**[2026-10-01]** Выпущен LightAgent v0.11.0: добавлены опциональные сохраняемые динамические DAG для нескольких агентов, неизменяемые артефакты с публикацией только после проверки, восстановление с арендой и fencing, а также единый `SecurityContext` с правами, которые можно только сужать, и контролем одобрений.
- **[2026-08-15]** Выпущен LightAgent v0.10.0: представлен событийный Agent Runtime с сохраняемыми Sessions, асинхронным выполнением, Capability Registry и Policy, Inbox, Goals, Budgets, Jobs, дочерними агентами, сжатием контекста и поиском SQLite FTS5.
- **[2026-08-15]** Выпущен LightAgent v0.9.7: добавлен лёгкий Connector-контракт без зависимостей с офлайн-валидацией и примерами, усилены проверки безопасности Python executor, добавлена опциональная матрица безопасности Mem0 Graph и подготовлена стабилизация v1.0 с помощью перечня совместимости публичного API.
- **[2026-07-30]** Выпущен LightAgent v0.9.6: добавлены производственные сводки и экспорт Trace, детерминированная оценка, сохраняемое человеческое одобрение для инструментов, handoff и LightFlow, а также fail-closed допуск записей и аудит общей Graph Memory.
- **[2026-06-24]** LightAgent v0.9.0: добавлены сохраняемые checkpoint для LightFlow, resume/rerun, узлы утверждения, более ясные состояния шагов, trace-метаданные, шаблоны Guardrails, управление MemoryPolicy и прототип SharedMemoryPool.
- **[2026-06-14]** LightAgent v0.8.1: добавлены соглашения MemoryScope и фильтры MemoryPolicy по источнику, области и уровню доверия.
- **[2026-06-02]** LightAgent v0.8.0: представлен LightFlow для детерминированных многошаговых workflow.
История релизов доступна в [GitHub Releases](https://github.com/wanxingai/LightAgent/releases).
---
## ✨ Особенности
- **Легковесность и эффективность**: Модульный Python-фреймворк с открытым исходным кодом без LangChain и LlamaIndex, с целевыми зависимостями для моделей, MCP, памяти и трассировки.
- **Событийный runtime**: Необязательные постоянные сессии, воспроизведение событий, checkpoints, асинхронные вызовы, Capability и Policy, Inbox, Goals, Budgets, Jobs, субагенты, сжатие контекста и поиск SQLite FTS5.
- **Динамические DAG с проверкой**: LightDAG сохраняет изменения графа, параллельно выполняет независимые Workers и публикует неизменяемые артефакты только после проверки, заданной приложением.
- **Поддержка памяти** 🧠: поддержка пользовательской долгосрочной памяти для каждого пользователя, нативная поддержка модуля памяти `mem0`, позволяющая автоматически управлять персонализированной памятью пользователя в процессе диалога, делая агента более умным.
- **Автономное обучение** 📚️: каждый агент обладает способностью самостоятельно обучаться, а администраторы с соответствующими правами могут управлять каждым агентом.
- **Интеграция инструментов** 🛠️: поддержка пользовательских инструментов (`Tools`), автоматическая генерация инструментов, гибкое расширение для удовлетворения разнообразных потребностей.
- **Сложные цели** 🌳: встроенный модуль дерева мышления с рефлексией (ToT), поддержка декомпозиции сложных задач и многошагового вывода, повышение эффективности обработки задач.
- **Многослойное взаимодействие агентов** 🤖: более простая реализация многослойного взаимодействия агентов, встроенный LightSwarm для определения намерений и переноса задач, что позволяет более умно обрабатывать ввод пользователя и при необходимости передавать задачи другим агентам.
- **Автономное выполнение** 🤖: выполнение вызовов инструментов без человеческого вмешательства.
- **Поддержка множества моделей** 🔄: совместимость с OpenAI, ChatGLM от Zhipu, Baichuan и другим.
