Case Study / 05

co11ap5e_agent（轻量 ReAct Agent 框架）

不依赖 LangChain 的轻量 ReAct Agent 框架，用原生 OpenAI SDK 从零构建，兼容 DeepSeek / DashScope / OpenAI。

Background

项目背景

从零构建一个不依赖重型框架的 Agent 运行内核：只保留 openai / pydantic / httpx，用原生 SDK 实现 ReAct 主循环、工具调用与记忆管理，目标是让每一层都能逐行解释。

Responsibility

我的职责

独立完成框架设计、实现与测试。 - 实现 Thought → Action → Observation 的 ReAct 核心循环 - 用 @tool 装饰器从函数签名自动生成 OpenAI Function Calling JSON Schema - 构建短期（摘要压缩）、工作（任务 scratchpad）、长期（JSON 持久化）三层记忆体系 - 实现容错 JSON 解析与 Plan-and-Execute 规划器 - 处理工具超时、连续失败与最大迭代保护

Workflow

业务流程

01
接收用户任务
02
规划器判断是否需要拆解子任务
03
进入 ReAct 循环：思考 → 调工具 → 观察结果
04
工具执行与参数容错解析
05
结果写入短期记忆并维护工作记忆
06
达到目标后输出最终回答

Architecture

技术架构

仅依赖 openai / pydantic / httpx，核心为自研 ReAct 循环；记忆分短期 / 工作 / 长期三层；工具系统基于函数签名自动生成 Schema；提供 astream_chat 流式输出。

Engineering

工程亮点

零框架依赖，核心循环全自研
三层记忆体系按任务生命周期管理
容错解析 LLM 输出的不规范 JSON
支持 DeepSeek / DashScope / OpenAI 多后端

Retrospective

项目复盘

Agent 框架的价值不在于炫技，而在于把「思考-行动-观察」的主循环、记忆边界和错误恢复设计清楚。自研让每个行为都可解释，也方便面试时讲清设计取舍。