Mini Agents

MCP搜索检索

提供方 ZyqAlwaysCool

搜索检索 stdio · 本地进程 API Key 社区 / 第三方
查看接入方式

mini-agents 是一款基于 OpenAI 兼容接口的轻量级智能体框架,支持本地工具与 MCP 远程工具的统一注册调用,内置 ReAct、simple、plan_act 等经典智能体示例,开箱即用。

一句话选型结论

按资料字段整理

Mini Agents 属于搜索检索类 MCP 服务器,stdio · 本地进程,API Key,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式stdio · 本地进程 鉴权API Key 部署方式本地部署
GitHub 星标 1 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

智能体框架Python本地部署工具管理RAG记忆管理LLM

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
python test/test_react_agent.py

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Mini Agents当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方ZyqAlwaysCool上游标注的维护方 ZyqAlwaysCool
分类搜索检索本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

9.4 KB
来自项目仓库与上游目录的原文,未做删改

简介

mini-agents 是一款基于 OpenAI 兼容接口的轻量级智能体框架,支持本地工具与 MCP 远程工具的统一注册调用,内置 ReAct、simple、plan_act 等经典智能体示例,开箱即用. 后续将持续迭代,增强智能体核心能力.

市面上的 Agent 框架封装度高,上手快但理解成本大(如 langgraph 的 create_react_agent);本项目以最小可用实现呈现核心设计与链路,减少黑箱依赖,帮助快速理解 Agent 模式与 LLM 相关技术(RAG / Memory / MCP).

项目思路参考:HelloAgents(https://github.com/jjyaoao/HelloAgents)

编码辅助:codex

目录结构

mini_agents:
* core: 定义基类组件, 实现参考HelloAgents.
* tools: 定义工具管理基类, 包括本地工具调用和远端mcp工具调用实现, 交由统一的ToolExecutor管理工具注册、调用.
* test:包含多个不同的调用示例.
* agents: 包含多个具体的agent实现,主要通过pocketflow来做同步/异步版本的实现. pocketflow可视为一个工作流编排器,源码仅有100行,可作为workflow/agent设计的最小载体. 在它的基础上做能力扩展. pocketflow见:https://github.com/The-Pocket/PocketFlow
* memory: 对话式记忆管理组件, 关注短期/长期记忆功能的实现, 短期记忆可由LLM提炼转换成长期记忆, 可配置在agent中, 目前已在react agent中适配记忆能力.
* rag: 实现基础rag pipeline, 支持以独立组件的方式提供数据处理+向量检索服务, 也可通过工具注册的方式, 注入到agent中. 参考test_rag_pipeline.py和test_react_rag_tool.py实现. 需提前配置embedding模型、向量存储数据库地址,推荐均以base_url、apikey的方式做远端调用,不在本地直接拉起模型.

依赖安装

1) 创建虚拟环境(推荐使用uv / python venv),并安装依赖:```bash
uv pip install -r requirements.txt


2) 如需使用rag和memory组件, 需要额外安装以下依赖组件:
* qdrant: 向量存储使用, 建议以docker方式部署
* xinference: 部署embedding模型、rerank模型

## 配置
在项目根目录准备 `.env`,根目录下提供的`.env.example`为配置模板, 所有配置项详情见mini_agents/core/config.py, 常用变量如下:```ini
# [default]
DEFAULT_PROVIDER="openai"
DEFAULT_MODEL="qwen3-max"
DEFAULT_API_KEY="your-api-key"
DEFAULT_BASE_URL="http://{your_openai_ip}/v1"

# [llm] if no default set
LLM_MODEL_ID="qwen3-max"
LLM_API_KEY="sk-..."
LLM_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"

# MCP多实例(从1开始递增, 不连续序号会被截断)
MCP_1_NAME=...
MCP_1_BASE_URL=...
MCP_1_API_KEY=...
MCP_1_API_KEY_HEADER=X-API-Key
MCP_1_TIMEOUT=10
MCP_1_ENABLED=true

