人工智能AI AgentAgent 编排低代码AI 技能RAG【免费下载链接】nexentNexent 是一个开源智能体SDK和平台能够将描述流程的自然语言转化为完整的多模态服务 —— 无需编排无需复杂拖拉拽。基于 MCP 工具生态系统构建Nexent 提供灵活的模型集成、可扩展的数据处理和强大的知识库管理。我们的目标很简单将数据、模型和工具整合到一个智能中心中让任何人都能轻松地将 Nexent 集成到项目中使日常工作流程更智能、更互联。项目地址https://gitcode.com/ModelEngine/nexent点击查看免费下载Nexent SDK 是 Nexent 开源智能体平台的核心开发工具包为构建生产就绪的 AI 智能体提供了从模型接入、工具编排到数据入库的完整链路。本文以 SDK 主要特性详解 为骨架结合仓库源码与配套文档系统拆解企业级 Agent 框架、分布式执行、工具生态、多模态能力、数据处理与向量检索的实现原理与实战用法。读完本文你将掌握 Nexent SDK 的核心模块结构、关键 API 的调用方式以及如何基于现有代码快速搭建自己的智能体应用。 企业级 Agent 框架从 SmolAgents 到生产就绪Nexent SDK 的 Agent 框架在开源 SmolAgents 架构之上进行企业级扩展形成了NexentAgent企业级智能体框架与CoreAgent代码执行引擎两层核心。基于 SmolAgents 扩展的双层结构从源码结构看框架的核心类位于 sdk/nexent/core/agents/ 目录NexentAgentnexent_agent.py智能体系统核心负责多模型选择、MCP 工具集成、动态工具加载、上下文管理与状态追踪CoreAgentcore_agent.py继承并增强 SmolAgents 的CodeAgent实现 ReAct 框架的思考-行动-观察循环思考使用大语言模型生成解决方案代码行动执行生成的 Python 代码默认使用本地LocalPythonExecutor代码内置了安全导入白名单SAFE_PYTHON_INTERPRETER_IMPORTS见 nexent_agent.py观察收集执行结果和日志重复根据观察结果继续思考与执行直到任务完成。from nexent.core.agents.core_agent import CoreAgent from nexent.core.models.openai_llm import OpenAIModel from nexent.core.tools import ExaSearchTool, KnowledgeBaseSearchTool from nexent.core.utils.observer import MessageObserver observer MessageObserver() # 创建模型模型和智能体必须使用同一个观察者 model OpenAIModel( observerobserver, model_idyour-model-id, api_keyyour-api-key, api_baseyour-api-base ) # 创建工具 search_tool ExaSearchTool(exa_api_keyyour-exa-key, observerobserver, max_results5) kb_tool KnowledgeBaseSearchTool(index_names[my_knowledge_base], top_k5, observerobserver) # 构建智能体 agent CoreAgent( observerobserver, tools[search_tool, kb_tool], modelmodel, namemy_agent, max_steps5 ) agent.run(你的问题)流式运行 agent_run事件流消费模型当需要在服务端或前端以事件流方式消费消息时推荐使用agent_run。它在后台线程执行智能体并从MessageObserver持续产出 JSON 字符串便于 UI 展示与日志采集。完整示例见 基本使用指南import json import asyncio from threading import Event from nexent.core.agents.run_agent import agent_run from nexent.core.agents.agent_model import AgentRunInfo, AgentConfig, ModelConfig from nexent.core.utils.observer import MessageObserver async def main(): observer MessageObserver(langzh) stop_event Event() model_config ModelConfig( cite_namegpt-4, api_keyYOUR_API_KEY, model_nameQwen/Qwen2.5-32B-Instruct, urlhttps://api.siliconflow.cn/v1, ) agent_config AgentConfig( nameexample_agent, descriptionAn example agent, tools[], max_steps5, model_namegpt-4, ) agent_run_info