AgenticCore是2026年最新发布的国外开源AI智能体框架，专注于简化多智能体协作与任务编排。本文深入解析其核心代码片段，展示如何利用Python构建一个自主决策的智能体，从工具调用到记忆管理，助你快速上手这款前沿技术。
在AI智能体领域，2026年最受瞩目的国外开源产品当属AgenticCore。它由一家非营利组织维护，旨在提供轻量级、模块化的智能体开发框架，支持多模型集成与动态任务规划。与LangChain等前辈不同，AgenticCore更强调智能体的自主决策能力，其核心代码仅依赖少量依赖库，适合开发者深度定制。
要理解AgenticCore的精髓，我们从一个基础示例开始：创建一个能调用外部API的智能体。首先，安装框架后，初始化一个Agent实例。关键代码片段如下：
from agenticcore import Agent, Tool
def getweather(city: str) -> str: # 模拟天气查询工具 return f"{city}的天气为晴天，22°C"
weathertool = Tool(name="getweather", func=getweather, description="查询指定城市的天气")
agent = Agent( tools=[weathertool], model="gpt-4o-mini", # 支持多种LLM后端 memory=True # 启用短期记忆
)
response = agent.run("北京今天天气如何？")
print(response)
这段代码展示了AgenticCore的核心抽象：Agent和Tool。Tool对象封装了函数及其元数据，Agent则负责将用户输入路由到合适的工具。注意memory参数，它让智能体记住对话上下文，实现多轮交互。
进一步，AgenticCore支持复杂的任务编排。例如，智能体可以自主分解用户请求为子任务，按顺序执行。以下代码展示多步协作：
from agenticcore import Plan
plan = Plan( steps=[ "查询用户所在地", "调用天气工具", "生成出行建议" ], agent=agent
)
result = plan.execute("我明天要去上海出差，需要带伞吗？")
print(result)
Plan对象内部使用LLM动态生成执行序列，每个步骤可调用不同工具。这种设计让AgenticCore在自动化工作流场景中表现优异，如客户服务或数据分析。
最后，AgenticCore还提供记忆管理模块，支持向量存储与检索。例如，在长期记忆场景中：
from agenticcore.memory import VectorMemory
memory = VectorMemory(embeddingmodel="text-embedding-ada-002")
memory.save("用户偏好：喜欢简洁回答")
agentwithmemory = Agent(tools=[], model="gpt-4o-mini", memory=memory)
print(agentwithmemory.run("记住我偏好"))
通过向量化存储，智能体能在后续对话中检索历史信息，实现个性化交互。AgenticCore的代码风格简洁，文档完善，适合从原型到生产环境的快速迭代。