LightAgent 是一個極其輕量的帶記憶（mem0）、工具（Tools）、思維樹（ToT）的主動式 Agentic Framework（自主性框架），並且完全開源。它支持比Openai Swarm更簡單的多智能體協同，簡單一步即可構建具備自我學習能力的agent，並支持stdio和sse方式接入MCP協議。底層模型支持 OpenAI、智譜 ChatGLM、DeepSeek、階躍星辰、Qwen通義千問大模型等。同時，LightAgent 支持 OpenAI 流格式 API 服務輸出，無縫接入各大主流 Chat 框架。🌟
- 輕量高效 🚀：極簡設計，快速部署，適合各種規模的應用場景。（No LangChain, No LlamaIndex）100% Python 實現，無需額外依賴，核心代碼僅1000行，完全開源。
- 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。
- 智能體協同通訊 🛠️：智能體之間還可以共享資訊和傳遞消息，實現複雜的信息通訊和任務協同。
- Agent 測評 📊：內置 Agent 測評工具，方便評估和優化您構建的 Agent，對齊業務場景，持續提升智能水平。
（Thought Flow）方法通過系統性、結構化和靈活的思維過程，能夠有效應對複雜場景中的挑戰。 以下是具體實施步驟：
問題定義：明確核心問題和目標。
信息收集：系統地收集相關信息和數據。
分解問題：將複雜問題分解為多個子問題或模塊。
多維度分析：從不同角度和層面分析每個子問題。
建立關聯：識別子問題之間的關聯和依賴關係。
生成解決方案：針對每個子問題提出可能的解決方案。
評估與選擇：評估各解決方案的可行性和影響，選擇最優方案。
實施與反饋：實施選定方案，並根據反饋進行調整。
- 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。
pip install lightagent（可選安裝）通過 pip 安裝 Mem0 包：
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。
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)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)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]
LightAgent 支持外部擴展 mem0 記憶模塊，全自動進行上下文記憶和歷史記錄管理，無需開發人員手動觸發添加記憶和記憶查找。通過記憶模塊，Agent 可以在多輪對話中保持上下文一致性。
# 啟用記憶模塊
# 或者使用自定義記憶模塊，下面以 mem0 為例 https://github.com/mem0ai/mem0/
from mem0 import Memory
from LightAgent import LightAgent
import os
from loguru import logger
class CustomMemory:
def __init__(self):
self.memories = []
os.environ["OPENAI_API_KEY"] = "your_api_key"
os.environ["OPENAI_API_BASE"] = "your_base_url"
# Initialize Mem0
config = {
"version": "v1.1"
}
# mem0中如需使用qdrant作為向量數據庫存儲記憶，請將config改為下面代碼
# config = {
# "vector_store": {
# "provider": "qdrant",
# "config": {
# "host": "localhost",
# "port": 6333,
# }
# },
# "version": "v1.1"
# }
self.m = Memory.from_config(config_dict=config)
def store(self, data: str, user_id):
"""存儲記憶開發者可以自行修改存儲方法的內部實現，當前示例為mem0的添加記憶方法"""
result = self.m.add(data, user_id=user_id)
return result
def retrieve(self, query: str, user_id):
"""檢索相關記憶開發者可以自行修改檢索方法的內部實現，當前示例為mem0的查找記憶方法"""
result = self.m.search(query, user_id=user_id)
return result
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
memory=CustomMemory(), # 啟用記憶功能
tree_of_thought=False, # 啟用思維鏈
)
# 帶記憶的測試 & 如果需要添加工具可以自行添加tools到agent來實現帶記憶的工具調用
user_id = "user_01"
logger.info("\n=========== next conversation ===========")
query = "介紹下三亞的有什麼好玩的景點，身邊很多朋友都去三亞旅遊了，我也想去玩"
print(agent.run(query, stream=False, user_id=user_id))
logger.info("\n=========== next conversation ===========")
query = "我想去哪裡旅遊呢？"
print(agent.run(query, stream=False, user_id=user_id))輸出如下：