AgentRunInfo( querystrrawberry中出现了多少个字母r, model_config_list[model_config], observerobserver, agent_configagent_config, stop_eventstop_event ) async for message in agent_run(agent_run_info): message_data json.loads(message) print(message_data) # 每条都是 JSON 字符串 asyncio.run(main())消息流中type字段对应ProcessType枚举完整定义见 sdk/nexent/core/utils/observer.py常用阶段包括STEP_COUNT当前步骤、MODEL_OUTPUT_THINKING模型思考、MODEL_OUTPUT_CODE代码生成、PARSE代码解析、EXECUTION_LOGS执行结果、FINAL_ANSWER最终回答、SEARCH_CONTENT搜索结果等。高级能力上下文管理、规划、沙箱与 Guardrail上下文管理与压缩通过AgentConfig.context_manager_config对应ContextManagerConfig见 sdk/nexent/core/agents/context/config.py开启长对话自动压缩历史并记录指标压缩产物为 Markdown 摘要且拒绝可执行输出。Planning Agent 规划执行通过CreatePlanTool/UpdatePlanStepTool生成与维护计划待办列表plan_repo.py配合ParallelExecutorTool并发调度多个子智能体。沙箱隔离默认本地执行不启用沙箱通过AgentConfig.sandbox_policy/AgentRunInfo.sandbox_config配置SandboxConfigsandbox.py可启用 Docker/WASM 级别隔离scope支持session每次运行一个容器与system共享持久容器。Guardrail 安全筛查内置输入/输出内容安全检查点敏感内容可拦截。优雅中断stop_event.set()使智能体在当前步骤完成后停止。⚡ 分布式处理能力asyncio 与有界线程池features.md 提到的基于线程池和异步架构的高性能执行引擎在 sdk/nexent/core/concurrency/ 目录有完整实现支撑。异步与多线程架构基于 asyncioagent_run是异步生成器SDK 提供asyncio.wrap_future等桥接机制将线程池 Future 包装为可等待对象见 manager.py 的run方法多线程支持ThreadManagermanager.py为每个服务进程管理自有有界线程执行支持 lane车道策略、容量上限、排队超时、取消与排空drainCelery 友好ElasticSearchCore.create_index等方法在实现上即按 Celery 任务友好方式设计见 elasticsearch_core.py 的注释可与分布式任务队列无缝集成批量操作支持大规模数据的批量处理和优化如向量写入batch_size默认 64vector-database.md。连接池与资源监控Elasticsearch客户端配置了request_timeout20、max_retries3、retry_on_status[502, 503, 504]结合 HTTP 客户端管理器复用连接ThreadManager提供snapshot()与metrics_snapshot()实时输出每个 lane 的max_workers、max_queue_size、queued_count、running_count、stuck_count以及 Python 活动线程数manager.py实现任务队列与资源占用可视化管理。 丰富的 Agent 工具生态SDK 在 sdk/nexent/core/tools/init.py 统一导出了完整的工具集合全部继承自smolagents.tools.Tool使用pydantic.Field定义参数并集成MessageObserver支持流式输出与中英文双语提示。搜索工具多源检索矩阵工具类功能对应源码文件ExaSearchToolEXA 高性能网络搜索exa_search_tool.pyTavilySearchToolTavily 智能搜索与内容分析tavily_search_tool.pyLinkupSearchToolLinkup 专业领域搜索linkup_search_tool.pyKnowledgeBaseSearchTool本地知识库向量语义检索index_names为必填knowledge_base_search_tool.pyRAGFlowSearchTool/DifySearchTool/DataMateSearchTool/IdataSearchTool/HaotianSearchTool/AidpSearchTool企业级检索源接入对应*_search_tool.py通信与数据工具邮件GetEmailToolIMAP 收取、SendEmailToolSMTP 发送完整收发功能文件操作CreateFileTool、ReadFileTool、DeleteFileTool、MoveItemTool、CreateDirectoryTool、DeleteDirectoryTool、ListDirectoryTool终端TerminalTool执行 shell 命令数据库MySqlTool、PostgreSqlTool、MsSqlTool对数据库执行受控 SQL 查询sql_tools/对象存储UploadToS3Tool、DownloadFromS3Tool记忆工具StoreMemoryTool存入当前 Agent 短期记忆每次运行最多 3 条、SearchMemoryTool自然语言检索记忆top_k 默认 5编排工具ParallelExecutorTool并发执行多个子 AgentCreatePlanTool/UpdatePlanStepTool维护规划待办。