**[2026-10-01]** LightAgent v0.11.0 正式發布：新增可選的持久化動態 DAG 多 Agent 執行、驗證通過後才發布的不可變成果、可恢復租約與 fencing，以及統一且只能收窄權限的 `SecurityContext`、能力與審批控制。
- **[2026-08-15]** LightAgent v0.10.0 正式發布：新增事件溯源 Agent Runtime，支援持久化 Session、非同步執行、Capability Registry 與 Policy、Inbox、Goals、Budgets、Jobs、子 Agent、內容壓縮與 SQLite FTS5 檢索。
- **[2026-08-15]** LightAgent v0.9.7 正式發布：新增輕量、零依賴的 Connector 契約及離線驗證與範例，強化 Python 執行器安全檢查，補充可選的 Mem0 Graph 安全驗證矩陣，並透過公共 API 相容性清單為 v1.0 穩定化做準備。
- **[2026-07-30]** LightAgent v0.9.6 正式發布：新增生產級 Trace 彙總與匯出、確定性評測、工具、handoff 與 LightFlow 的可持久化人工審批，以及共享 Graph Memory 的 fail-closed 寫入准入與稽核控制。
- **[2026-06-24]** LightAgent v0.9.0 開發版：新增可持久化 LightFlow checkpoint、resume/rerun、審批節點、更清楚的步驟狀態與 trace metadata，並補充 Guardrails 範本、MemoryPolicy 控制與 SharedMemoryPool 原型。
- **[2026-06-14]** LightAgent v0.8.1 開發版：新增 MemoryScope metadata 約定、MemoryPolicy 來源/範圍/可信度過濾，並說明 Trace、使用者記憶、自我反思記憶與 LightSwarm 委派狀態的邊界。
- **[2026-06-02]** LightAgent v0.8.0 開發版：新增 LightFlow 工作流程編排，支援確定性多步驟 Agent 執行、DAG 依賴、步驟輸出傳遞、重試與 flow trace 事件。
歷史版本說明請查看 [GitHub Releases](https://github.com/wanxingai/LightAgent/releases)。
---
## ✨ 特性
- **輕量高效**：模組化、完全開源的 Python 框架，不依賴 LangChain 或 LlamaIndex，模型、MCP、記憶與追蹤採用對應的依賴套件。
- **事件溯源 Runtime**：可選的持久化 Session、回放、checkpoint、非同步呼叫、Capability 與 Policy、Inbox、Goals、Budgets、Jobs、子 Agent、上下文壓縮及 SQLite FTS5 檢索。
- **Runtime Hooks**：透過有序 `hooks=[...]` 中介層觀察、替換或阻斷執行、模型、工具、記憶、handoff 與 LightFlow 步驟；安全策略可使用 `PolicyHook` 在錯誤或逾時時拒絕放行。
- **動態驗證 DAG**：LightDAG 持久化圖變更，並行執行獨立 Worker，僅在應用指定的驗證通過後才發布不可變成果。
- **記憶支持** 🧠：支持為每個用戶自定義長期記憶，原生支持 `mem0` 記憶模塊，實現對話過程中自動管理用戶個性化記憶，讓 Agent 更智能。
- **自主學習** 📚️：每個 agent 擁有自主學習能力，並且擁有權限的管理員可以管理每個 agent。
- **工具集成** 🛠️：支持自定義工具（`Tools`），自動化工具生成，靈活擴展，滿足多樣化需求。
- **複雜目標** 🌳：內置帶反思的思維樹（ToT）模塊，支持複雜任務分解和多步推理，提升任務處理能力。
- **多智能體協同** 🤖：比Swarm更簡單實現的多智能體協同工作，內置LightSwarm實現意圖判斷和任務轉移功能，能夠更智能地處理用戶輸入，並根據需要將任務轉移給其他代理。
- **獨立執行** 🤖：無人為干預自主完成任務工具調用。
- **多模型支持** 🔄：兼容 OpenAI、智譜 ChatGLM、百川大模型、StepFun、DeepSeek、Qwen 系列大模型。
- **流式 API** 🌊：支持 OpenAI 流格式 API 服務輸出，無縫接入主流 Chat 框架，提升用戶體驗。
- **Tools工具生成器** 🚀：只需將您的 API 文檔交給[Tools工具生成器]，它將自動化地為您打造專屬的 tools，助您在短短1小時內快速構建數百個個性化的自定義工具，提高效率，釋放您的創新潛能。
- **agent 自我學習** 🧠️：每個 agent 擁有自己的場景記憶能力，擁有從用戶的對話中進行自我學習能力。
- **自適應 tools 機制** 🛠️：支持添加無限量 tools，在上萬個工具中讓大模型先選取候選工具集合，過濾無關工具後再提交上下文給大模型，可大幅度降低 Token 消耗。
