01 项目简介

tRPC团队之前在业界Go语言AI生态开发少的背景下，推出了tRPC-Agent-Go框架，在经过腾讯内部业务充分验证及我们的不断打磨之后，现在推出Python版本的框架tRPC-Agent-Python（https://github.com/trpc-group/trpc-agent-python），方便开发者接入开源社区已有基于Python AI生态（比如Langchain），使用多种的开发范式及业界最佳Agent实践，灵活、高效地开发Agent。

相比于业界已有的Agent框架，下面是您选择tRPC-Agent-Python的原因：

● 多范式 Agent 编排：预设编排支持 ChainAgent / ParallelAgent / CycleAgent ，同时支持 GraphAgent 图编排

● 图编排能力（GraphAgent）：通过 DSL 统一编排 Agent / Tool / MCP / Knowledge / CodeExecutor

● trpc-claw（openclaw-like）Agent能力：基于 nanobot：https://github.com/HKUDS/nanobot  构建，tRPC-Agent 提供 trpc-claw 能力，方便你快速开发一个支持 Telegram / 企业微信等通道的 OpenClaw-like 个人 AI Agent

● 高效接入 Python AI 生态扩展：Agent 生态扩展（claude-agent-sdk / LangGraph 等）/ 工具生态扩展（mcp 等）/ 知识库生态扩展（LangChain 等）/ 模型生态扩展（LiteLLM 等）/ 记忆生态扩展（Mem0 等）

● Agent 生态扩展：支持 LangGraphAgent / ClaudeAgent / TeamAgent（Agno-Like）。

● Tool 生态扩展：FunctionTool / 文件工具 / MCPToolset / LangChain Tool / Agent-as-Tool

● 完善的记忆能力（Session / Memory）：Session 负责单会话内的消息与状态管理，Memory 负责跨会话长期记忆与个性化信息沉淀。持久化支持 InMemory / Redis / SQL，Memory 还支持 Mem0

● 生产级知识库能力：知识库能力基于 LangChain 组件构建，更好地支持 RAG 场景

● CodeExecutor 扩展能力：支持本地 / 容器执行器，用于支持 Agent 的代码执行与任务落地能力

● Skills 扩展能力：支持 SKILL.md 技能体系，用于支持 Agent 的技能复用与动态工具化能力

● 对接多种 LLM Provider：OpenAI-like / Anthropic / LiteLLM 路由

● 服务化与可观测：支持通过 FastAPI 提供 HTTP / A2A / AG-UI 的服务，内置 OpenTelemetry 追踪

tRPC-Agent-Python 提供从 Agent 构建、编排、工具接入、会话记忆，到服务化部署与可观测的完整能力，帮助你快速落地可运行、可扩展、可维护的智能体应用，如果您有下面这些需求，欢迎使用框架：

● 智能客服与知识问答（RAG + 会话记忆）

● 代码生成与工程自动化（ClaudeAgent）

● 代码执行与自动化任务落地（CodeExecutor）

● 使用 Agent Skills

● 多角色协作任务（TeamAgent / Multi-Agent）

● 跨协议 Agent 服务接入（A2A / AG-UI）

● MCP 工具协议接入与工具生态扩展

● 面向网关场景的统一接入与协议转换

● 基于 GraphAgent 的组件化工作流编排

● 复用已有 LangGraph 工作流并接入当前体系

● 快速打造 OpenClaw-like 个人 AI Agent（trpc-claw）

02 架构设计

框架采用事件驱动方式组织组件，各层可独立扩展：

● Agent 层：LlmAgent / ChainAgent / ParallelAgent / CycleAgent / TransferAgent

● Agent 生态扩展层：LangGraphAgent / ClaudeAgent / TeamAgent

● 图能力层：GraphAgent（DSL 组件编排能力）

● Runner 层：统一执行入口，负责 Session / Memory / Artifact 等服务协同

● Tool 层：FunctionTool / 文件工具 / MCPToolset / Skill 工具

● Model 层：OpenAIModel / AnthropicModel / LiteLLMModel

● Memory 层：SessionService / MemoryService / SessionSummarizer / Mem0MemoryService

● Knowledge 层：基于 LangChain 的生产级知识库能力（RAG）

● 执行与技能层：CodeExecutor（本地/容器）/ Skills

● 服务层：FastAPI / A2A / AG-UI

● 观测层：OpenTelemetry tracing/metrics，可对接 Langfuse 等平台

● 生态适配层：claude-agent-sdk / mcp / LangChain / LiteLLM / Mem0，通过模型/工具/记忆适配器接入主链路

03 快速开始

前置条件

● Python 3.10+（推荐 Python 3.12）

● 可用的模型服务 API Key（OpenAI-like / Anthropic，或通过 LiteLLM 路由）

安装

安装发布包：

pip install trpc-agent-py

按需安装扩展能力：

pip install trpc-agent-py[a2a,ag-ui,knowledge,agent-claude,mem0,langfuse]