- **Потоковый API** 🌊: поддержка вывода сервисов API в потоковом формате OpenAI, бесшовная интеграция с основными чат-фреймворками, улучшение пользовательского опыта.
- **Генератор инструментов Tools** 🚀: просто передайте вашу документацию API [генератору инструментов Tools], и он автоматически создаст для вас индивидуальные инструменты, позволяя вам быстро создать сотни персонализированных инструментов всего за час, повысив производительность и освободив ваши творческие возможности.
- **Самообучение агентов** 🧠️: каждый агент обладает способностью запоминать информацию о сценах и самообучаться на основе разговоров с пользователями.
- **Адаптивный механизм инструментов** 🛠️: поддержка неограниченного количества инструментов, выбор кандидатов из десятков тысяч инструментов крупной моделью, фильтрация нерелевантных инструментов и передача контекста крупной модели, что может значительно снизить потребление токенов.
- **Оркестрация workflow** 🔁: LightFlow связывает агентов в детерминированные workflow с явными зависимостями, передачей результатов, повторами, checkpoint, resume/rerun, утверждениями, fallback-agent и трассировкой.
- **Прототип общей памяти** 🧠: SharedMemoryPool предоставляет общую память в памяти процесса с метаданными происхождения, выборкой по области и результатами, совместимыми с MemoryPolicy.
- **Шаблоны Guardrails** 🛡️: Переиспользуемые политики ввода, инструментов и вывода блокируют приватные данные, требуют подтверждения чувствительных инструментов, проверяют рискованные параметры и редактируют вывод.
- **Runtime Hooks** 🧩: Упорядоченное middleware `hooks=[...]` для наблюдения, замены или блокировки фаз run, модели, инструментов, памяти и шагов LightFlow.
- **Оценка и человеческая проверка** 📊: `LightEvaluator` запускает детерминированные регрессии; `HumanApprovalHook`, постоянные review-store и checkpoint LightFlow поддерживают одобрение, отклонение, изменение аргументов и feedback.
## 🧭 Архитектура кратко
| Слой | Основной API | Когда использовать |
| --- | --- | --- |
| Runtime одного агента | `LightAgent` | Один агент с моделью, инструментами, памятью, streaming, trace и guardrails. |
| Постоянное состояние runtime | `Session`, `AgentRuntime` | Воспроизведение событий, checkpoints, Inbox, Goals, Budgets, Jobs и восстановление контекста. |
| Слой возможностей | `CapabilityRegistry`, `PolicyEngine` | Провайдеры с ограниченной областью, политики, жизненный цикл и аудит. |
| Единый контекст безопасности | `SecurityContext`, `CapabilityGate`, `ApprovalToken` | Идентичность, только сужаемые права, авторизация и согласования конкретных операций. |
| Маршрутизация агентов | `LightSwarm` | Делегирование по ролям между специализированными агентами. |
| Детерминированный workflow | `LightFlow` | DAG, повторы, checkpoints, утверждения, resume и rerun. |
| Динамический проверяемый процесс | `LightDAG` | Динамическое разбиение, проверяющие модули, артефакты, параллельные Workers и восстановление. |
| Инструменты и интеграции | `tools`, `ToolRegistry`, MCP | Python-инструменты, генерация, runtime-загрузка или MCP-серверы. |
| Граница памяти | `MemoryPolicy`, `MemoryScope` | Изоляция tenants, происхождение, доверие, срок действия и допуск записи. |
| Общая память | `SharedMemoryPool` | Эксперименты общей памяти между агентами. |
| Безопасность | `input_guardrails`, `tool_guardrails`, `output_guardrails` | Приватность, подтверждение инструментов, рискованные параметры и редактирование вывода. |
| Runtime hooks | `hooks`, `HookContext`, `HookDecision` | Политики, аудит, редактирование, routing и изменение payload на границах жизненного цикла. |
| Наблюдаемость | `trace=True`, `agent.export_trace()` | Структурированные события run, модели, инструмента, ошибки и workflow. |
## Основные паттерны использования
LightAgent сохраняет простой путь вызова по умолчанию и позволяет постепенно добавлять production-контроль.
