LangSmith、Grafana Tempo、Zipkin 等平台采用 OpenInference 语义约定llm.*/agent.*/retriever.*属性。核心环境变量包括ENABLE_TELEMETRY、MONITORING_PROVIDERotlp/phoenix/langfuse/langsmith/grafana/zipkin、OTEL_EXPORTER_OTLP_ENDPOINT等。业务侧在请求边界仅需绑定一次上下文SDK 会从运行时生命周期自动创建 Agent / LLM / Tool spanfrom nexent.monitor.agent_observability import AgentRunMetadata from utils.monitoring import monitoring_manager monitoring_manager.bind_agent_context(AgentRunMetadata( tenant_idtenant_id, user_iduser_id, agent_idagent_request.agent_id, conversation_idagent_request.conversation_id, queryagent_request.query, is_debugagent_request.is_debug, languagelanguage, ))未安装 OpenTelemetry 依赖pip install nexent基础包时监控自动优雅降级装饰器透传、上下文管理器返回 None业务代码零侵入pip install nexent[performance]可启用 OTLP。六、总结从 SDK 概览文档出发可以看到 Nexent 是一套围绕生产可用设计的 Agent SDK以 SmolAgents 为基座向上构建企业级框架以 asyncio 支撑分布式执行以AdapterRegistry统一模型接入以工具与多模态扩展能力边界以三层记忆 Dreaming 沉淀长期智能以 Elasticsearch 混合检索与 OTLP 可观测性满足规模化运营需求。建议的进一步阅读路径基本使用指南含 agent_run 流式核心特性详解Agent 框架与 ReAct 执行架构工具开发规范与完整工具清单数据处理指南向量数据库部署与检索指南模型架构指南Agent 可观测性OTLP赞分享AI AgentAI 应用后端前端大模型RAG【免费下载链接】nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.项目地址https://gitcode.com/gh_mirrors/ne/nexent点击查看免费下载相关推荐Nexent SDK 工具开发指南从零打造生产级 AI Agent 工具Nexent SDK 工具开发指南从零打造生产级 AI Agent 工具 导读 Nexent 是一个基于 Harness Engineering 原则、用于自AI AgentAI 应用后端前端大模型RAG7天实战从零构建生产级AI Agent的完整指南7天实战从零构建生产级AI Agent的完整指南 欢迎来到《7天实战从零构建生产级AI Agent的完整指南》本教程将帮助你掌握构建企业级AI Agent文档教程人工智能大模型AI Agenttwostreamfusion部署指南如何将训练好的模型应用到实际视频分析twostreamfusion部署指南如何将训练好的模型应用到实际视频分析 twostreamfusion是一个基于深度学习的视频动作识别框架它通过融合空间上一篇VitePress SSR 兼容性实战让主题组件与自定义代码安全通过服务端渲染下一篇Pocket Server未来路线图即将推出的10个激动人心功能预览 创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考