# MCP单实例
MCP_NAME="..."
MCP_BASE_URL="..."
MCP_API_KEY="..."
MCP_ENABLED=true

# 日志
LOG_LEVEL=INFO

说明:
- MCP实例按编号递增 (MCP_1_、MCP_2_...). 若只需单实例,可使用 MCP_BASE_URL 等单组变量.
- MCP工具注册后标准名称格式为 mcp::::,server 来自 MCP_1_NAME 等配置.
- default 组变量用于 LLMConfig.from_env() 的全局默认模型/Provider/地址;LLM_* 是底层 BaseLLMClient 的兜底配置(兼容已有环境变量). 如果两者同时存在,BaseLLMClient 优先取 LLM_*,否则回落到 default 组.
- memory、rag配置项见.env.example示例文件

快速开始

同步示例:```python
from mini_agents.tools.mcp import MCPToolManager
from mini_agents.tools.base import ToolExecutor
from mini_agents.core.config import AgentConfig
from mini_agents.core.message import Message
from mini_agents.core.llm import BaseLLMClient
from mini_agents.agents.react_agent import ReActAgent

测试用, 实际替换成请求天气的API接口

@tool_register()
def get_weather(location: str) -> str:
"""
获取指定地点的天气情况
:param location: 地点
:return 当地的天气情况
"""
return f"{location}的天气晴朗, 温度为25度"

MCPToolManager().register(ToolExecutor)
llm = BaseLLMClient()
agent = ReActAgent(name="react", llm_client=llm, agent_config=AgentConfig, tool_executor=ToolExecutor)
resp = agent.run(Message(role="user", content="北京的天气情况如何?"))
print(resp)


异步示例:```python
from mini_agents.tools.mcp import MCPToolManager
from mini_agents.tools.base import ToolExecutor
from mini_agents.core.config import AgentConfig
from mini_agents.core.message import Message
from mini_agents.core.llm import BaseLLMClient
from mini_agents.agents.react_agent import ReActAgent
import asyncio

# 测试用, 实际替换成请求天气的API接口
@tool_register()
def get_weather(location: str) -> str:
"""
获取指定地点的天气情况
:param location: 地点
:return 当地的天气情况
"""
return f"{location}的天气晴朗, 温度为25度"

async def main():
await MCPToolManager().register_async(ToolExecutor)
llm = BaseLLMClient()
agent = ReActAgent(name="react", llm_client=llm, agent_config=AgentConfig, tool_executor=ToolExecutor)
resp = await agent.run_async(Message(role="user", content="北京的天气情况如何?"))
print(resp)

asyncio.run(main())

Tool工具管理要点

  • 本地工具(function call)通过 @tool_register 装饰器注册,MCP工具通过 MCPToolManager 批量注册,需提前配置mcp server的信息. 注册完成后统一由 ToolExecutor做管理调度.
  • 可选白名单:ToolExecutor.set_allowed_tools([...]),仅对已成功注册的工具生效,未注册的名称会被自动忽略.
  • MCP 预检连接失败会记录日志并跳过该服务,不会阻断其他工具注册.

测试

运行内置示例测试:bash python test/test_react_agent.py pytest -q test/test_react_agent.py
(需事先配置好 LLM/MCP 网络与鉴权)

记忆组件(Memory)