| Паттерн | Минимальный вызов | Примечания |
| --- | --- | --- |
| Базовый ответ | `agent.run(query)` | По умолчанию возвращает строку. |
| Streaming | `agent.run(query, stream=True)` | Возвращает OpenAI-совместимые chunks. |
| Структурированный результат | `agent.run(query, result_format="object")` | Возвращает контент и метаданные. |
| Trace | `agent.run(query, trace=True)` | Пишет события, не меняя строковый ответ по умолчанию. |
| Память пользователя | `agent.run(query, user_id="alice")` | Использует настроенный backend памяти и MemoryPolicy. |
| Инструменты | `LightAgent(..., tools=[fn])` | Функции должны иметь `tool_info`. |
| Guardrails | `LightAgent(..., input_guardrails=[...])` | Добавляет политики ввода, инструментов и вывода. |
| Runtime hooks | `LightAgent(..., hooks=[fn])` | Наблюдает, заменяет или блокирует payload жизненного цикла. |
| Workflow | `LightFlow().step(...).run(query)` | Для детерминированного многошагового выполнения. |
| Динамический процесс | `LightDAG(...).create_run(...)` | Предлагать задачи и проверять результаты перед публикацией. |
| Постоянная сессия | `agent.run(query, session_id="project-42")` | Для продолжения и воспроизведения нужен настроенный постоянный SessionStore. |
| Асинхронный вызов | `await agent.arun(query)` | Неблокирующая точка входа для приложений asyncio. |
## v0.11.0: Проверяемые динамические процессы
Используйте `LightSwarm` для маршрутизации по ролям, `LightFlow` для заранее известных этапов и опциональный `LightDAG`, если Workers должны предлагать новые задачи во время выполнения.
- `SqliteTaskGraphStore` сохраняет задачи, попытки, изменения графа, события и состояние восстановления. Независимые экземпляры Worker могут выполняться параллельно.
- Workers возвращают `TaskOutcome.candidate(...)`, `TaskOutcome.decompose(...)` или `TaskOutcome.blocked(...)`. Только заданный приложением Verifier может принять декомпозицию или опубликовать неизменяемые артефакты.
- Аренда и fencing отклоняют устаревшие попытки при восстановлении. `SecurityContext`, `CapabilityGate` и привязанный к операции `ApprovalToken` явно задают идентичность, только сужаемые права и одобрения.
### Офлайн-пример LightDAG
Модель, API-ключ и сеть не нужны. Пример использует временную базу SQLite и каталог артефактов и удаляет их при завершении.
```python
from pathlib import Path
from tempfile import TemporaryDirectory
from LightAgent import (
CallableVerifier, LightDAG, LocalArtifactStore, PermissionSet,
SecurityContext, SqliteTaskGraphStore, TaskOutcome, TaskSpec,
)
with TemporaryDirectory() as directory:
root = Path(directory)
store = SqliteTaskGraphStore(root / "dag.sqlite3")
try:
dag = LightDAG(
store=store,
artifact_store=LocalArtifactStore(root / "artifacts"),
verifiers={"exact": CallableVerifier(
"exact", lambda request: request.candidate_content == b"42",
)},
)
dag.register_worker("local", lambda context: TaskOutcome.candidate("42"))
dag.create_run([TaskSpec(
task_id="answer", goal="42",
acceptance_contract={"equals": "42"},
worker_key="local", verifier_key="exact",
)], run_id="readme-demo", context=SecurityContext(
user_id="alice", tenant_id="demo", project_id="readme",
permissions=PermissionSet(allowed=frozenset({"dag.task.execute"})),
))
result = dag.run("readme-demo")
assert result.success
print(result.status.value)
finally:
store.close()
```
Для постоянного хранения задайте явные пути вместо временных каталогов. Полный [пример декомпозиции и исправления](example/14.dynamic_dag.py) и [руководство LightDAG](docs/lightdag.md) описывают зависимости, интеграцию, повторы и восстановление.