MCP 集成与动态加载Nexent 基于 Model Context Protocol 实现统一工具系统本地工具通过mcp.tool()装饰器注册示例见 Agent 开发指南agent_run_info.mcp_host[http://localhost:3000]即可接入远程 MCP 工具所有工具遵循一致的开发标准与接口设计支持动态加载和热更新。 多模态支持语音、视觉与长上下文语音服务STT TTSSDK 在 sdk/nexent/core/models/ 提供BaseSTTModel/BaseTTSModel抽象基类及VolcSTTModel、VolcTTSModel火山引擎、AliSTTModel、AliTTSModel阿里云基于 DashScope Qwen Realtime WebSocket 协议实现。后端语音服务backend/apps/voice_app.py在单个端口runtime 服务端口 5014同时运行 STT 与 TTSSTTWebSocket/voice/stt/ws首条消息传 JSON 配置含model_factory、api_key、model_appid、language等后续以二进制块流式传输16kHz / 16bit / 单声道 / PCM音频实时返回 JSON 转写结果TTSWebSocket/voice/tts/ws首条消息{text: 要合成的文本}流式返回二进制音频块默认 MP3最终{status: completed}表示完成。视觉语言模型OpenAIVLModelopenai_vlm.py支持本地图像路径与文件流BinaryIO图像自动编码为 base64 传输并提供analyze_image(image_path, system_prompt...)方法进行图像理解。与之对应的AnalyzeImageTool、AnalyzeAudioTool、AnalyzeVideoTool等多模态分析工具允许用户选择底层模型。VLM 的图/视频/音频理解统一经 Gateway 适配器接入sdk/nexent/core/gateway/支持 OpenAI VLM、ModelEnginevlm4 槽位音频、DashScope VLM 音频适配等。长上下文模型OpenAILongContextModelopenai_long_context_model.py用于处理超长文档与对话历史model OpenAILongContextModel( observerobserver, max_context_tokens128000, # 默认 128k 上下文上限 truncation_strategymiddle, # start 保留开头 / middle 保留首尾 / end 保留结尾 )配合 sdk/nexent/core/agents/context/ 下的history_compression.py、llm_summary.py等模块实现智能上下文压缩与长期记忆机制记忆体系见 sdk/nexent/memory/含 Tenant/User/Agent 三层记忆、MMR 检索重排、时间衰减打分与 Dreaming 记忆固化。多模态数据总线load_object / save_objectLoadSaveObjectManager 提供load_object自动从 S3/HTTP/HTTPS URL 下载并转换字节数据与save_object自动将返回值上传 MinIO 并返回s3://bucket/object_name装饰器支持单输入/列表输入、自定义字节转换器可组合实现完整的下载-处理-上传流程示例见 多模态模块指南。 强大的数据处理能力DataProcessCore 实战DataProcessCoresdk/nexent/data_process/core.py是统一的文件处理核心类采用门面Facade模式自动检测文件类型并选择处理器。支持的多格式Excel.xlsx、.xls→OpenPyxl处理器通用文档.txt、.pdf、.docx、.doc、.html、.htm、.md、.rtf、.odt、.pptx、.ppt、.epub、.xml、.json、.csv17 种扩展名→Unstructured处理器内嵌图像提取当params中model_typemulti_embedding且扩展名在EXTRACT_IMAGE_EXTENSIONS.pdf、.doc、.docx、.xls、.xlsx、.ppt、.pptx中时额外使用UniversalImageExtractor提取文档内嵌图像extract_image.py。核心方法 file_process 与分块策略def file_process(self, file_data: bytes, filename: str, chunking_strategy: str basic, # basic | by_title | none processor: Optional[str] None, # Unstructured | OpenPyxl缺省按扩展名自动选择 **params) - Tuple[List[Dict], List[Dict]] # (chunks, images_info)三种分块策略适用场景basic按内容长度自动分块大多数场景by_title以标题为界分块结构化文档none不分块短文档或需完整内容。