=========== next conversation ===========
2025-01-01 21:55:15.886 | INFO | __main__:run_conversation:115 -
開始思考問題: 介紹下三亞的有什麼好玩的景點，身邊很多朋友都去三亞旅遊了，我也想去玩
2025-01-01 21:55:28.676 | INFO | __main__:run_conversation:118 - Final Reply:
三亞是中國海南省的一個熱門旅遊城市，以其美麗的海灘、熱帶氣候和豐富的旅遊資源而聞名。以下是一些三亞值得一遊的景點：
1. **亞龍灣**：被譽為“東方夏威夷”，擁有綿長的沙灘和清澈的海水，是游泳、潛水和日光浴的理想之地。
2. **天涯海角**：這是一個著名的文化景觀，以其壯麗的海景和浪漫的傳說而吸引遊客。這裡的巨石上刻有“天涯”和“海角”字樣，象徵著永恆的愛情。
3. **南山文化旅遊區**：這裡有一個高達108米的南山海上觀音像，是世界上最高的海上觀音像。遊客可以在這裡體驗佛教文化，參觀寺廟和園林。
4. **蜈支洲島**：這是一個小島，以其原始的自然風光和豐富的水上活動而聞名。遊客可以在這裡進行潛水、浮潛、海釣等活動。
5. **大東海**：這是三亞市區內的一個海灘，以其便利的交通和豐富的夜生活而受到遊客的喜愛。
6. **三亞灣**：這是一個長達22公里的海灘，是觀賞日落的好地方。這裡的海灘較為安靜，適合喜歡寧靜的遊客。
7. **呀諾達雨林文化旅遊區**：這是一個熱帶雨林公園，遊客可以在這裡體驗熱帶雨林的自然風光，參與各種探險活動。
8. **鹿回頭公園**：這是一個位於山頂的公園，可以俯瞰整個三亞市區和三亞灣的美景。這裡還有一個關於鹿的美麗傳說。
9. **西島**：這是一個相對較為原始的小島，以其寧靜的海灘和豐富的海洋生物而吸引遊客。
10. **三亞千古情**：這是一個大型的文化主題公園，通過表演和展覽展示海南的歷史和文化。
除了上述景點，三亞還有許多其他值得探索的地方，如熱帶植物園、海鮮市場等。三亞的美食也不容錯過，尤其是新鮮的海鮮和熱帶水果。在規劃旅行時，建議提前查看天氣預報和景點開放時間，以確保有一個愉快的旅行體驗。
2025-01-01 21:55:28.676 | INFO | __main__:<module>:191 -
=========== next conversation ===========
2025-01-01 21:55:28.676 | INFO | __main__:run_conversation:115 -
開始思考問題: 我想去哪裡旅遊呢？
發現相關記憶:
用戶想去旅遊三亞
用戶的朋友已經去過三亞。
2025-01-01 21:55:38.797 | INFO | __main__:run_conversation:118 - Final Reply:
根據用戶之前提到的信息，用戶的朋友已經去過三亞（Sanya），而用戶自己也表達了對三亞的興趣。因此，三亞可能是一個適合用戶的旅遊目的地。以下是一些關於三亞的旅遊信息，供用戶參考：
### 三亞旅遊推薦：
1. **亞龍灣**：被譽為“東方夏威夷”，擁有美麗的海灘和清澈的海水，適合游泳和日光浴。
2. **天涯海角**：三亞的標誌性景點，以其獨特的岩石和浪漫的傳說吸引遊客。
3. **南山文化旅遊區**：這裡有著名的南山寺和108米高的海上觀音像，是佛教文化的重要景點。
4. **蜈支洲島**：適合潛水和海上運動，島上有豐富的海洋生物和珊瑚礁。
5. **大東海**：三亞市區內的海灘，交通便利，適合家庭和情侶遊玩。
### 其他推薦：
如果用戶對三亞已經有所了解，或者想要探索其他目的地，以下是一些其他熱門旅遊地：
1. **桂林**：以其獨特的喀斯特地貌和漓江風光聞名。
2. **麗江**：古城和玉龍雪山是其主要景點，適合喜歡歷史文化和自然風光的遊客。
3. **張家界**：以其奇特的石柱和自然景觀著稱，是《阿凡達》電影的取景地之一。
用戶可以根據自己的興趣和時間安排選擇合適的旅遊目的地。如果用戶需要更詳細的信息或幫助規劃行程，請隨時告知！擁抱個性化工具定製（Tools），並通過 tools 方法輕鬆集成您的專屬工具。這些工具可以是任何 Python 函數，並且支持參數類型註解，以確保靈活性和精確性。此外，我們還提供智能 AI 驅動的工具生成器，助力您自動化構建工具，釋放創造力。
import requests
from LightAgent import LightAgent
# 定義工具
def get_weather(
city_name: str
) -> str:
"""
獲取城市天氣信息
:param city_name: 城市名稱
:return: 天氣信息
"""
if not isinstance(city_name, str):
raise TypeError("City name must be a string")
key_selection = {
"current_condition": ["temp_C", "FeelsLikeC", "humidity", "weatherDesc", "observation_time"],
}
try:
resp = requests.get(f"https://wttr.in/{city_name}?format=j1")
resp.raise_for_status()
resp = resp.json()
ret = {k: {_v: resp[k][0][_v] for _v in v} for k, v in key_selection.items()}
except:
import traceback
ret = "Error encountered while fetching weather data!\n" + traceback.format_exc()