Настройку постоянных сессий, асинхронных вызовов, Capability Providers, Policy, Inbox, Goals, Budgets и Jobs описывает [руководство по runtime](docs/runtime_v010.md).
### Совместимость и границы безопасности
- `agent.run(query)`, `stream=True` и `user_id` остаются доступными. LightDAG включается явно и не заменяет LightFlow.
- v0.11.0 работает на одном хосте с локальной SQLite и одним активным планировщиком на запуск. Семантика выполнения — как минимум один раз; внешние побочные эффекты требуют идемпотентности. Распределённые Workers, Web UI и встроенная песочница кода не входят в выпуск.
- Старые `execute_python_code`, `execute_python_file` и `execute_python_code_stream` заблокированы в вызовах инструментов моделью даже при `enable_unsafe_python=True` или зарегистрированном `SandboxProvider`. Используйте `safe_expression` либо действительно изолированный инструмент; прямой вызов утилит не является безопасной песочницей.
- Политики происхождения, допуска записи и продвижения памяти по-прежнему нужны. Тесты фреймворка не сертифицируют реальный общий графовый backend; см. [безопасность памяти](docs/memory_security.md).
### Опубликованный выпуск и текущий main
[v0.11.0](https://github.com/wanxingai/LightAgent/releases/tag/v0.11.0) опубликован 2026-10-01. Последующие исправления JSON выбора инструментов, MCP SDK 1.x/2.x и опциональный пример deed.page вошли в `main` после этого тега и могут отсутствовать в опубликованном пакете. Следующая команда устанавливает текущий `main`, а не исходный тег:
```bash
pip install --upgrade "git+https://github.com/wanxingai/LightAgent.git@main"
```
См. [Tools Guide](docs/tools.md), опциональный [адаптер Memcode](docs/memcode_memory_adapter.md), [пример deed.page](docs/deed_page_mcp.md) и [перечень совместимости публичного API](docs/public_api_compatibility.md). Эти внешние сервисы не обязательны для основного runtime.
## 📋 Документация
- По установке, моделям, инструментам, памяти, MCP, Skills, streaming и LightSwarm см. [FAQ](docs/FAQ.md).
- По детерминированным workflow, checkpoint, resume/rerun, утверждениям, fallback-agent и состояниям шагов см. [LightFlow](docs/lightflow.md).
- По пользовательским инструментам, ToolRegistry, ToolLoader, AsyncToolDispatcher и MCP см. [Tools Guide](docs/tools.md).
- По общей долговременной или графовой памяти см. [Memory Security Guidance](docs/memory_security.md).
- По SharedMemoryPool см. [SharedMemoryPool](docs/shared_memory_pool.md).
- По допуску записи памяти и срокам действия см. [Memory Admission And Mutation Controls](docs/memory_admission.md).
- По безопасности ввода, инструментов и вывода см. [Guardrails](docs/guardrails.md).
- По runtime middleware для наблюдения, замены или блокировки payload см. [Runtime Hooks](docs/runtime_hooks.md).
- По OpenRouter, локальным моделям и OpenAI-совместимым провайдерам см. [Model Provider Configuration](docs/model_providers.md).
- По структурированным trace см. [Trace Observability](docs/tracing.md).
- По детерминированным регрессиям см. [Evaluation Harness](docs/evaluation.md).
- По одобрению tools/handoff, постоянной проверке и feedback см. [Human Review](docs/human_review.md).
## План развития
Выполненные этапы и дальнейшие планы приведены в [плане развития](roadmap.md). Inbox, Jobs и субагенты уже доступны в необязательном runtime.
## 🌟 Почему выбирают LightAgent?
- **Открытый и бесплатный** 💖: полностью открытый, управляемый сообществом, регулярно обновляемый, все желающие могут внести свой вклад!
- **Легкость в освоении** 🎯: подробная документация, множество примеров, быстрое освоение, простая интеграция в ваши проекты.
