当前位置：首页>python>Agent用Python写,性能翻倍Token还减半了

Agent用Python写,性能翻倍Token还减半了

2026-08-18 23:11:32

AI Agent 没必要上那些复杂框架，拿 Python 直接写，效果反而更好。

同一个模型，套进这个框架，在 ARC-AGI-3 推理测试里，成绩从13.3%涨到了85.1%，token还省了一半。

CodeAct 循环流程：外部发起调用后，系统开启多轮迭代，每一轮都会渲染当前上下文、调用大模型、执行 Python 代码动作并更新事件与状态；若更新状态后得到经过类型校验的有效结果，则终止流程并对外返回数据，否则携带更新后的状态信息继续进入下一轮循环执行。

现在的Agent写法

2026年的今天，AI Agent框架已经高度成熟，主流选手不少。

LangGraph（LangChain生态）靠有向图做状态机编排，控制力和可观测性最强，但难上手；
CrewAI走角色驱动路线，定义几个"人设"和目标就能组队干活，原型出得快；
Microsoft Agent Framework合并了 AutoGen 和 Semantic Kernel，主打企业级和Azure/.NET，但整体偏重；
OpenAI Agents SDK轻量、贴近底层API，靠简洁的移交机制串起调用；
此外还有Google ADK的多语言支持、LlamaIndex Workflows适用于RAG和文档密集场景下。

这些框架各有各的擅长场景。选哪个取决于团队和场景，没有绝对的好坏。但它们有一个共同的问题：每个都发明了一套自己的规则。

写一个Agent，代码常散落在四个地方：提示词模板、工具定义、回调代码、工作流图，改一个功能要在好几个文件之间来回切换。

换一个框架，又得从头学一套新概念——LangGraph让你画图，CrewAI让你排角色，OpenAI SDK用移交。

而这些概念解决的，其实是编程语言里本来就有的东西：类型接口、变量作用域、控制流、对象状态。

NVIDIA团队点出了这里的问题：这些抽象本身就在模型的训练数据里，模型天生就懂。另造一套，开发者和模型都得重新学一遍。

方法很简单——全部塞进同一个容器里。这个容器就是 Python 对象。

上下文管理分层架构：由ContextManager统一管理静态上下文、动态上下文，搭配EventManager维护先进先出的类型化事件队列；整套上下文被拆分为三大模块，静态上下文存放每一轮推理都固定可见的系统指令、Agent 基础定义，Events依托事件管理器保存 Agent 完整执行历史（用户消息、模型回复、工具调用记录），动态上下文承载每一轮实时渲染的环境状态、变量信息；三类模块最终按规范标签拼装，共同构成送入 LLM 的完整 Prompt 输入。

怎么装下整个Agent

在NOOA里，一个Agent就是一个Python类。没有新语法，没有DSL。

方法（method）是模型能执行的动作

字段（field）是它的状态

文档字符串（docstring）就是提示词

类型注解就是契约

NOOA 智能体记忆系统架构：MemoryManager 将记忆能力挂载至基于 CodeAct 循环的 LLM Agent，Agent 可调用记忆工具执行存储、检索、关联等操作，系统通过检索模块依托 KNN 与图结构从 SQLite 持久化存储中调取记忆；轮次执行前的钩子会自动把关联记忆注入上下文块实现自发召回，反思模块负责对记忆进行合并、抽象与清理以完成记忆巩固，所有状态统一保存在可人工查看的 SQLite 数据库，全部访问行为可追踪观测，向量索引支持灵活插拔。

设计上有一个关键约定：一个方法的方法体如果写着 ...（省略号），运行时就交给LLM来完成，这叫"智能"方法；

如果方法体是真实代码，那就是确定性的 Python 逻辑。

等于在源代码里直接画了一条线：这边是 AI 的概率判断，那边是写死的确定逻辑，一眼看得清清楚楚。

确定性的事（算术、解析、状态切换）就用确定性代码来写，避免模型幻觉；

开放性的判断、综合、生成，才交给LLM。

这条边界以前在提示词的措辞里，现在直接写在代码上。

论文里有句话点明了它的野心：

This brings prompt engineering back into software engineering, so behavior can be tested, traced, refactored, versioned, and optimized.
这让提示词工程回归软件工程，行为可以像普通软件一样被测试、追踪、重构、版本化和优化。

Agent 不再是黑盒。能写测试、能打断点、能翻 git 历史，跟写普通代码一样顺手。