return str(ret)
# 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},
]
}
def search_news(
keyword: str,
max_results: int = 5
) -> str:
"""
根據關鍵詞搜索新聞
:param keyword: 搜索關鍵詞
:param max_results: 返回的最大結果數量，默認為 5
:return: 新聞搜索結果
"""
results = f"通過搜索{keyword}, 我找到{max_results}條相關信息"
return str(results)
# 在函數內部定義工具信息
search_news.tool_info = {
"tool_name": "search_news",
"tool_description": "根據關鍵詞搜索新聞",
"tool_params": [
{"name": "keyword", "description": "搜索關鍵詞", "type": "string", "required": True},
{"name": "max_results", "description": "返回的最大結果數量", "type": "int", "required": False},
]
}
def get_user_info(
user_id: str
) -> str:
"""
獲取用戶信息
:param user_id: 用戶 ID
:return: 用戶信息
"""
if not isinstance(user_id, str):
raise TypeError("User ID must be a string")
try:
# 假設使用一個用戶信息 API，這裡用示例 URL
url = f"https://api.example.com/users/{user_id}"
response = requests.get(url)
response.raise_for_status()
user_data = response.json()
user_info = {
"name": user_data.get("name"),
"email": user_data.get("email"),
"created_at": user_data.get("created_at")
}
except:
import traceback
user_info = "Error encountered while fetching user data!\n" + traceback.format_exc()
return str(user_info)
# 在函數內部定義工具信息
get_user_info.tool_info = {
"tool_name": "get_user_info",
"tool_description": "獲取指定用戶的信息",
"tool_params": [
{"name": "user_id", "description": "用戶 ID", "type": "string", "required": True},
]
}
# 自定義工具
tools = [get_weather, search_news, get_user_info] # 包含所有工具
# 初始化 Agent
# 替換為你的模型參數model、api_key、base_url
agent = LightAgent(model="qwen-turbo-2024-11-01", api_key="your_api_key", base_url= "your_base_url", tools=tools)
query = "當前三亞天氣如何？"
response = agent.run(query, stream=False) # 使用 agent 運行查詢
print(response)Tools 工具生成器是一個用於自動化生成工具代碼的模塊。它可以根據用戶提供的文本描述，自動生成相應的工具代碼，並將其保存到指定的目錄中。該功能特別適用於需要快速生成 API 調用工具、數據處理工具等場景。
使用示例
以下是一個使用 Tools 工具生成器的示例代碼：
import json
import os
import sys
from LightAgent import LightAgent
# 初始化 LightAgent
agent = LightAgent(
name="Agent A", # 代理名稱
instructions="You are a helpful agent.", # 角色描述
role="請記住你是工具生成器，你的任務是根據用戶提供的文本描述，自動生成相應的工具代碼，並將其保存到指定的目錄中。請確保生成的代碼準確、可用，並符合用戶的需求。", # 工具生成器的角色描述
model="deepseek-chat", # 替換為你的模型。支持的模型：openai, chatglm, deepseek, qwen 等
api_key="your_api_key", # 替換為你的 API Key
base_url="your_base_url", # 替換為你的 api url
)
# 示例文本描述
text = """
新浪股票接口提供了獲取股票市場數據的功能，包括股票行情、即時交易數據、K線圖數據等。
新浪股票接口功能介紹
1、獲取股票行情數據：
即時行情數據：使用即時行情 API 可以獲取股票的最新報價、成交量、漲跌幅等信息。
分鐘線行情數據：使用分鐘線行情 API 可以獲取股票的逐分鐘交易數據，包括開盤價、收盤價、最高價、最低價等。
2、獲取股票歷史 K 線圖數據：
K 線圖數據：通過 K 線圖 API，可以獲取股票的歷史交易數據，包括開盤價、收盤價、最高價、最低價、成交量等。可以根據需要選擇不同的時間周期和均線周期。