常用**params参数max_characters每块最大字符数默认 1536、new_after_n_chars达到此字符数后开新块默认 1024、strategy默认fast、skip_infer_table_types、task_id、model_type。from nexent.data_process import DataProcessCore core DataProcessCore() # 读文件到内存file_process 仅支持内存字节输入 with open(/path/to/document.pdf, rb) as f: file_bytes f.read() chunks, images_info core.file_process( file_datafile_bytes, filenamedocument.pdf, chunking_strategyby_title, max_characters2000, )大文件拆分与辅助方法file_split()可预先拆分超大文件max_size默认 10MB 每片SPLIT_EXTENSIONS排除了 ppt/pptx/html。辅助方法包括get_supported_file_types()、validate_file_type()、get_processor_info()、get_supported_strategies()。注意file_process()依赖系统 libmagic 从内存字节识别类型Windows 需先安装python-magic-bin否则会抛出UnsupportedFileFormatError缺少 unstructured 依赖时应安装nexent[data_process]extra。 向量数据库集成Elasticsearch 与混合搜索ElasticSearchCoreelasticsearch_core.py继承抽象基类VectorDatabaseCorebase.py便于扩展其他后端如 datamate_core.py 的 DataMate 实现提供完整的索引管理、文档操作与搜索能力。初始化与索引管理from nexent.vector_database.elasticsearch_core import ElasticSearchCore vdb_core ElasticSearchCore( hosthttps://localhost:9200, api_keyyour_api_key, verify_certsFalse, ssl_show_warnFalse, ) vdb_core.create_index(my_documents) # 创建索引 indices vdb_core.get_user_indices() # 列出索引 vdb_core.delete_index(my_documents) # 删除索引向量化写入与三种搜索模式嵌入向量由 Gateway 的EmbeddingAdapter适配器生成JinaEmbeddingAdapter、OpenAICompatibleEmbeddingAdapter、DashScopeEmbeddingAdapter、SiliconflowEmbeddingAdapter见 sdk/nexent/core/gateway/modality/embedding/。写入时vectorize_documents默认batch_size64批量生成向量并写入。from nexent.core.gateway.model_context import EmbeddingContext from nexent.core.gateway.modality import OpenAICompatibleEmbeddingAdapter embedding_model OpenAICompatibleEmbeddingAdapter(EmbeddingContext( model_nameyour-embedding-model, base_urlhttps://your-embedding-api/v1/embeddings, api_keyyour_api_key, modalityembedding, factoryopenai, embedding_dim1024, )) # 精确文本搜索 results vdb_core.accurate_search([my_documents], 示例查询, top_k5) # 语义向量搜索 results vdb_core.semantic_search([my_documents], 示例查询, embedding_model, top_k5) # 混合搜索weight_accurate 默认自动推断查询含数字时偏向精确 0.7否则 0.3 results vdb_core.hybrid_search( [my_documents], 示例查询, embedding_model, top_k5, weight_accurate0.3 )混合搜索结合了精确匹配ES BM25/文本检索内部通过calculate_term_weights计算词权重构建加权查询与语义向量检索并支持 ES filter 过滤满足百万级文档高效检索的企业级诉求。统计能力包括get_indices_detail、get_documents_detail、count_documents、get_index_chunks分页读取。