youtu-agent

Youtu-Agent es un framework flexible para construir, ejecutar y evaluar agentes autónomos, desarrollado por Tencent Cloud ADP y publicado como código abierto. Está construido sobre el SDK de openai-agents, heredando capacidades de streaming, trazabilidad y bucle de agente, y está diseñado para trabajar con modelos de pesos abiertos como DeepSeek-V3 en lugar de depender de modelos cerrados. Los conceptos centrales incluyen el Agente (un LLM con prompts, herramientas y un entorno), el Toolkit (un conjunto empaquetado de herramientas), el Entorno (el mundo en el que opera el agente, como un navegador o shell), el ContextManager (gestión de la ventana de contexto) y el Benchmark (un flujo de trabajo de dataset encapsulado con preprocesamiento, ejecución y evaluación). Capacidades notables descritas en el README: - Generación automatizada de agentes y herramientas: un modo Workflow para tareas estándar y un modo Meta-Agent para requisitos complejos. El meta-agente puede entrevistar al usuario, ensamblar herramientas, generar configuraciones YAML y producir código y esquemas de herramientas. El README reporta una tasa de éxito de síntesis de herramientas superior al 81%. - Aprendizaje continuo por experiencia: un módulo Agent Practice basado en Training-Free GRPO, que mantiene el modelo congelado y aprende de la experiencia en contexto sin actualizaciones de parámetros. - RL de agentes: un pipeline para aprendizaje por refuerzo de extremo a extremo, integrado con frameworks distribuidos como Agent-Lightning, descrito como escalable a 128 GPUs. - Benchmarking: el proyecto reporta resultados en WebWalkerQA y GAIA usando modelos de pesos abiertos, e incluye scripts de evaluación y un frontend de análisis. - Ejemplos prácticos: análisis de datos, gestión de archivos, investigación amplia/profunda, análisis de papers, integración RAG con RAGFlow, generación de SVG y generación de PPT. Para comenzar, se requiere Python 3.12+ y uv para la gestión de dependencias. Los usuarios clonan el repositorio, ejecutan uv sync, copian .env.example a .env y configuran las claves API del LLM (el README muestra endpoints compatibles con DeepSeek). También se documenta una configuración basada en Docker con un frontend interactivo. Los agentes se definen mediante configuraciones YAML, y se puede lanzar un chatbot CLI interactivo con scripts/cli_chat.py. Los ejemplos de búsqueda web requieren SERPER_API_KEY y JINA_API_KEY. Un paquete de interfaz web se puede instalar desde releases para visualizar el runtime del agente. El framework es totalmente asíncrono, soporta tanto las APIs de responses como de chat.completions, e incluye un sistema DBTracingProcessor para analizar llamadas de herramientas y trayectorias. El README posiciona el proyecto para investigadores de agentes y entrenadores de LLM que buscan una línea base, desarrolladores de aplicaciones que necesitan un andamiaje portátil, y entusiastas que quieren ejemplos prácticos y depurables.