- **Поддержка сообщества** 👥: активное сообщество разработчиков, готовое помочь и ответить на вопросы.
- **Высокая производительность** ⚡: оптимизированный дизайн, высокая эффективность, удовлетворяющая требования к высокой конкуренции.
---
## 🛠️ Быстрый старт
### Установка последней версии LightAgent
```bash
pip install lightagent
```
(Опционально установите пакет Mem0):
```bash
pip install mem0ai
```
Или вы можете использовать Mem0 в облачной стороне, кликнув [здесь](https://www.mem0.ai/).
### Пример кода Hello world
```python
from LightAgent import LightAgent
# Инициализация агента
agent = LightAgent(model="gpt-4o-mini", api_key="your_api_key", base_url= "your_base_url")
# Запуск агента
response = agent.run("Привет, кто ты?")
print(response)
```
### Проверка trace выполнения (v0.7.0)
Trace включается явно и сохраняет совместимость поведения `agent.run()` по умолчанию.
```python
from LightAgent import LightAgent
agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")
result = agent.run("Hello, who are you?", result_format="object", trace=True)
print(result.content)
print(result.trace_id)
print(result.trace)
for event in agent.export_trace():
print(event["type"], event["data"])
```
### Checkpoint выполнения LightFlow (v0.9.0)
`LightFlow` может сохранять checkpoint workflow и продолжать неудачный запуск не с первого шага.
```python
from LightAgent import JsonLightFlowStore, LightAgent, LightFlow
research_agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")
writer_agent = LightAgent(model="gpt-4.1", api_key="your_api_key", base_url="your_base_url")
store = JsonLightFlowStore(".lightflow_runs")
flow = (
LightFlow(store=store)
.step("research", agent=research_agent, timeout=30)
.step("write", agent=writer_agent, depends_on=["research"], max_retry=2)
)
result = flow.run("Analyze this company", run_id="report-001", trace=True)
if not result.success:
result = flow.resume("report-001")
print(result.status)
print(flow.get_run("report-001")["steps"])
```
### Использование SharedMemoryPool (v0.9.0)
`SharedMemoryPool` — легкий in-memory прототип для экспериментов с общей памятью между агентами.
```python
from LightAgent import LightAgent, MemoryPolicy, SharedMemoryPool
shared_memory = SharedMemoryPool(agent_name="writer")
agent = LightAgent(
name="writer",
model="gpt-4.1",
api_key="your_api_key",
base_url="your_base_url",
memory=shared_memory,
memory_policy=MemoryPolicy(
namespace="tenant-a",
allow_unattributed_results=False,
allowed_sources=("user",),
allowed_scopes=("user",),
),
)
agent.run("Remember that I prefer concise reports.", user_id="alice")
print(shared_memory.list_records(user_id="tenant-a:alice"))
```
### Установка самосознания модели через системные подсказки
```python
from LightAgent import LightAgent
# Инициализация агента
agent = LightAgent(
role="Пожалуйста, помните, что вы - LightAgent, полезный помощник, который может помочь пользователям с использованием нескольких инструментов.", # Описание системной роли
model="deepseek-chat", # Поддерживаемые модели: openai, chatglm, deepseek, qwen и т.д.
api_key="your_api_key", # Замените на ключ API вашего провайдера крупной модели
base_url="your_base_url", # Замените на URL API вашего провайдера крупной модели
)
# Запуск агента
response = agent.run("Кто ты?")
print(response)
```
### Пример кода использования инструмента
```python
from LightAgent import LightAgent
# Определение инструмента
def get_weather(city_name: str) -> str:
"""
Получить текущую погоду для `city_name`
"""
return f"Результат запроса: Погода в {city_name} солнечная"
# Определить информацию о инструменте внутри функции
get_weather.tool_info = {
"tool_name": "get_weather",
"tool_description": "Получите текущую информацию о погоде в заданном городе",
"tool_params": [
{"name": "city_name", "description": "Название города для запроса", "type": "string", "required": True},
]
}
tools = [get_weather]
# Инициализация агента
agent = LightAgent(model="qwen-turbo-2024-11-01", api_key="your_api_key", base_url= "your_base_url", tools=tools)
# Запуск агента
response = agent.run("Пожалуйста, проверьте погоду в Шанхае")
print(response)
```
Поддерживает настройку неограниченного количества инструментов.