具体的设计文档说明在docs/memory_design.md中, 记忆组件包括以下几个核心设计:
- 组件:
- SessionMemory: 短期记忆,驻内存,支持 TTL/容量淘汰
- HybridLongTermMemory: 长期记忆,默认 sqlite+向量存储, 向量化需要部署xinference等服务调用, 非本地embedding模型
- MemoryManager: 检索聚合+RRF 排序+遗忘衰减
- MemoryRefiner: 通过LLM将单次对话中的短期记忆做提炼, 把有价值的信息结构化成长期记忆存储在sqlite或其他存储后端中
- 嵌入(embedder):支持远程嵌入,需配置 MEMORY_REMOTE_EMBEDDING_MODEL / BASE_URL / API_KEY / DIM,缺失配置会报错.
- 去重:长期记忆(LongTermMemory)写入前按 (user_id, type, content) 去重,避免重复记忆膨胀.
- 遗忘(forget):forget_on_run_end 控制 run 结束是否触发记忆的衰减清理, 模拟人会遗忘一些不重要的记忆, refiner_timeout 控制记忆精炼线程的等待时长,超时会告警但线程继续执行.

执行流程(以ReAct agent+Memory为示例)

0) 测试文件: test/test_memory_react_llm.py
1) 请求前:根据用户输入构造 MemoryQuery 检索记忆,生成 [MEMORY_START...END] 片段注入 ReAct 提示.
2) 运行中:用户消息/工具 observation/模型思考依次写入短期记忆,用于当前轮决策与后续检索;历史保存在 history 便于调试.
3) 结束时:写入本轮最终回答到短期记忆中;若开启精炼,启动精炼线程,将本轮关键信息摘要打标写入长期记忆存储(默认 sqlite).

RAG组件

RAG组件的设计文档在docs/rag_design.md中, 该文档通过与codex进行多轮对话+设计调整, 形成最终的设计方案. RAG组件将基础RAG流程分解成两个阶段:
1. 数据预处理: 将原始输入的文档统一转换为markdown格式, 通过分块处理+元数据增强,形成多个文本块,向量化后存储在目标向量库中.
* 元数据增强: 默认使用LLM做语义增强, 使用LLM对原文本块内容做摘要、关键词、相关问题集, 丰富原文本块的语义信息.
2. 检索召回: 将输入的原始查询通过MQE+HyDE两个检索策略做查询扩展, 召回候选文本块, 同时提供rerank模型的配置选择, 可做二次精排.
* 多查询扩展(MQE): 指将原输入通过LLM做多角度改写, 丰富召回候选池和相关度.
* 假设性文档嵌入(HyDE): 指先用LLM对输入问题做一轮回答(a1), 再使用a1去与向量库做相似度匹配, 召回与假设性答案a1相关的文本块.

各阶段均以组件化的形式提供对外服务, 支持扩展和独立接入, 不与其他能力相互耦合.

公共组件包(mini_agents/common)

此公共包是一个可选项, 封装了memory、rag、tool组件中的一些基础能力, 目的是减少业务逻辑中的重复模板代码, 可自由选择使用common包或是调用组件能力. test目录下包含有相关示例.

常见问题

  • 事件循环:同步环境用 register/run,异步环境用 register_async/run_async,避免在已有事件循环中调用同步接口.
  • 网络失败:若日志提示 MCP 预检或 LLM 连接失败,请检查内网可达性、DNS、代理、防火墙设置. 未连通时 MCP 会被跳过,可能导致白名单过滤后无可用工具.
  • 输出不符预期:实测下来,私有服务器部署的诸如14B、32B量化版模型的效果不佳,即使是线上版本的模型, 参数量较少的版本如qwen3-30b-a3b-instruct-2507在以react agent模式解决复杂时仍然无法正确回答问题. 而切换至线上的qwen3-max后输出符合预期. 因此, 如果发现模型回答过傻,或是无法按照要求输出,可以考虑切换模型测试或者微调系统提示词.

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Mini Agents 怎么安装?

在客户端按下面的安装命令接入:python test/test_react_agent.py。装完在客户端配置里引用同一个包或端点。

Mini Agents 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Mini Agents 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Mini Agents 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Mini Agents 能提供哪些能力?

资料显示能力标签包括 工具管理、Python、记忆管理、RAG。具体工具清单以官方文档为准。

Mini Agents 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Mini Agents 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。