开发天气查询Agent

# quickstart.pyimport asyncioimport osimport uuid
from trpc_agent_sdk.agents import LlmAgentfrom trpc_agent_sdk.models import OpenAIModelfrom trpc_agent_sdk.runners import Runnerfrom trpc_agent_sdk.sessions import InMemorySessionServicefrom trpc_agent_sdk.tools import FunctionToolfrom trpc_agent_sdk.types import Content, Part

async def get_weather_report(city: str) -> dict:    return {"city": city, "temperature": "25°C", "condition": "Sunny", "humidity": "60%"}

async def main():    model = OpenAIModel(        model_name=os.environ["TRPC_AGENT_MODEL_NAME"],        api_key=os.environ["TRPC_AGENT_API_KEY"],        base_url=os.environ.get("TRPC_AGENT_BASE_URL", ""),    )
    agent = LlmAgent(        name="assistant",        description="A helpful assistant",        model=model,        instruction="You are a helpful assistant.",        tools=[FunctionTool(get_weather_report)],    )
    session_service = InMemorySessionService()    runner = Runner(app_name="demo_app", agent=agent, session_service=session_service)
    user_id = "demo_user"    session_id = str(uuid.uuid4())    user_content = Content(parts=[Part.from_text(text="What's the weather in Beijing?")])
    async for event in runner.run_async(user_id=user_id, session_id=session_id, new_message=user_content):        if not event.content or not event.content.parts:            continue        for part in event.content.parts:            if part.text and event.partial:                print(part.text, end="", flush=True)            elif part.function_call:                print(f"\n🔧 [{part.function_call.name}({part.function_call.args})]", flush=True)            elif part.function_response:                print(f"📊 [{part.function_response.response}]", flush=True)
    print()
if __name__ == "__main__":    asyncio.run(main())

运行Agent

export TRPC_AGENT_API_KEY=xxxexport TRPC_AGENT_BASE_URL=xxxxexport TRPC_AGENT_MODEL_NAME=xxxxpython quickstart.py

更多示例请查看：  https://github.com/trpc-group/trpc-agent-python/tree/main/examples  目录下各子目录 README.md。

04 trpc-claw

tRPC-Agent 基于 nanobot：https://github.com/HKUDS/nanobot 提供了 trpc-claw 能力，方便快速打造一个 OpenClaw-like 的个人 AI Agent：配置好后一条命令启动，可 7×24 小时在线，通过 Telegram、企业微信等常用 IM 与 Agent 交互，或直接在本地 CLI / UI 使用。

详细配置与高级功能参见：trpc-claw：https://github.com/trpc-group/trpc-agent-python/blob/main/docs/mkdocs/zh/openclaw.md

1. 生成配置文件

mkdir -p ~/.trpc_clawtrpc_agent_cmd openclaw conf_temp > ~/.trpc_claw/config.yaml

2. 配置环境变量

export TRPC_AGENT_API_KEY=your_api_keyexport TRPC_AGENT_BASE_URL=your_base_urlexport TRPC_AGENT_MODEL_NAME=your_model

3. 本地运行

# 强制本地 CLItrpc_agent_cmd openclaw chat -c ~/.trpc_claw/config.yaml
# 本地 UItrpc_agent_cmd openclaw ui -c ~/.trpc_claw/config.yaml

4. 接入企业微信 / Telegram

在 config.yaml 中启用对应通道，然后 run 启动：

channels:  wecom:    enabled: true    bot_id: ${WECOM_BOT_ID}    secret: ${WECOM_BOT_SECRET}  # 或 Telegram：  # telegram:  #   enabled: true  #   token: ${TELEGRAM_BOT_TOKEN}

05 致谢

感谢腾讯理财通、腾讯广告等业务团队在真实业务场景中的持续验证与反馈，帮助我们不断打磨框架能力。

也感谢 ADK、Agno、CrewAI、AutoGen 等优秀开源框架带来的启发，让我们能够站在巨人的肩膀上持续前进。

06 项目地址

github： https://github.com/trpc-group/trpc-agent-python

如果 tRPC-Agent-Python 对你有帮助，请花 3 秒钟点一个 Star🌟 —— 这是对我们最直接的鼓励，也能帮助更多开发者发现这个项目。

更多文档：

● 中文文档： https://github.com/trpc-group/trpc-agent-python/tree/main/docs/mkdocs/zh

● 英文文档： https://github.com/trpc-group/trpc-agent-python/tree/main/docs/mkdocs/en

关注腾讯开源公众号

获取更多最新腾讯官方开源信息！