Примеры нескольких инструментов: tools = [search_news,get_weather,get_stock_realtime_data,get_stock_kline_data]
---
## Подробное описание функций
README сохраняет основную модель использования; длинные примеры, настройка адаптеров и production-практики находятся в отдельных документах.
### 1. Съемный модуль памяти (`mem0`)
LightAgent принимает любой backend памяти с `store(data, user_id)` и `retrieve(query, user_id)`. Используйте `user_id` для изоляции диалогов и `MemoryPolicy` для общей памяти.
### 2. Интеграция инструментов
Python-функции с метаданными `tool_info` открывают контролируемые возможности агенту. ToolRegistry, ToolLoader, AsyncToolDispatcher и MCP описаны в [Tools Guide](docs/tools.md).
### 3. Генератор инструментов
`agent.create_tool()` может генерировать код инструментов из API-документации или естественного описания. Перед production выполните review и тесты.
### 4. Дерево мышления (ToT)
Включайте `tree_of_thought=True`, когда нужны явное планирование, рефлексия и выбор инструментов.
### 5. Совместная работа агентов
`LightSwarm` делегирует работу между специализированными агентами. Роли должны быть узкими, а записи памяти контролироваться политиками.
### 6. Streaming API
`agent.run(query, stream=True)` возвращает OpenAI-совместимые chunks для chat UI и длинных ответов.
### 7. Самообучение агента
Самообучение следует сочетать с `MemoryPolicy`, чтобы не сохранять приватный, устаревший или нерелевантный контент.
### 8. Trace и Langfuse
LightAgent позволяет наблюдать выполнение через встроенный trace или Langfuse.
### 9. Оценка агентов
`LightEvaluator` измеряет вывод, выбор инструментов, события политик, восстановление, задержку, usage и оценочную стоимость.
### 10. Workflow LightFlow
`LightFlow` — детерминированный workflow-слой для выполнения известных шагов.
- Состояния шагов: `pending`, `running`, `success`, `failed`, `skipped`, `waiting_approval`.
- Проверка DAG: `flow.validate(strict=True)`.
- Управление шагом: `timeout`, `max_retry`, `cancel_if`, `fallback_agent`, `requires_approval`, `approval_handler`.
- Сохранение и восстановление: `JsonLightFlowStore`, `flow.resume(run_id)`, `flow.rerun_step(run_id, step_name)`, `flow.get_run(run_id)`, `flow.list_runs()`.
См. [LightFlow](docs/lightflow.md).
### 11. Guardrails
Guardrails — легкие hooks для проверки ввода, вызовов инструментов и вывода.
```python
from LightAgent import (
LightAgent,
high_risk_parameter_guardrail,
output_redaction_guardrail,
privacy_input_guardrail,
sensitive_tool_confirmation_guardrail,
)
agent = LightAgent(
model="gpt-4.1",
api_key="your_api_key",
base_url="your_base_url",
input_guardrails=[privacy_input_guardrail()],
tool_guardrails=[
sensitive_tool_confirmation_guardrail(["transfer_money"], approved=False),
high_risk_parameter_guardrail({"amount": lambda value: float(value) <= 1000}),
],
output_guardrails=[output_redaction_guardrail()],
)
```
См. [Guardrails](docs/guardrails.md).
### 12. SharedMemoryPool
`SharedMemoryPool` — in-memory прототип общей памяти между агентами, используйте его вместе с `MemoryPolicy`.