- **工作流程編排** 🔁：LightFlow 將多個 Agent 編排為確定性多步驟工作流程，支援顯式依賴、步驟輸出、重試、checkpoint、resume/rerun、審批節點、fallback agent 與可追蹤執行。
- **共享記憶原型** 🧠：SharedMemoryPool 提供帶來源 metadata 與範圍檢索的追加式記憶，適合多 Agent 實驗。
- **Guardrails 範本** 🛡️：可重用的輸入、工具與輸出安全策略，可用於隱私攔截、敏感工具確認、高風險參數校驗與輸出脫敏。
- **評測與人工審核** 📊：`LightEvaluator` 提供確定性回歸評測；`HumanApprovalHook`、可持久化 review store 與 LightFlow checkpoint 支援高風險操作的批准、拒絕、參數編輯和回饋。
## 🧭 架構速覽
| 層級 | 主要 API | 適用場景 |
| --- | --- | --- |
| 單 Agent 執行時 | `LightAgent` | 一個 Agent 的模型呼叫、工具、記憶、串流輸出、trace 和 guardrails。 |
| 持久化執行狀態 | `Session`、`AgentRuntime` | 事件回放、checkpoint、Inbox、Goals、Budgets、Jobs 與上下文恢復。 |
| 能力層 | `CapabilityRegistry`、`PolicyEngine` | 範圍受限的 Provider、策略、生命週期與稽核。 |
| 統一安全上下文 | `SecurityContext`、`CapabilityGate`、`ApprovalToken` | 身分、只能收窄的權限、授權與綁定操作的審批。 |
| 多 Agent 路由 | `LightSwarm` | 在多個專業 Agent 之間進行角色化委派。 |
| 確定性工作流程 | `LightFlow` | DAG 工作流程、重試、checkpoint、審批、resume 和 rerun。 |
| 動態驗證工作流程 | `LightDAG` | 動態拆解、Verifier、成果、並行 Worker 與恢復。 |
| 工具與整合 | `tools`、`ToolRegistry`、MCP | Python 工具、生成工具、執行時載入工具或 MCP 工具服務。 |
| Runtime Hooks | `hooks`、`HookContext`、`HookDecision` | 在生命週期邊界實施策略、稽核、遮蔽與 payload 改寫。 |
| 記憶邊界 | `MemoryPolicy`、`MemoryScope` | 租戶隔離、來源、可信度、過期和寫入准入控制。 |
| 共享記憶原型 | `SharedMemoryPool` | 多 Agent 共享記憶實驗。 |
| 安全控制 | `input_guardrails`、`tool_guardrails`、`output_guardrails` | 隱私攔截、敏感工具確認、高風險參數校驗和輸出脫敏。 |
| 可觀測性 | `trace=True`、`agent.export_trace()` | 結構化執行、模型、工具、錯誤和工作流程事件。 |
## 核心使用模式
LightAgent 保持預設呼叫路徑簡單，同時允許逐步加入生產級控制。
| 模式 | 最小呼叫 | 說明 |
| --- | --- | --- |
| 基礎回應 | `agent.run(query)` | 預設回傳字串。 |
| 串流輸出 | `agent.run(query, stream=True)` | 回傳 OpenAI 相容的串流 chunk。 |
| 結構化結果 | `agent.run(query, result_format="object")` | 回傳內容與結構化 metadata。 |
| Trace | `agent.run(query, trace=True)` | 記錄事件，不改變預設字串回傳。 |
| 使用者記憶 | `agent.run(query, user_id="alice")` | 使用設定的記憶後端與 MemoryPolicy。 |
| 工具 | `LightAgent(..., tools=[fn])` | 函式應提供 `tool_info` metadata。 |
| Guardrails | `LightAgent(..., input_guardrails=[...])` | 為 Agent 加入輸入、工具與輸出策略。 |
| 工作流程 | `LightFlow().step(...).run(query)` | 用於確定性多步驟執行。 |
| Runtime Hooks | `LightAgent(..., hooks=[fn])` | 觀察、替換或阻斷生命週期 payload。 |
| 動態工作流程 | `LightDAG(...).create_run(...)` | 動態提出任務，發布前先驗證成果。 |
| 持久化 Session | `agent.run(query, session_id="project-42")` | 需設定持久化 SessionStore 才能延續與回放。 |
| 非同步呼叫 | `await agent.arun(query)` | 避免阻塞 asyncio 應用。 |
