博客

项目地址: https://github.com/OpenInterpreter/open-interpreter

当前版本: Rust 重写版（基于 OpenAI Codex 分叉）

许可证: Apache-2.0

分析日期: 2026-09-13

一、项目演进概述

Open Interpreter 经历了一次根本性的架构跃迁。最初以 Python 实现的 “自然语言 → 代码执行” 概念起家，允许用户用自然语言控制计算机。当前版本已完全用 Rust 重写，基于 OpenAI 的 Codex 项目分叉而来，定位从”通用代码解释器”转变为”面向低成本模型优化的编码 Agent”。原 Python 版本已由社区维护为独立 fork（endolith/open-interpreter）。

这一转型意味着 Open Interpreter 不再是一个轻量级 Python 包，而是一个系统级 Rust 应用，拥有完整的 TUI（终端用户界面）、沙箱执行引擎、多模型 Harness 模拟系统和 ACP 协议支持。

二、整体架构：Crate 分层结构

项目核心位于 codex-rs/ 目录，采用 Rust workspace 组织，主要 crate 包括：

（更多…）

项目: agno-agi/agno

Stars: 39.8k+ | Forks: 6k+ | License: Apache-2.0

创建时间: 2023 (原 Phidata) → 2025-01-31 更名为 Agno | Python: 3.10+

定位: 生产级 Agent 平台框架与运行时——Build, Run, and Manage Agent Platforms

目录

1. 三层架构：Framework / AgentOS / Control Plane
2. 核心执行原语：Agent / Team / Workflow
3. 无状态实体模型（V2 架构革新）
4. 模型抽象层：40+ Provider 统一接口
5. 工具系统与 100+ 集成
6. 知识系统：Agentic RAG 架构
7. 会话、记忆与学习子系统
8. AgentOS 运行时：生产级 API 服务
9. 事件流与可观测性
10. 架构哲学与设计模式总结

1. 三层架构：Framework / AgentOS / Control Plane

Agno 最显著的架构特征是三层分离，将开发、运行、管理三个关注点彻底解耦：

|——|——|——|

这种设计的核心理念是“Own your agent stack”——所有数据（会话、记忆、知识、Trace）都存储在用户自己的基础设施中（SQLite/Postgres），而非框架托管。

（更多…）

项目: run-llama/llama_index

Stars: 52.1k | Forks: 8.1k | Commits: 7,930

许可证: MIT

定位: 面向数据增强的 LLM 应用框架，核心解决「如何用私有数据增强 LLM」的问题

1. 项目定位与核心价值

LlamaIndex（原名 GPT Index）由 Jerry Liu 于 2022 年创建，定位为文档处理与 AI 数据框架。其核心价值主张是：

• 数据连接器：从 API、PDF、文档、SQL 等多种来源摄取数据
• 数据结构化：通过索引（Index）和图（Graph）组织数据，使其可被 LLM 高效使用
• 高级检索/查询接口：将任意 LLM 提示输入转换为检索上下文和知识增强输出
• 应用框架集成：与 LangChain、Flask、Docker、ChatGPT 等无缝集成

与 LangChain 偏向通用 Agent 编排不同，LlamaIndex 的差异化在于数据为中心——索引构建、检索优化、文档解析是其一等公民能力。

2. 仓库结构与模块化设计

LlamaIndex 采用核心+集成的双层包结构：

（更多…）

项目: mem0ai/mem0 — AI Agent 的记忆层基础设施

Star: 64.9K+ | Commits: 2600+ | 许可: Apache 2.0

核心定位: 为 AI Agent 提供持久化的、可检索的、多层级的记忆能力

1. 系统定位与设计哲学

Mem0 将自身定义为 “The Memory Layer for Personalized AI”，不是一个 RAG 框架，不是向量数据库，而是一个面向 Agent 的记忆中间层。它的核心命题是：AI 助手应该像人一样”记住”对话上下文、用户偏好和历史事实，而不是每次会话都从零开始。

设计哲学有三个关键原则：

• 记忆即一等公民：记忆不是对话历史的副产品，而是独立的、结构化的、可检索的知识单元
• 推理时提取而非存储时索引：不是把整段对话塞进向量库，而是用 LLM 从对话中提取离散事实
• 多信号融合检索：语义相似度 + BM25 关键词 + 实体匹配，三路信号并行打分后融合

2026 年 4 月的新算法（V3）在 LoCoMo 基准上从 71.4 提升到 92.5，LongMemEval 从 67.8 到 94.4，核心改进是将原来的 add/update/delete 三步 LLM 调用简化为单次 ADD-only 提取——记忆只增不删，依赖检索排序来衰减过时信息。

（更多…）

项目: assafelovic/gpt-researcher

Stars: 29k+ | License: Apache 2.0 | 语言: Python

定位: 首个开源深度研究 Agent，支持 Web 和本地数据源的自主研究与报告生成

1. 整体架构概览

GPT-Researcher 采用 技能化（Skills-based）分层架构，核心是一个中央协调 Agent（GPTResearcher 类），通过组合多个专职技能模块完成研究流程。架构灵感来自 Plan-and-Solve 和 RAG 论文。

┌─────────────────────────────────────────────────────────┐
│                    GPTResearcher (Agent)                 │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐  │
│  │ Research  │ │ Context  │ │  Report   │ │   Deep     │  │
│  │ Conductor│ │ Manager  │ │ Generator │ │  Research  │  │
│  └────┬─────┘ └────┬─────┘ └────┬─────┘ └─────┬──────┘  │
│       │            │            │              │         │
│  ┌────┴────┐ ┌─────┴─────┐ ┌───┴───┐   ┌─────┴──────┐  │
│  │Retrievers│ │Compressor │ │Writer │   │Source      │  │
│  │(Web/MCP/ │ │(Embedding │ │(LLM)  │   │Curator     │  │
│  │ Local)   │ │ Filtering)│ │       │   │            │  │
│  └─────────┘ └───────────┘ └───────┘   └────────────┘  │
│                                                          │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────────┐  │
│  │  Memory  │ │  Config  │ │  LLM     │ │  Browser   │  │
│  │(Embeddings│ │ Manager  │ │ Provider │ │  Manager   │  │
│  │ + Vector) │ │          │ │          │ │            │  │
│  └──────────┘ └──────────┘ └──────────┘ └────────────┘  │
└─────────────────────────────────────────────────────────┘

Agent 核心类的初始化展示了其模块化组合设计：

class GPTResearcher:
    def __init__(
        self,
        query: str,
        report_type: str = ReportType.ResearchReport.value,
        report_source: str = ReportSource.Web.value,
        tone: Tone = Tone.Objective,
        source_urls: list[str] | None = None,
        vector_store=None,
        config_path=None,
        websocket=None,
        agent=None,
        role=None,
        parent_query: str = "",
        subtopics: list | None = None,
        mcp_configs: list[dict] | None = None,
        mcp_strategy: str | None = None,
        **kwargs
    ):

该构造函数暴露了 20+ 个可配置参数，覆盖报告类型、数据源、LLM 角色、MCP 集成等维度，体现了高度可定制性。

（更多…）