一种用于构建由大型语言模型驱动的自主代理的轻量级模块化框架：设计、实现与在AgentForge中的应用

大型语言模型（LLMs）的出现推动了自主代理开发的范式转变，使系统能够进行推理、规划和执行复杂的多步骤任务。然而，现有的代理框架通常存在架构僵硬、供应商锁定和复杂度高，阻碍了快速原型设计和部署。本文提出了AgentForge，一个轻量级、开源的Python框架，旨在通过模块化架构民主化构建由LLM驱动的自主代理。AgentForge引入了三个关键创新点：（1）可组合的技能抽象，支持细粒度的任务分解并具有正式定义的输入输出契约；（2）统一的LLM后端接口，支持云API和本地推理引擎之间的无缝切换；（3）基于YAML的声明式配置系统，将代理逻辑与实现细节分离。我们将技能组合机制形式化为有向无环图（DAG），并证明其对表示任意顺序和并行任务流程的有效性。在四个基准场景中的全面实验评估表明，AgentForge在任务完成率方面表现优异，相比LangChain减少了62%的开发时间，相比直接API集成减少了78%。延迟测量确认了低于100ms的调度开销，使该框架适用于实时应用。模块化设计便于扩展：我们展示了六个内置技能的集成，并提供了自定义技能开发的完整文档。AgentForge通过提供研究人员和实践者构建、评估和部署自主代理的生产就绪基础，填补了LLM代理生态系统中的关键空白。