## v0.11.0：動態驗證工作流程
角色化路由使用 `LightSwarm`，已知步驟的流程使用 `LightFlow`；需要 Worker 在執行期間提出新任務時，選擇明確啟用的 `LightDAG`。
- `SqliteTaskGraphStore` 保存任務、嘗試、圖變更、事件與恢復狀態；獨立 Worker 實例可並行執行。
- Worker 只能提交 `TaskOutcome.candidate(...)`、`TaskOutcome.decompose(...)` 或 `TaskOutcome.blocked(...)`。拆解與不可變成果的發布必須由應用固定的 Verifier 審核。
- 租約與 fencing 在重啟恢復時拒絕過期嘗試。`SecurityContext`、`CapabilityGate` 與綁定特定操作的 `ApprovalToken` 明確承載身分、只能收窄的權限與審批資訊。
### 離線 LightDAG 範例
不需要模型、API Key 或網路。範例使用暫存 SQLite 資料庫與成果目錄，結束時清理。
```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()
```
需要持久化時，應使用固定的資料庫與成果路徑，而非暫存目錄。完整的[動態拆解與修復範例](example/14.dynamic_dag.py)及 [LightDAG 指南](docs/lightdag.md)涵蓋依賴、整合、重試與恢復。
持久化 Session、非同步呼叫、Capability Provider、Policy、Inbox、Goals、Budgets 與 Jobs 的設定請查看 [Runtime 指南](docs/runtime_v010.md)。
### 相容性與安全邊界
- 原有 `agent.run(query)`、`stream=True` 與 `user_id` 繼續可用。LightDAG 需要明確啟用，不取代 LightFlow。
- v0.11.0 採用單機、本地 SQLite、每次執行一個活動排程器的範圍。執行語義為至少一次，外部副作用須自行確保冪等；本版不包含分散式 Worker、Web UI 或內建程式碼沙箱。
- 即使設定 `enable_unsafe_python=True` 或註冊 `SandboxProvider`，舊的 `execute_python_code`、`execute_python_file`、`execute_python_code_stream` 也不能由模型或工具排程器執行。應使用 `safe_expression` 或真正隔離的自訂工具；可信應用直接呼叫舊工具並不等於安全沙箱。
- 記憶仍須設定來源、寫入准入與提升策略。框架回歸測試不等於真實共享圖記憶後端的安全認證，詳見[記憶安全邊界](docs/memory_security.md)。
### 已發布版本與目前 main
[v0.11.0](https://github.com/wanxingai/LightAgent/releases/tag/v0.11.0) 於 2026-10-01 發布。工具篩選 JSON、MCP SDK 1.x/2.x 與可選 deed.page 範例的後續修復，是在該 tag 之後合入 `main` 的，已安裝的發布套件不一定包含。以下命令安裝目前 `main`，不是原始發布 tag：
```bash
pip install --upgrade "git+https://github.com/wanxingai/LightAgent.git@main"
```
更多內容見 [Tools Guide](docs/tools.md)、可選 [Memcode 配接器](docs/memcode_memory_adapter.md)、[deed.page 範例](docs/deed_page_mcp.md)與[公共 API 相容性清單](docs/public_api_compatibility.md)。這些範例不要求核心執行環境接入對應外部服務。
## 📋 文件
- 常見安裝、模型、工具、記憶、MCP、Skills、串流輸出與 LightSwarm 問題，請查看 [FAQ](docs/FAQ.md)。
- 確定性多步驟工作流程、checkpoint、resume/rerun、審批節點、fallback agent 與步驟狀態，請查看 [LightFlow](docs/lightflow.md)。
- 自訂工具、執行時工具、ToolRegistry、ToolLoader、AsyncToolDispatcher 與 MCP 工具整合，請查看 [Tools Guide](docs/tools.md)。
- 共享長期記憶或圖記憶部署，請查看 [Memory Security Guidance](docs/memory_security.md)。
- SharedMemoryPool 原型請查看 [SharedMemoryPool](docs/shared_memory_pool.md)。
- 記憶寫入准入、過期檢索與低品質寫入攔截，請查看 [Memory Admission And Mutation Controls](docs/memory_admission.md)。
