中文 · English · 配套文档：中文 · English
prodagent 是一个刻意做小、但生产级要点一样不缺的教学型 Agent 运行时：内核六个部件各管一件事、 净代码约 1800 行、运行时零三方依赖，测试全部离线可跑。一个周末读一遍，你会看清 ReAct、先规划 后执行、多 Agent 协作其实都是用同一套原语拼出来的——再回头看 LangGraph、Google ADK，会轻松 很多。它也是极客时间专栏《生产级 Agent 框架设计与实现》的配套开源项目；同主题幻灯片 《Agent 框架祛魅》（PDF）也放在仓库里。
主流框架做到最后，做的都是同一小撮决策，只是名字起得不一样。认识了 prodagent 的六个部件，再看 任何一个框架，你都知道该往哪儿找：
| 要解决的事 | prodagent（本项目） | 你可能已经熟悉的同类做法 |
|---|---|---|
| 一张可复用的步骤蓝图 | Plan = Node / Edge / Channel |
LangGraph 的 StateGraph；ADK 的 workflow / agent 图；CrewAI 的 Process + Task |
| 一次执行和它的状态 | Run + 通道与合并规则 |
LangGraph 的 State + checkpointer；ADK 的 Session |
| 驱动执行的引擎 | Scheduler 每波重算一次“就绪集合”（BSP） |
LangGraph 的 Pregel 超步；ADK 的 Runner；CrewAI 的 kickoff 循环 |
| 运行时跳转与扇出 | Goto / Send |
LangGraph 的 Command(goto/send)；ADK 的 transfer；OpenAI 的 handoff |
| 停下来等人 | Interrupt，之后 resume |
LangGraph 的 interrupt() + Command(resume)；ADK 的人工输入 |
| 事实源 / 重放 / 时间旅行 | 只追加的 EventLog，状态是事件折叠出来的 |
LangGraph 的 checkpointer + time travel；ADK 的会话重放 |
| 运行轨迹 / 产出文件 | build_trace；BlobStore + 指针事件 |
OpenTelemetry spans；ADK 会话 artifacts |
| 多 Agent | 子 Run（委派）/ 不回头的 Goto（交接）/ 黑板 |
LangGraph 子图 + Send；ADK 子 Agent 与 transfer；CrewAI 层级制 |
| 从外面看得见、拦得住 | Bus：旁观 / 裁决 / 订阅 |
LangGraph 的 callbacks 与 stream；ADK 的 EventBus |
没有魔法，也没有藏起来的东西：内核 14 个文件，一个周末就能读完。
flowchart TB
subgraph APP["应用层（策略）：ReAct · plan-first · 多 Agent · 你"]
end
subgraph K["内核（机制）· 六个部件"]
P["Plan：Node / Edge / Channel"] --> R["Run：一次执行"] --> S["Scheduler：就绪 → 波次 → 折叠"]
S --> L["EventLog：事实源"]
S --> BI["Bus / Interrupt"]
end
APP -->|用同一套原语拼出来| K
机制在内，策略在外。 内核里没有 ReAct 类，也没有“运行模式”开关——所有模式都在上层用同一套 原语拼出来；换一种编排，内核一行都不用动。
git clone https://github.com/limenagent/prodagent && cd prodagent
pip install -e .
prodagent run # 离线跑通完整流程，中途在终端答一句人工审批
prodagent run --trace # 同一次运行，渲染成父子 Run 的因果树
make play # 网页版：轨迹 / 事件 / 状态 / 文件 / 图每个示例背后都是一个“照剧本演戏”的 ScriptedLlm：完全离线、结果确定，想跑多少遍都行，一分钱
不花。哪天想接真模型，设一个 OPENAI_API_KEY 就能换成任意 OpenAI 兼容接口，其余代码一行不改。
更多场景（先规划后执行、黑板、断点续跑、背压、长期记忆）都在 examples/ 目录。
from src import Agent, Workflow, go, send, wait_human
# 一个自主 Agent：模型 + 工具
agent = Agent(name="researcher", model=llm, instruction="...", tools=[search])
await agent.run("帮我查 X")
# 确定性流程图 / 交接：节点既能是函数，也能直接是一个 Agent
wf = Workflow()
wf.add_node("diagnose", diagnose_fn)
wf.add_node("repair", repair_agent, terminal=True)
wf.add_edge("diagnose", "repair")
wf.entry("diagnose")
await wf.run("故障")节点就是一个 async def fn(input, ctx)：直接 return，就是把结果交给下游。要改道就 go(目标, 值)——
循环、回边、交接都靠它（不画回边就是交接 transfer，控制权一去不返）；要扇出就
return [send("模板", x) for x in items]——分几份运行时才知道，同一波并发跑；要停下等人就
wait_human("问题")——问题和之后的回答都是日志里的事实，恢复时从事实原样继续。
- 零基础建议先读这篇：30 分钟手写一个最小内核——80 行标准库，亲手敲一遍就通了。
- 架构总览：从六行循环推导出六个部件
- 五个最关键的设计取舍 · 框架对比 · 常见问题 · 术语表
- 内核模块的阅读顺序写在
src/__init__.py的文件头注释里（types → channels → graph → … → scheduler）；跑测试用python -m pytest tests/ -q。
如果它帮你真正看懂了 Agent 框架、而不是又背了一堆 API，欢迎点个 GitHub Star ⭐，让更多人 找到它。