宣布 AgentHelm v0.3.0：生产就绪的 AI 代理编排

Source: Dev.to

引言

经过数月的迭代，我很高兴发布 AgentHelm v0.3.0，这是让 AI 代理进入生产环境的关键一步。

构建 AI 代理很容易。让它们在生产环境中可靠运行却很困难。你需要处理：

• 多步骤执行及失败恢复
• 会话间的记忆持久化
• 成本和 token 追踪
• 可观测性和调试
• 大规模的工具编排

大多数代理框架只关注第一步（让代理工作），却忽视了最后一步（让它可靠运行）。

先计划后执行的方式

AgentHelm 引入了 先计划后执行 的工作流，而不是让代理随意运行：

任务 → 计划生成 → 人工审查 → 执行

• PlannerAgent 生成包含步骤和依赖的结构化计划。
• 你审查该计划。
• Orchestrator 执行计划，并在可能的情况下并行化。

如果执行过程中出现失败，Saga 模式 会触发补偿操作，自动回滚已完成的步骤。

MemoryHub

记忆不再是事后考虑。MemoryHub 提供：

默认零配置，但可以通过 Redis 和网络化的 Qdrant 实例扩展到生产环境。

命令行界面

所有操作都可以通过命令行完成：

# 运行一次性任务
agenthelm run "Analyze this quarter's sales data"

# 生成计划并保存
agenthelm plan "Build a customer support bot" -o plan.yaml

# 对已保存的计划进行干运行
agenthelm execute plan.yaml --dry-run

# 交互式聊天模式
agenthelm chat

# 列出已记录的追踪
agenthelm traces list

每一次工具执行都会被追踪。追踪可以导出到 Jaeger 进行可视化，且成本会在 20 多家 LLM 提供商之间进行内置计价。

AgentHelm 还可以连接 Model Context Protocol 服务器，允许你直接在代理中使用它们的工具。

安装

pip install agenthelm
agenthelm init
agenthelm chat

路线图（v0.4.0）

• 用于追踪可视化的网页仪表盘
• 多代理工作流中的高级冲突解决
• 用于预算和约束强制的策略引擎
• Webhook 集成

开源

AgentHelm 是开源的，欢迎贡献。

文档
GitHub