- 輸入、工具與輸出安全策略，請查看 [Guardrails](docs/guardrails.md)。
- 生命週期中介層與安全策略，請查看 [Runtime Hooks](docs/runtime_hooks.md)。
- OpenRouter、本地模型與 OpenAI 相容設定，請查看 [Model Provider Configuration](docs/model_providers.md)。
- Trace 可觀測能力請查看 [Trace Observability](docs/tracing.md)。
- 確定性回歸評測請查看 [Evaluation Harness](docs/evaluation.md)。
- 工具/handoff 審核、持久化 LightFlow 審批與回饋請查看 [Human Review](docs/human_review.md)。
## 路線圖
已交付能力與後續計畫請查看[路線圖](roadmap.md)。Inbox、Jobs 與子 Agent 已包含在可選 Runtime 中。
## 🌟 為什麼選擇 LightAgent？
- **開源免費** 💖：完全開源，社區驅動，持續更新，歡迎貢獻！
- **易於上手** 🎯：文檔詳盡，示例豐富，快速上手，輕鬆集成到您的項目中。
- **社區支持** 👥：活躍的開發者社區，隨時為您提供幫助和解答。
- **高性能** ⚡：優化設計，高效運行，滿足高並發場景需求。
---
## 🛠️ 快速開始
### 安裝 LightAgent 最新版本
```bash
pip install lightagent
```
（可選安裝）通過 pip 安裝 Mem0 包：
```bash
pip install mem0ai
```
或者，您可以通過一鍵點擊在托管平台上使用 Mem0，[點擊這裡](https://www.mem0.ai/)。
### Hello world 示例代碼
```python
from LightAgent import LightAgent
# 初始化 Agent
agent = LightAgent(model="gpt-4o-mini", api_key="your_api_key", base_url= "your_base_url")
# 運行 Agent
response = agent.run("你好，你是誰？")
print(response)
```
### 查看執行 Trace（v0.7.0）
Trace 預設關閉，需要顯式傳入 `trace=True`，不會改變原有 `agent.run()` 預設回傳字串的相容行為。
```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 一個 LightFlow 執行（v0.9.0）
`LightFlow` 可以持久化 workflow checkpoint，並在失敗後從上次 checkpoint 繼續執行。
```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"])
```
### 使用 SharedMemoryPool（v0.9.0）
`SharedMemoryPool` 是面向多 Agent 共享記憶實驗的輕量記憶體原型。
```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"))
```
### 透過 system 提示詞設定模型自我認知
```python
from LightAgent import LightAgent
# 初始化 Agent
agent = LightAgent(
role="請記住你是 LightAgent，一個可以幫助用戶完成多工具使用的有用助手。", # system 角色描述
model="deepseek-chat", # 支持的模型：openai, chatglm, deepseek, qwen 等
api_key="your_api_key", # 替換為你的大模型服務商 API Key
base_url="your_base_url", # 替換為你的大模型服務商 api url
)
# 運行 Agent
response = agent.run("請問你是誰？")
print(response)
```
### 使用工具示例代碼
```python
from LightAgent import LightAgent
# 定義工具
def get_weather(city_name: str) -> str:
"""
獲取 `city_name` 的當前天氣
"""
return f"查詢結果: {city_name} 天氣晴"
# 在函數內部定義工具信息
get_weather.tool_info = {
"tool_name": "get_weather",
"tool_description": "獲取指定城市的當前天氣信息",
"tool_params": [
{"name": "city_name", "description": "要查詢的城市名稱", "type": "string", "required": True},
]
}
tools = [get_weather]