復權數據：可以選擇獲取復權後的 K 線圖數據，包括前復權和後復權，以便更準確地分析股票的價格變動。
新浪股票接口獲取數據示例
1、獲取股票行情數據：
API 地址：http://hq.sinajs.cn/list=[股票代碼]
示例：要獲取股票代碼為"sh600519"（貴州茅台）的即時行情數據，可以使用以下 API 地址：http://hq.sinajs.cn/list=sh600519
通過發送 HTTP GET 請求到上述 API 地址，您將收到一個包含該股票即時行情數據的響應。
2、獲取股票歷史 K 線圖數據：
API 地址：http://money.finance.sina.com.cn/quotes_service/api/json_v2.php/CN_MarketData.getKLineData?symbol=[股票代碼]&scale=[時間周期]&ma=[均線周期]&datalen=[數據長度]
示例：要獲取股票代碼為"sh600519"（貴州茅台）的日線 K 線圖數據，可以使用以下 API 地址：http://money.finance.sina.com.cn/quotes_service/api/json_v2.php/CN_MarketData.getKLineData?symbol=sh600519&scale=240&ma=no&datalen=1023
通過發送 HTTP GET 請求到上述 API 地址，您將收到一個包含該股票歷史 K 線圖數據的響應。
"""
# 構建 tools 目錄的路徑
project_root = os.path.dirname(os.path.abspath(__file__))
tools_directory = os.path.join(project_root, "tools")
# 如果 tools 目錄不存在，則創建它
if not os.path.exists(tools_directory):
os.makedirs(tools_directory)
print(f"Tools 目錄已創建: {tools_directory}")
# 使用 agent 生成工具代碼
agent.create_tool(text, tools_directory=tools_directory)執行後將在 tools 目錄中生成 2 個文件：get_stock_kline_data.py 和 get_stock_realtime_data.py
內置思維樹模塊，支持複雜任務分解和多步推理。通過思維樹，Agent 可以更好地處理複雜任務。
# 啟用思維樹
agent = LightAgent(
model="gpt-4.1",
api_key="your_api_key",
base_url= "your_base_url",
tree_of_thought=True, # 啟用思維樹
tot_model="gpt-4o",
tot_api_key="sk-uXx0H0B***17778F1", # 替換為你的 deepseek r1 API Key
tot_base_url="https://api.openai.com/v1", # api url
filter_tools=False, # 禁用 自適應工具機制
)開啟ToT後，默認開啟自適應工具機制，如需要關閉，請在初始化LightAgent時添加參數filter_tools=False。
支持類 Swarm 的多智能體協同工作，提升任務處理效率。多個 Agent 可以協同完成複雜任務。
from LightAgent import LightAgent, LightSwarm
#設置環境變量 OPENAI_API_KEY 和 OPENAI_BASE_URL
#模型默認使用 gpt-4o-mini
# 創建 LightSwarm 實例
light_swarm = LightSwarm()
# 創建多個 Agent
agent_a = LightAgent(
name="Agent A",
instructions="我是代理A，是前台接待員",
role="前台接待員，負責接待來訪者並提供基本信息指引。每次回答前請前說明自己的身份信息，你只能幫助用戶引導至其他角色，不可以直接回答顧客的業務問題。如果當前不發解決用戶的問題，請回復：對不起當前我無法提供幫助！",
)
agent_b = LightAgent(
name="Agent B",
instructions="我代理B，負責會議室的預定",
role="會議室預定管理員，負責處理1號、2號、3號會議室的預定、取消和查詢。每次回答前請前說明自己的身份信息，並非常客氣地回復用戶的提問。",
)
agent_c = LightAgent(
name="Agent C",
instructions="我是代理C，是技術支持專員，負責處理技術問題。每次回答前請說明自己的身份信息，並盡可能詳細地解答用戶的技術問題。如果問題超出我的能力範圍，請引導用戶聯系更高級的技術支持。",
role="技術支持專員，負責處理硬體、軟體、網絡等技術問題的諮詢和解決。",
)
agent_d = LightAgent(
name="Agent D",
instructions="我是代理D，是人力資源專員，負責處理人力資源相關的問題。每次回答前請說明自己的身份信息，並盡可能詳細地解答用戶的問題。如果問題需要進一步處理，請引導用戶聯系人力資源部門。",
role="人力資源專員，負責處理員工入職、離職、請假、福利等事務的諮詢和處理。",
)
# 自動註冊代理到 LightSwarm 實例
light_swarm.register_agent(agent_a, agent_b, agent_c, agent_d)
# 運行代理 A
res = light_swarm.run(agent=agent_a, query="你好，我是 Alice，我需要查詢王小明是否已經辦理入職", stream=False)