本地 Docker 部署 Elasticsearch 8.x 的完整步骤镜像拉取、密码重置、SSL 证书、API Key 创建、Kibana 可选、昇腾服务器vm.max_map_count262144调优、SSH 隧道远程调试详见 向量数据库指南。️ 开发工具与生态系统Gateway 适配器架构统一多模态模型接入Nexent 通过AdapterRegistryregistry.py以(factory, modality)为键统一注册 LLM / Embedding / Rerank / VLM 适配器注册与解析采用类装饰器机制AdapterRegistry.register(openai, llm)风格传输层参数base_url、api_key 等集中配置transport.py。这套架构使新模型提供商只需实现对应 modality 适配器即可接入是 SDK 可扩展性的基石。OTLP 可观测性监控SDK 提供基于 OpenTelemetry OTLP 协议的企业级可观测性方案详见 监控指南支持对接 Arize Phoenix、Langfuse、LangSmith、Grafana Tempo、Zipkin。部署脚本bash deploy.sh docker --components infrastructure,monitoring --monitoring-provider phoenix通过--monitoring-provider一键拉起不同形态。业务层只需在请求入口绑定一次上下文from nexent.monitor.agent_observability import AgentRunMetadata from utils.monitoring import monitoring_manager monitoring_manager.bind_agent_context(AgentRunMetadata( tenant_idtenant_id, user_iduser_id, agent_idagent_request.agent_id, conversation_idagent_request.conversation_id, queryagent_request.query, is_debugagent_request.is_debug, languagelanguage, ))随后 Agent、LLM、Tool span 由 SDK 生命周期自动生成采用 OpenInference 语义约定llm.model_name、agent.step.type、agent.tool.input/output等属性并暴露llm.request.duration、llm.time_to_first_token、agent.step.count、agent.error.count等指标。未安装 OpenTelemetry 依赖时监控自动降级装饰器透传、上下文管理器返回 None不影响业务运行。质量保障与测试仓库为 SDK 配备了完整测试体系test/sdk/206 个测试文件与 sdk/benchmark/评测脚手架含 agent_runner、acon_eval、eventqa_eval 与通用评测对比 harness。开发侧集成 ruff 代码质量检查、pytest 测试框架与 Docker 容器化部署deploy/docker/共同构成从编码、测试到上线的完整闭环。总结Nexent SDK 以 SmolAgents 扩展的 Agent 框架为核心向上提供流式agent_run运行模型与 MCP 工具生态向下以 asyncio 有界线程池支撑分布式执行并以 Gateway 适配器统一接入多模态模型配合DataProcessCore文件处理与ElasticSearchCore向量检索完成知识入库闭环。结合 SDK 概览、基本使用 与各模块专项文档即可从零构建具备生产级监控、多模型、多工具能力的企业智能体应用。赞分享人工智能AI AgentAgent 编排低代码AI 技能RAG【免费下载链接】nexentNexent 是一个开源智能体SDK和平台能够将描述流程的自然语言转化为完整的多模态服务 —— 无需编排无需复杂拖拉拽。基于 MCP 工具生态系统构建Nexent 提供灵活的模型集成、可扩展的数据处理和强大的知识库管理。我们的目标很简单将数据、模型和工具整合到一个智能中心中让任何人都能轻松地将 Nexent 集成到项目中使日常工作流程更智能、更互联。项目地址https://gitcode.com/ModelEngine/nexent点击查看免费下载相关推荐Nexent SDK 核心特性深度解析从企业级 Agent 框架到多模态与向量检索的完整技术图谱Nexent SDK 核心特性深度解析从企业级 Agent 框架到多模态与向量检索的完整技术图谱 Nexent SDK 是一套面向生产环境的企业级智能体开发工AI AgentAI 应用后端前端大模型RAGNexent SDK 核心能力全景企业级智能体框架、多模态网关与向量检索体系实战解析Nexent SDK 核心能力全景企业级智能体框架、多模态网关与向量检索体系实战解析 Nexent SDK sdk/nexent/ 是一个面向生产环境的企人工智能AI AgentAgent 编排低代码AI 技能RAGNexent SDK 全景指南企业级智能体开发框架的架构、特性与实战模块Nexent SDK 全景指南企业级智能体开发框架的架构、特性与实战模块 Nexent SDK 是 Nexent 平台面向开发者开放的 Python 智能体开人工智能AI AgentAgent 编排低代码AI 技能RAG创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考