# 初始化 Agent
agent = LightAgent(model="qwen-turbo-2024-11-01", api_key="your_api_key", base_url= "your_base_url", tools=tools)
# 運行 Agent
response = agent.run("請幫我查詢一下上海的天氣情況")
print(response)
```
支持自定義無限數量的工具。
多個工具示例： tools = [search_news,get_weather,get_stock_realtime_data,get_stock_kline_data]
---
## 功能詳解
README 保留核心使用模型；更長的示例、適配器設定與生產實踐放在專門文件中。
### 1. 可拆卸記憶模組（`mem0`）
LightAgent 接受任何提供 `store(data, user_id)` 和 `retrieve(query, user_id)` 的記憶後端。使用 `user_id` 隔離對話；當記憶跨使用者、租戶、Agent 或 trace 共享時，應設定 `MemoryPolicy`。
### 2. 工具整合
使用帶 `tool_info` metadata 的 Python 函式向 Agent 暴露受控能力。進階執行時工具、ToolRegistry、ToolLoader、AsyncToolDispatcher 與 MCP 請查看 [Tools Guide](docs/tools.md)。
### 3. Tools 工具生成器
`agent.create_tool()` 可以根據 API 文件或自然語言描述生成工具程式碼。生成工具應放在可審查的 tools 目錄中，並在生產使用前測試。
### 4. 思維樹（ToT）
當任務需要顯式規劃、反思和多工具選擇時，啟用 `tree_of_thought=True`。
### 5. 多智能體協同
`LightSwarm` 用於在專業 Agent 之間進行角色化委派。保持每個 Agent 角色清楚，並用記憶策略約束跨 Agent 記憶寫入。
### 6. 串流 API
`agent.run(query, stream=True)` 回傳 OpenAI 相容串流 chunk，適合聊天 UI 與長輸出。
### 7. Agent 自我學習
自我學習應與記憶後端和 `MemoryPolicy` 配合使用，避免低品質、隱私、過期或無關內容進入長期記憶。
### 8. Trace 與 Langfuse
LightAgent 可透過內建 trace 或 Langfuse 設定觀察執行過程。
### 9. Agent 測評
`LightEvaluator` 可根據輸出、工具、策略事件、恢復、延遲與成本評估 Agent 行為。
### 10. LightFlow 工作流程
`LightFlow` 是確定性工作流程層，適合讓任務按已知步驟執行，而不是完全依賴自由形式規劃。
- 步驟狀態：`pending`、`running`、`success`、`failed`、`skipped`、`waiting_approval`。
- DAG 校驗：`flow.validate(strict=True)`。
- 步驟控制：`timeout`、`max_retry`、`cancel_if`、`fallback_agent`、`requires_approval`、`approval_handler`。
- 持久化與恢復：`JsonLightFlowStore`、`flow.resume(run_id)`、`flow.rerun_step(run_id, step_name)`、`flow.get_run(run_id)`、`flow.list_runs()`。
請查看 [LightFlow](docs/lightflow.md)。
### 11. Guardrails
Guardrails 是圍繞 Agent 執行的輕量策略鉤子：輸入策略檢查使用者問題，工具策略檢查工具呼叫，輸出策略檢查或脫敏最終輸出。
```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()],
)
```
請查看 [Guardrails](docs/guardrails.md)。
### 12. SharedMemoryPool
`SharedMemoryPool` 是多 Agent 共享記憶實驗的記憶體原型，建議與 `MemoryPolicy` 配合控制 namespace、source、scope、trust、confidence 和 agent name。
## 主流 Agent 模型支持
LightAgent 相容 OpenAI 風格 chat completion endpoint，包括 OpenAI、OpenRouter、智譜 ChatGLM、DeepSeek、Qwen、StepFun、Moonshot/Kimi、MiniMax、vLLM、llama.cpp、Ollama 相容介面和自託管閘道。
For provider-specific parameters, base URLs, local model setup, and troubleshooting, see [Model Provider Configuration](docs/model_providers.md).
