TD-AgentCore 是一个企业级智能体开发框架，核心设计理念：
- Agent 内部通过行为树（Behavior Tree）控制工作流
- 多个 Agent 之间通过 MCP（Model Context Protocol）协议串联
- 云原生微服务架构，支持 Docker/Kubernetes 部署
- 状态持久化，支持断点续传
- LLM 网关，支持多模型路由与降级
┌─────────────────────────────────────────────────────────────┐
│ Nginx 网关 │
│ (负载均衡 + 限流 + SSL 终止) │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ API Gateway │
│ (FastAPI + 认证 + 路由) │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Orchestrator │
│ (任务编排 + MCP 路由 + 状态管理) │
└─────────────────────────────────────────────────────────────┘
│
┌─────────────────┼─────────────────┐
▼ ▼ ▼
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Researcher │ │ Writer │ │ Reviewer │
│ Agent │ │ Agent │ │ Agent │
│ (Docker) │ │ (Docker) │ │ (Docker) │
└─────────────┘ └─────────────┘ └─────────────┘
│ │ │
└─────────────────┼─────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 数据层 │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ PostgreSQL │ │ Redis │ │ pgvector │ │
│ │ (状态持久化)│ │ (缓存) │ │ (向量存储) │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
└─────────────────────────────────────────────────────────────┘
TD-AgentCore/
├── docker/ # Docker 配置
│ ├── Dockerfile.api # API 网关镜像
│ ├── Dockerfile.orchestrator # 编排器镜像
│ ├── Dockerfile.agent # Agent 镜像
│ ├── entrypoint.sh # 容器入口脚本
│ ├── init-db.sql # 数据库初始化
│ └── nginx/
│ └── nginx.conf # Nginx 配置
├── src/
│ ├── agents/ # 智能体模块
│ ├── api/ # API 接口
│ ├── btree/ # 行为树模块
│ ├── chains/ # 链式调用
│ ├── config/ # 配置管理
│ ├── core/ # 核心功能
│ ├── mcp/ # MCP 协议（Agent 间通信）
│ ├── services/ # 企业级服务
│ │ ├── state_store.py # 状态存储（PostgreSQL + Redis）
│ │ ├── task_manager.py # 任务管理器
│ │ ├── llm_gateway.py # LLM 网关
│ │ ├── http_mcp_server.py # HTTP MCP 服务端
│ │ ├── http_mcp_client.py # HTTP MCP 客户端
│ │ ├── orchestrator_service.py # 编排器服务
│ │ ├── agent_service.py # Agent 服务
│ │ └── tracing.py # 全链路追踪
│ ├── tools/ # 本地工具
│ ├── utils/ # 工具函数
│ └── main.py # 应用入口
├── docker-compose.yml # Docker 编排
├── pyproject.toml # 项目配置
└── README.md
# 克隆项目
git clone https://github.com/your-repo/TD-AgentCore.git
cd TD-AgentCore
# 安装依赖
pip install -e .
