youtu-agent

Youtu-Agent est un framework flexible pour construire, exécuter et évaluer des agents autonomes, développé par Tencent Cloud ADP et publié en open source. Il est construit sur le SDK openai-agents, héritant des capacités de streaming, de traçage et de boucle d'agent, et est conçu pour fonctionner avec des modèles open-weight tels que DeepSeek-V3 plutôt que de dépendre de modèles fermés. Les concepts clés incluent l'Agent (un LLM avec des prompts, des outils et un environnement), la Toolkit (un ensemble d'outils packagés), l'Environnement (le monde dans lequel l'agent opère, comme un navigateur ou un shell), le ContextManager (gestion de la fenêtre de contexte) et le Benchmark (un flux de travail de données encapsulé avec prétraitement, déploiement et évaluation). Les capacités notables décrites dans le README : - Génération automatisée d'agents et d'outils : un mode Workflow pour les tâches standard et un mode Meta-Agent pour les exigences complexes. Le méta-agent peut interviewer l'utilisateur, assembler des outils, générer des configurations YAML et produire du code d'outil et des schémas. Le README rapporte un taux de réussite de synthèse d'outils supérieur à 81 %. - Apprentissage continu par expérience : un module Agent Practice basé sur Training-Free GRPO, qui maintient le modèle figé et apprend du contexte sans mises à jour de paramètres. - RL d'agent : un pipeline pour l'apprentissage par renforcement de bout en bout, intégré à des frameworks distribués tels que Agent-Lightning, décrit comme évolutif jusqu'à 128 GPU. - Benchmarking : le projet rapporte des résultats sur WebWalkerQA et GAIA en utilisant des modèles open-weight, et fournit des scripts d'évaluation et un frontend d'analyse. - Exemples pratiques : analyse de données, gestion de fichiers, recherche large/approfondie, analyse de documents, intégration RAG avec RAGFlow, génération SVG et génération de présentations. Pour commencer, Python 3.12+ et uv pour la gestion des dépendances sont requis. Les utilisateurs clonent le dépôt, exécutent uv sync, copient .env.example vers .env et configurent les clés API LLM (le README montre des endpoints compatibles DeepSeek). Une configuration basée sur Docker avec un frontend interactif est également documentée. Les agents sont définis via des configurations YAML, et un chatbot CLI interactif peut être lancé avec scripts/cli_chat.py. Les exemples de recherche web nécessitent SERPER_API_KEY et JINA_API_KEY. Un package d'interface web peut être installé à partir des versions pour visualiser le runtime de l'agent. Le framework est entièrement asynchrone, prend en charge les API responses et chat.completions, et inclut un système DBTracingProcessor pour analyser les appels d'outils et les trajectoires. Le README positionne le projet pour les chercheurs en agents et les formateurs LLM cherchant une base de référence, les développeurs d'applications ayant besoin d'un échafaudage portable, et les passionnés souhaitant des exemples pratiques et débogables.