原文：https://www.mstx.cn/harness/541.html · 创建：2026-09-30 · 更新：2026-09-30 · 阅读：1050

---

站长提示：本章内的所有项目都属于真实的商业项目，说句大白话就是，这些项目都是我正在运营的，帮我挣钱的，所以这是属于内部项目，仅限于参加【大模型/Agent面试陪练1V1指导】学员学习。人啊，活到老学到老，即便我的年龄逐渐变大，但是我依然不断地动手开发新的软件项目。如同一个人从小喜欢看动物世界一样，即便他长大之后，甚至七老八十岁了，他依然会喜欢。爱好，这种东西无关乎年龄大小。所以，软件开发属于我的爱好，我会一直坚持下去的。我也奉劝各位读者，不管是年轻的还是年长的，无论是新手还是大佬，动手编码的想法不能扔，即便是AI这么强大，但是你们想一想，如此强大的AI不是空想出来的，而是有人动手一行一行代码编出来的，所以任何时候，动手编码的能力不能丢，欢迎大家参加【大模型/Agent面试陪练1V1指导】

1、AgentKit 简介

一个面向生产级原型开发的 Python AI Agent 工程模板，提供多模型接入、工具调用、RAG 检索增强、会话记忆、LangGraph 工作流编排，以及全链路执行追踪与复盘能力。

2、核心能力

多模型统一接入

对 DashScope 与 OpenAI 兼容协议进行统一抽象，可灵活接入 DeepSeek、GLM、Moonshot、Ollama 等模型服务，降低不同模型供应商之间的切换成本。

Agent 分层设计

内置两类 Agent：

• ChatAgent：适用于纯对话场景；
• TaskAgent：支持 ReAct 风格的工具循环，可完成任务拆解、工具调用与结果整合。

工具调用系统

基于 OpenAI Function Calling schema 设计工具注册机制，支持工具声明、自动执行、结果回传，以及多轮工具调用流程。

RAG 检索增强

支持 Qdrant 向量检索、关键词召回、多路召回与 RRF 融合排序，可作为知识库问答、文档检索和企业知识增强的基础能力。

记忆系统

提供本地内存与 Redis 滑动窗口两种记忆实现，支持多轮对话上下文管理，并可根据部署环境灵活切换。

LangGraph 编排示例

通过 LangGraph 展示如何将检索、规划、工具调用、答案生成等步骤组织为显式工作流，便于理解 Agent 的执行路径与状态流转。

Trace 执行复盘

记录单次请求中的 RAG、Memory、LLM、Tool 等关键调用过程，方便定位问题、分析性能、评估效果，并为后续可观测性建设提供基础。

3、适用场景

AgentKit 适合作为以下方向的项目起点：

• AI Agent 应用原型开发；
• 多模型接入与模型路由；
• 工具调用型智能助手；
• RAG 知识库问答；
• 带记忆和多步推理的对话系统；
• LangGraph 工作流实验与生产化改造。

4、项目定位

AgentKit 不是单一 Demo，而是一个可扩展、可替换、可观测的 Agent 工程模板。你可以基于它快速搭建自己的 AI Agent 项目，并按业务需要替换模型、工具、记忆、检索和工作流实现。