## Поддержка основных моделей агентств
LightAgent работает с OpenAI-совместимыми chat completion endpoint: OpenAI, OpenRouter, Zhipu ChatGLM, DeepSeek, Qwen, StepFun, Moonshot/Kimi, MiniMax, vLLM, llama.cpp, Ollama и собственные gateways.
For provider-specific parameters, base URLs, local model setup, and troubleshooting, see [Model Provider Configuration](docs/model_providers.md).
## Сценарии использования
- **Умный клиент**: Обеспечение эффективной поддержки клиентов через многоуровневое взаимодействие и интеграцию инструментов.
- **Анализ данных**: Использование дерева мышления и многослойного взаимодействия для обработки сложных задач анализа данных.
- **Автоматизация инструментов**: Быстрое создание индивидуальных инструментов через автоматическую генерацию.
- **Учебная помощь**: Обеспечение персонализированного опыта обучения с помощью модуля памяти и потокового API.
---
## 🛠️ Рекомендации по вкладу
Мы приветствуем любую форму вклада! Будь то код, документация, тестирование или обратная связь - всё это огромная помощь проекту. Если у вас есть хорошие идеи или вы нашли ошибку, пожалуйста, подайте заявку или Pull Request. Вот шаги по вкладке:
1. **Сделайте форк проекта**: нажмите кнопку `Fork` в правом верхнем углу, чтобы скопировать проект в ваш репозиторий GitHub.
2. **Создайте ветвь**: создайте вашу разработческую ветвь локально:
```bash
git checkout -b feature/YourFeature
```
3. **Подайте измененные данные**: после завершения разработки подайте ваши изменения:
```bash
git commit -m 'Добавление новой функции'
```
4. **Отправьте ветвь**: отправьте ветвь в ваш удалённый репозиторий:
```bash
git push origin feature/YourFeature
```
5. **Подайте Pull Request**: в GitHub подайте Pull Request с описанием ваших изменений.
Мы проверим ваш вклад как можно быстрее, спасибо за поддержку!❤️
---
## 🙏 Благодарности
Разработка и реализация LightAgent стали возможны благодаря вдохновению и поддержке следующих открытых проектов, особенно благодарим эти замечательные проекты и команды:
- **mem0**: Спасибо [mem0](https://github.com/mem0ai/mem0) за предоставление модуля памяти, который стал важным элементом управления контекстом для LightAgent.
- **Swarm**: Спасибо [Swarm](https://github.com/openai/swarm) за идеи по многослойному взаимодействию агентов, которые стали основой функций LightAgent.
- **ChatGLM3**: Спасибо [ChatGLM3](https://github.com/THUDM/ChatGLM3) за поддержку высокопроизводительных китайских моделей и идеи по проектированию.
- **Qwen**: Спасибо [Qwen](https://github.com/QwenLM/Qwen) за поддержку высокопроизводительных китайских моделей.
- **DeepSeek-V3**: Спасибо [DeepSeek-V3](https://github.com/deepseek-ai/DeepSeek-V3) за поддержку высокопроизводительных китайских моделей.
- **Серия шагов**: Спасибо [step](https://www.stepfun.com/) за поддержку высокопроизводительных китайских моделей.
---
## 📄 Лицензия
LightAgent лицензирован под [Apache 2.0 лицензией](LICENSE). Вы можете свободно использовать, изменять и распространять этот проект, но пожалуйста, соблюдайте условия лицензии.
---
## 📬 Свяжитесь с нами
Если у вас есть вопросы или предложения, команда всегда открыта для контакта:
- **Электронная почта**: service@wanxingai.com
- **GitHub Issues**：[https://github.com/wanxingai/LightAgent/issues](https://github.com/wanxingai/LightAgent/issues)
Мы ждём ваших отзывов, чтобы вместе сделать LightAgent ещё сильнее!🚀
---
LightAgent - сделаем интеллект легче, а будущее проще. 🌈
**LightAgent** — легковесная, гибкая, мощная активная платформа агента, помогающая вам быстро разрабатывать интеллектуальные приложения!