一个面向研究者的白盒Agent框架，用更少的token做更多的事

Agent框架现在很多。LangChain、CrewAI、AutoGPT加上各家的自研方案开发者不缺选择。但有一个问题一直存在这些框架的设计取向是好用而不是可研究。如果你是一个AI研究者想知道一个Agent的某个行为到底是模型能力决定的还是框架编排逻辑导致的现有的大多数框架都很难回答。它们的编排逻辑藏在框架代码深处调用了哪些工具、传递了什么状态、决策链路上有哪些分支——这些信息要么不全要么需要花大量时间从日志里反推。研究者需要的不是黑盒一篇来自arXiv的新论文提出了ToFu框架定位很明确既是研究助手也是研究对象。作为研究助手ToFu可以读取代码库、编辑文件、运行命令、集成开发工具。这些能力和现有Agent框架差别不大。真正有意思的是它的第二角色作为研究对象ToFu的编排逻辑是完全透明的。研究者可以检查它在每一步调用了什么工具、收到了什么结果、基于什么信息做了决策。更重要的是这些行为可以被修改、被替换、被评估。论文举了一个场景你想对比不同提示策略对Agent代码修改行为的影响。在现有框架里你需要侵入框架代码去修改提示模板、记录每次调用的结果然后手动对齐。在ToFu里框架本身就是观察点每一步的行为数据直接暴露给研究者。Token效率的优势对研究者来说另一个实际痛点是成本。Agent框架在执行任务时会消耗大量token——模型输出、工具调用结果、上下文维护每一项都要算钱。ToFu在token效率上做了针对性优化论文给出的对比数据显示它在完成同样任务时消耗的token明显更少。这个优势对学术研究尤其重要。一个研究项目可能需要跑几百次Agent实验token开销的差异会直接决定一个研究团队能不能做充分的实验。如果用更少的token能得到同样的结果那研究就可以做更多的对照组和分析。另外ToFu支持多语言包括中文这对非英语国家的开发者是一个友好设计。它基于MIT许可证发布支持本地部署隐私敏感的研究团队可以在完全离线的环境下使用。白盒工具的生态价值ToFu的定位其实是Agent工具生态的一个重要补充。目前的主流Agent框架大多面向让Agent更好地完成任务而ToFu面向的是让研究者更好地理解Agent为什么这么做。这两者的区别就像黑盒API和可调试的开源库的区别。在过去几个月Agent开发快速发展的背景下工具层开始出现分化。一方面是生产级框架在追求更高的自动化程度和更低的出错率另一方面是研究级工具在追求更好的可观测性和实验可控性。ToFu属于后者而且填补了一个不错的空白。对从事Agent研究的人来说这意味着以后做实验时多了一个选择用生产框架验证可行性用研究框架深入分析行为。两种工具的分工逐渐清晰。关于维基框架维基框架关注企业应用开发中的长期维护问题。在实际项目中业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素因此我们希望提供一套更容易扩展和维护的基础框架。官网framewiki.comGiteegitee.com/wiki-frameworkGitHubgithub.com/wiki-framework示例项目gitee.com/cdkjframework/framewiki-example 许可证MulanPSL-2.0木兰宽松许可证第2版