在AI智能體領域，2026年最受矚目的國外開源產品當屬AgenticCore。它由一家非營利組織維護，旨在提供輕量級、模塊化的智能體開發框架，支持多模型集成與動態任務規劃。與LangChain等前輩不同，AgenticCore更強調智能體的自主決策能力，其核心代碼僅依賴少量依賴庫，適合開發者深度定制。

要理解AgenticCore的精髓，我們從一個基礎示例開始：創建一個能調用外部API的智能體。首先，安裝框架后，初始化一個Agent實例。關鍵代碼片段如下：

from agenticcore import Agent, Tool

def getweather(city: str) -> str: # 模擬天氣查詢工具 return f"{city}的天氣為晴天，22°C"

weathertool = Tool(name="getweather", func=getweather, description="查詢指定城市的天氣")

agent = Agent( tools=[weathertool], model="gpt-4o-mini", # 支持多種LLM后端 memory=True # 啟用短期記憶

)

response = agent.run("北京今天天氣如何？")

print(response)

這段代碼展示了AgenticCore的核心抽象：Agent和Tool。Tool對象封裝了函數及其元數據，Agent則負責將用戶輸入路由到合適的工具。注意memory參數，它讓智能體記住對話上下文，實現多輪交互。

進一步，AgenticCore支持復雜的任務編排。例如，智能體可以自主分解用戶請求為子任務，按順序執行。以下代碼展示多步協作：

from agenticcore import Plan

plan = Plan( steps=[ "查詢用戶所在地", "調用天氣工具", "生成出行建議" ], agent=agent

)

result = plan.execute("我明天要去上海出差，需要帶傘嗎？")

print(result)

Plan對象內部使用LLM動態生成執行序列，每個步驟可調用不同工具。這種設計讓AgenticCore在自動化工作流場景中表現優異，如客戶服務或數據分析。

最后，AgenticCore還提供記憶管理模塊，支持向量存儲與檢索。例如，在長期記憶場景中：

from agenticcore.memory import VectorMemory

memory = VectorMemory(embeddingmodel="text-embedding-ada-002")

memory.save("用戶偏好：喜歡簡潔回答")

agentwithmemory = Agent(tools=[], model="gpt-4o-mini", memory=memory)

print(agentwithmemory.run("記住我偏好"))

通過向量化存儲，智能體能在后續對話中檢索歷史信息，實現個性化交互。AgenticCore的代碼風格簡潔，文檔完善，適合從原型到生產環境的快速迭代。