print(res)輸出如下：
你好，我是人力資源專員 Agent D。關於王小明是否已經辦理入職的問題，我需要查詢一下我們的系統記錄。請稍等片刻。
（查詢系統記錄中...）
根據我們的記錄，王小明已於2025年1月5日完成了入職手續。他已經簽署了所有必要的文件，並且已經分配了員工編號和辦公位置。如果您需要進一步的詳細信息，或者有任何其他問題，請隨時聯系人力資源部門。我們隨時準備幫助您。支持 OpenAI 流格式 API 服務輸出，無縫接入主流 Chat 框架。
# 啟用流式輸出
response = agent.run("請生成一篇關於 AI 的文章", stream=True)
for chunk in response:
print(chunk)內置 Agent 測評工具，方便評估和優化 Agent 性能。
兼容多種大模型，包括 OpenAI、智譜 ChatGLM、DeepSeek、Qwen 系列大模型。
Openai 系列
- gpt-3.5-turbo
- gpt-4
- gpt-4o
- gpt-4o-mini
- o4-mini
- gpt-4.1
- gpt-4.1-mini
- gpt-4.1-nano
- gpt-5
- gpt-5-mini
- gpt-5-nano
ChatGLM
- GLM-4.5
- GLM-4.5-Air
- GLM-4.5-X
- GLM-4.5-AirX
- GLM-4.5-Flash
- GLM-4-Plus
- GLM-4-Air-0111
- GLM-4-Flash
- GLM-4-FlashX
- GLM-4-alltools
- GLM-4
- GLM-3-Turbo
- ChatGLM3-6B
- GLM-4-9B-Chat
DeepSeek
- DeepSeek-r1
- DeepSeek-v3
StepFun
- step-1-8k
- step-1-32k
- step-1-128k（在多工具調用中存在問題）
- step-1-256k（在多工具調用中存在問題）
- step-1-flash（推薦用此模型，性價比高）
- step-2-16k（在多工具調用中存在問題）
Qwen 系列
- qwen-plus-2024-11-25
- qwen-plus-2024-11-27
- qwen-plus-1220
- qwen-plus
- qwen-plus-latest
- qwen2.5-72b-instruct
- qwen2.5-32b-instruct
- qwen2.5-14b-instruct
- qwen2.5-7b-instruct
- qwen-turbo-latest
- qwen-turbo-2024-11-01
- qwen-turbo
- qwen-long
- qwq-32b
- qwen3-0.6b
- qwen3-1.7b
- qwen3-4b
- qwen3-8b
- qwen3-14b
- qwen3-32b
- qwen3-30b-a3b
- qwen3-235b-a22b
- Qwen3-30B-A3B-Thinking-2507
- Qwen3-30B-A3B-Instruct-2507
- 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。
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：
- Fork 本項目：點擊右上角的
Fork按鈕，將項目複製到您的 GitHub 倉庫。 - 創建分支：在本地創建您的開發分支：
git checkout -b feature/YourFeature
- 提交更改：完成開發後，提交您的更改：
git commit -m 'Add some feature' - 推送分支：將分支推送到您的遠程倉庫：
git push origin feature/YourFeature
- 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！❤️
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 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 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 提供的高性能中文大模型支持和設計靈感。
- Qwen：感謝 Qwen 提供的高性能中文大模型支持。
- DeepSeek-V3：感謝 DeepSeek-V3 提供的高性能中文大模型支持。
- StepFun：感謝 step 提供的高性能中文大模型支持。
LightAgent 采用 Apache 2.0 許可證。您可以自由使用、修改和分發本項目，但請遵守許可證條款。
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/wxai-space/lightagent/issues
我們期待您的反饋，一起讓 LightAgent 變得更強大！🚀
- 更多工具 🛠️：持續集成更多實用工具，滿足更多場景需求。
- 更多模型支持 🔄：持續擴展支持更多大模型，滿足更多應用場景。
- 更多功能 🎯：更多實用功能，持續更新，敬請期待！
- 更多文檔 📚：詳盡文檔，示例豐富，快速上手，輕鬆集成到你的項目中。
- 更多社區支持 👥：活躍的開發者社區，隨時為你提供幫助和解答。
- 更多性能優化 ⚡：持續優化性能，滿足高並發場景需求。
- 更多開源貢獻 🌟：歡迎貢獻代碼，一起打造更好的 LightAgent！
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！