多智能体终于不乱了!清华中山团队开源OpenRath,把Session推上C位
很多开发者在检查 GitHub 趋势榜时发现,这个项目与主流框架走了截然不同的路线。AutoGen、CrewAI、LangGraph 解决的问题是"Agent 之间怎么对话",OpenRath 则多问了一句:对话结束后,谁来拥有这份工作的状态?
在传统方案里,一个 Agent 维护一份上下文,另一个 Agent 复制一段历史;一个任务分叉出好几条推理路径,最后没人说得清哪条分支产出了最终答案。模型调用、工具执行、沙箱环境、长期记忆各管各的状态,demo 跑得挺好,但系统扩到几十上百个 Agent,调试就成了一场噩梦。1
OpenRath 的解法是把 Session 当成一等公民。Session 不只是聊天记录,而是一份完整的"工作档案"——它记录工具调用的参数与结果、文件修改的 diff、沙箱的身份、失败重试的路径、校验信号的来源。所有协同 Agent 统一读写同一份 Session,不存在状态拷贝和数据割裂。
- 版本与协议
v1.2.1,BSD-3-Clause 协议,商业友好 - 安装方式
pip install openrath - 星标数
突破 1000,27 个 Fork - 核心定位
多智能体、多会话运行时,类 PyTorch 设计 - 官网与文档
https://www.openrath.com/ | https://docs.openrath.com/
这背后的设计哲学来自深度学习框架 PyTorch。OpenRath 刻意复刻了 PyTorch 的抽象映射:Tensor 对应 Session(流动的数据载体),Device 对应 Sandbox(执行环境),Parameter 对应 Memory(持久记忆),nn.Linear 对应 Agent(Session 变换层),nn.Module 对应 Workflow(可组合容器)。对于有 PyTorch 经验的开发者而言,上手成本极低。3
Session 可以 fork、merge、detach,还能导出 JSONL。这意味着当一个任务探索多条分支时,每条分支都是独立的 Session 实例;分支合并后,结果统一沉淀在同一链路中。你可以精确回答:这个结论是哪个 Agent 产的、走了哪条分支、调用了哪次工具、在哪个 workspace 跑出来的。
Session 沿着 fork/merge 演化,每一步都留下血缘。这张图不是预先编排的剧本,而是随 Agent 运行实时生长的动态图——代码跑到哪,图就长到哪。这与 PyTorch 的"define-by-run"思路一致。
- GitHub 地址
https://github.com/Rath-Team/OpenRath - 当前版本
v1.2.1,已在 PyPI 发布 - 开源协议
BSD-3-Clause,支持商业使用 - 核心创新
Session 作为运行时一等公民,支持 fork/merge/序列化 - 设计借鉴
PyTorch 哲学:Tensor→Session、Module→Workflow、Device→Sandbox - 学习路径
11 个递进示例,从最小 Agent 到动态 Selector 路由
不过需要评估早期版本的兼容成本。当前记忆模块尚未完全实现,远程沙箱后端也在补充中。对于已有 AutoGen 或 LangGraph 工作流的团队,OpenRath 不是替代方案,而是互补层——它扮演的状态载体角色,调度器、追踪系统、沙箱提供者都可以在此基础上协同。
项目配套 11 个递进式示例,从"让一个 Agent 跑起来"到"一群 Agent 动态协作",覆盖工具调用、沙箱后端、流式输出、记忆检索、动态 Selector 等场景。官方文档、博客、技术论文(arXiv:2606.19409)均已上线,供深度参考。
最近一次 commit 记录显示项目处于活跃维护状态。Rath Team 在论文中以罕见坦诚态度列出未声明内容:跨系统基准测评尚未完成、部分后端一致性未经验证、记忆模块检索质量待验证。这种工程诚实姿态,为后续社区贡献奠定了可预期的迭代节奏。
当前文章无评论,是时候发表评论了