## 使用場景
- **智能客服**：通過多輪對話和工具集成，提供高效的客戶支持。
- **數據分析**：利用思維樹和多智能體協同，處理複雜的數據分析任務。
- **自動化工具**：通過自動化工具生成，快速構建定制化工具。
- **教育輔助**：通過記憶模塊和流式 API，提供個性化的學習體驗。
---
## 🛠️ 貢獻指南
我們歡迎任何形式的貢獻！無論是代碼、文檔、測試還是反饋，都是對項目的巨大幫助。如果您有好的想法或發現 Bug，請提交 Issue 或 Pull Request。以下是貢獻步驟：
1. **Fork 本項目**：點擊右上角的 `Fork` 按鈕，將項目複製到您的 GitHub 倉庫。
2. **創建分支**：在本地創建您的開發分支：
```bash
git checkout -b feature/YourFeature
```
3. **提交更改**：完成開發後，提交您的更改：
```bash
git commit -m 'Add some feature'
```
4. **推送分支**：將分支推送到您的遠程倉庫：
```bash
git push origin feature/YourFeature
```
5. **提交 Pull Request**：在 GitHub 上提交 Pull Request，並描述您的更改內容。
我們會在第一時間審核您的貢獻，感謝您的支持！❤️
---
## 🙏 致謝
LightAgent 的開發和實現離不开以下開源項目的啟發和支持，特別感謝這些優秀的項目和團隊：
- **mem0**：感謝 [mem0](https://github.com/mem0ai/mem0) 提供的記憶模塊，為 LightAgent 的上下文管理提供了強大支持。
- **Swarm**：感謝 [Swarm](https://github.com/openai/swarm) 提供的多智能體協同設計思路，為 LightAgent 的多智能體功能奠定了基礎。
- **ChatGLM3**：感謝 [ChatGLM3](https://github.com/THUDM/ChatGLM3) 提供的高性能中文大模型支持和設計靈感。
- **Qwen**：感謝 [Qwen](https://github.com/QwenLM/Qwen) 提供的高性能中文大模型支持。
- **DeepSeek-V3**：感謝 [DeepSeek-V3](https://github.com/deepseek-ai/DeepSeek-V3) 提供的高性能中文大模型支持。
- **StepFun**：感謝 [step](https://www.stepfun.com/) 提供的高性能中文大模型支持。
---
## 📄 許可證
LightAgent 采用 [Apache 2.0 許可證](LICENSE)。您可以自由使用、修改和分發本項目，但請遵守許可證條款。
---
## 📬 聯繫我們
如有任何問題或建議，歡迎隨時聯繫我們：
- **郵箱**：service@wanxingai.com
- **GitHub Issues**：[https://github.com/wanxingai/LightAgent/issues](https://github.com/wanxingai/LightAgent/issues)
我們期待您的反饋，一起讓 LightAgent 變得更強大！🚀
---
LightAgent - 讓智能更輕量，讓未來更簡單。 🌈
**LightAgent** —— 輕量、靈活、強大的主動式 Agent 框架，助您快速構建智能應用！