# 复制环境变量
cp .env.example .env
# 编辑 .env 填入你的 API Key开发模式（单进程）：
python -m src.main生产模式（Docker）：
# 启动所有服务
docker-compose up -d
# 查看日志
docker-compose logs -f
# 停止服务
docker-compose down| 服务 | 地址 | 说明 |
|---|---|---|
| API 网关 | http://localhost:80 | Nginx 代理 |
| API 文档 | http://localhost:80/docs | Swagger UI |
| 编排器 | http://localhost:8001 | 任务编排 |
| Researcher | http://localhost:8002 | 研究员 Agent |
| Writer | http://localhost:8003 | 撰写 Agent |
| Reviewer | http://localhost:8004 | 审核 Agent |
from src.services.state_store import get_state_store
state_store = await get_state_store()
# 创建任务
task = await state_store.create_task(
task_type="pipeline",
input_data={"input": "研究 AI 发展"},
total_steps=3
)
# 更新状态
await state_store.update_task_status(
task_id=task.id,
status="running",
progress=50,
current_step="executing writer"
)
# 断点续传：获取任务状态后恢复执行
task = await state_store.get_task(task_id)
if task.status == "paused":
# 从断点恢复
await resume_from_checkpoint(task)from src.services.llm_gateway import init_llm_gateway, TaskComplexity
gateway = await init_llm_gateway()
# 自动选择模型（简单任务用小模型，复杂任务用大模型）
response = await gateway.invoke(
messages=messages,
complexity=TaskComplexity.COMPLEX # 自动选择 gpt-4o
)
# 手动指定模型
response = await gateway.invoke(
messages=messages,
model_name="gpt-4o-mini"
)
# 流式输出
async for chunk in gateway.stream(messages):
print(chunk)from src.services.http_mcp_client import MCPClientPool
# 调用其他 Agent
response = await MCPClientPool.call_tool(
agent_name="researcher",
tool_name="run",
arguments={"input": "AI 发展历史"},
trace_id="trace-123"
)
print(response.result)from src.services.task_manager import get_task_manager
task_manager = await get_task_manager()
# 提交异步任务
task_id = await task_manager.submit_task(
task_type="pipeline",
input_data={"input": "研究量子计算"},
total_steps=3
)
# 查询状态
result = await task_manager.get_task_status(task_id)
print(result.status, result.progress)
# 取消任务
await task_manager.cancel_task(task_id)
# 断点续传
await task_manager.resume_task(task_id)from src.services.tracing import get_tracer, traced
tracer = get_tracer()
# 开始追踪
span = tracer.start_trace("my_operation")
# 添加标签和日志
span.add_tag("user_id", "user-123")
span.add_log("Processing step 1")
# 结束追踪
tracer.finish_span(span)
# 使用装饰器
@traced("my_function")
async def my_function():
# 自动追踪
pass| 端点 | 方法 | 说明 |
|---|---|---|
/api/pipeline |
POST | 创建执行流水线 |
/api/pipeline/{task_id} |
GET | 获取任务状态 |
/api/pipeline/{task_id}/cancel |
POST | 取消任务 |
/api/pipeline/{task_id}/resume |
POST | 恢复任务 |
/sse/pipeline/{task_id} |
GET | SSE 流式状态 |
| 端点 | 方法 | 说明 |
|---|---|---|
/api/agents |
GET | 列出可用 Agent |
/api/agents/call |
POST | 直接调用 Agent |
/api/agents/{name}/tools |
GET | 获取 Agent 工具列表 |
/api/agents/{name}/call |
POST | 调用 Agent 工具 |
# 数据库
DATABASE_URL=postgresql://agentcore:agentcore123@postgres:5432/agentcore
REDIS_URL=redis://redis:6379/0
# LLM
OPENAI_API_KEY=sk-xxx
OPENAI_API_BASE=https://api.openai.com/v1
# Agent 模型配置
RESEARCHER_MODEL=gpt-4o-mini
WRITER_MODEL=gpt-4o-mini
REVIEWER_MODEL=gpt-4o-mini
# 服务端口
API_PORT=8000
ORCHESTRATOR_PORT=8001
RESEARCHER_PORT=8002
WRITER_PORT=8003
REVIEWER_PORT=8004在 docker-compose.yml 中可以为不同 Agent 配置资源限制：
researcher-agent:
deploy:
resources:
limits:
cpus: '1.0'
memory: 1G- 创建 Agent 类：
# src/agents/my_agent.py
from src.agents import BaseAgent
class MyAgent(BaseAgent):
name = "My Agent"
def run(self, input_text: str) -> str:
# 实现逻辑
return result- 添加 Docker 服务：
# docker-compose.yml
my-agent:
build:
context: .
dockerfile: docker/Dockerfile.agent
environment:
- AGENT_NAME=my_agent
- AGENT_TYPE=my
ports:
- "8005:8002"from src.btree import action
@action("my_action")
def my_action(context, **kwargs):
# 内部实现，不通过 MCP 暴露
result = process(context.get("input"))
context.put("result", result)
return {"status": "success"}# 检查所有服务
curl http://localhost/health
curl http://localhost:8001/health
curl http://localhost:8002/health# Docker 日志
docker-compose logs -f orchestrator
docker-compose logs -f researcher-agent# 获取统计信息
curl http://localhost:8001/statsMIT License