Agent Protocol：面向生产环境的 LLM Agent 框架无关 API 规范

langchain-ai/agent-protocol

GitHub原文发布未知首次收录 2026-10-15上架 2026-10-15 07:02

ELI5：它是什么，解决什么问题

Agent Protocol 是 LangChain 团队提出的规范，用于定义在生产环境中以框架无关方式对外提供 LLM Agent 服务所需的 API。规范围绕三类核心概念展开：Runs（执行 Agent 的接口，含无状态一次性运行 /runs/wait 与 /runs/stream）、Threads（组织多轮交互，支持持久化状态、历史版本、并发控制与 CRUD）、Store（长期记忆，支持命名空间、键值与搜索）。此外还定义了 Agent 自省接口、Message 消息规范以及面向线程的流式协议（SSE / WebSocket、命令、回放、工具生命周期事件等），并附有 OpenAPI 文档、JSON 规范、Python 服务端桩代码以及若干 Hurl 编写的使用旅程示例。

# memory-layer # llm-agents # 无状态协议 # 开源生态 # agent-protocol

核心能力与快速开始

★ 687 · Python

能做什么: 定义框架无关的 LLM Agent 生产级 HTTP API 规范：Runs（后台执行、取消、删除、等待最终输出、断线重连流式输出）、Threads（多轮交互状态、历史版本与 diff 存储、并发控制、搜索 / 复制 / 删除）、Store（按命名空间和键的长期记忆 CRUD 与搜索）、Agents 自省（列出 Agent、获取元信息与输入 / 输出 / 状态 / 配置 JSON Schema）、Messages 一等公民消息格式，以及线程级流式原语（SSE 过滤订阅、WebSocket 双向命令、回放、嵌套 Agent 命名空间、工具与运行生命周期事件、人工介入输入、状态快照与检查点）。提供 OpenAPI 文档、JSON Spec、CDDL 流式 Schema 及生成的 Python / TypeScript 绑定，以及基于 Pydantic V2 与 FastAPI 自动生成的 Python 服务端桩代码。
适用场景: 为自研或第三方 LLM Agent 设计统一的服务端 API；让同一套客户端代码对接不同框架实现的 Agent；构建多轮对话式 Agent 服务并管理线程状态与并发；为 Agent 增加跨会话长期记忆；实现可断线重连的流式输出与人工介入流程；参照 Hurl 旅程示例验证 Agent 服务的接口行为。
项目形态: 开发框架
部署方式: 未说明。README 提到 Python 服务端桩代码（Pydantic V2 + FastAPI）与 LangGraph.js 的开源实现（内存存储）；LangGraph Platform 已实现该协议的超集。
主要依赖: 未说明。
使用限制: 未说明部署条件、硬件、API 成本与商用限制。README 中部分能力（各流模式的详细规范、Store 向量检索、按 event-id 回放、同线程并发运行）仍列在 Roadmap 中，尚未纳入规范。
许可证: MIT
最近推送: 2026-10-15 02:15

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-15 07:00 · 卡片整理：2026-10-15 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

用于在生产环境中以框架无关方式对外提供 LLM Agent 服务：按规范实现 Runs（/runs/wait、/runs/stream）、Threads（多轮交互、持久化状态、并发控制、CRUD）与 Store（长期记忆）等 API，并可使用仓库提供的 OpenAPI 文档、JSON 规范、Python 服务端桩代码和 Hurl 使用旅程示例进行开发与测试。

查看内容依据

Agent Protocol is our attempt at codifying the framework-agnostic APIs that are needed to serve LLM agents in production.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

产品经理

用于定义和评审 LLM Agent 服务的 API 需求：围绕 Runs、Threads、Store 三类核心概念梳理执行、多轮交互与长期记忆等能力边界，并参考 Agent 自省接口（列出 Agent、获取基本信息与输入/输出/状态/配置 schema）明确 Agent 可做什么、接受什么输入、返回什么。

查看内容依据

Before you make use of an agent, it's sometimes useful to know what it can do, what inputs it accepts, what it returns, etc. This is where the introspection endpoints come in.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

llmcouncil：多 LLM 并行投票、辩论、综合与验证工具

llmcouncil 是一个面向 Windows 的多模型协作工具，可让 GPT-5、Gemini 2.5、Claude 等多个模型在同一任务上进行投票、辩论、批判与综合，从而形成最终答案。它支持与 Claude Code 及 MCP 集成，适用于写作编辑、代码审查、研究总结、方案对比、事实核查等需要多模型交叉验证的场景。

deepagentsjs：开箱即用的 TypeScript 智能体框架

Deep Agents 是一个内置完整能力的智能体框架（agent harness），以 TypeScript 包 deepagents 形式发布。它把提示词、工具与上下文管理预先封装好，安装后即可运行一个可用的智能体，并按需定制。内置能力包括：用 write_todos 做任务拆解与进度跟踪的规划能力；read_file、write_file、edit_file、ls、glob、grep 等文件系统工具作为工作记忆；通过 task 派发子智能体以隔离上下文窗口；以及让这些工具开箱可用的默认提示词与中间件。框架与模型供应商无关，可配合支持工具调用的聊天模型使用；createDeepAgent 返回编译好的 LangGraph 图，因此可用流式、Studio、checkpointer 等 LangGraph 特性。支持通过传入 model、tools、systemPrompt 进行定制，并提供 deepagents、deepagents/browser、deepagents/node 等运行时入口。

SWE-Serve：面向生产推理工程任务的智能体基准

SWE-Serve 是 NVIDIA 发布的智能体基准，包含 53 个源自 SGLang 已合并 PR 的生产推理工程任务（41 个 H100 GPU 任务与 12 个 CPU 任务），借助 Harbor 运行，考察模型/智能体在端到端执行、持久状态与并发请求下对推理系统的正确性改造能力。仓库以冻结基准发布形式提供任务目录、参考解与验证器，并支持封闭书本模式（closed-book）以防智能体查阅上游 PR，另有排行榜与论文链接。

Moonpool：本地应用与开发服务器的托盘启动器，带实时状态与内嵌终端

Moonpool 是一个常驻系统托盘的启动器中心，用单一的 JSON 清单管理本机应用与开发服务器：列出注册的应用、显示实时运行状态，并在内嵌终端（真实 PTY）中启动应用命令，双向交互查看控制台输出。它提供开始/停止/重启（停止时终止进程树并释放端口）、托盘驻留、最近使用排序，以及命令行远程控制和自带 MCP server 供脚本或 AI agent 调用。使用 Tauri v2 + Svelte 5 构建，跨平台支持 Windows 与 Linux，不支持 macOS。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。