AgentKit：用 TypeScript 构建确定性多 Agent 网络的开源框架

原文来源：inngest/agent-kit — 一个 TypeScript 原生多 Agent 框架，提供确定性路由、富工具集成（MCP）和内置追踪，让构建可预测的 Agent 网络变得简单。

市面上大多数 AI Agent 框架都在追求一个目标：让 Agent 自主决策、自主行动。OpenAI Agents SDK、LangGraph、CrewAI 都是这条路。但 AgentKit 选了一条截然不同的路——它不追求完全的自主性，而是强调确定性路由和可预测的协作。

设计的出发点

Inngest 本来是做事件驱动的工作流编排的，他们的核心产品 Inngest Dev Server 已经被大量后端开发者使用。AgentKit 的思路跟 Inngest 一脉相承：把 Agent 之间的协作看成一种工作流，你可以用代码精确控制每一步走哪个分支、交给哪个 Agent。

这个设计哲学的核心是：Agent 的自主性应该被限制在你能理解和调试的范围内。不是所有事情都应该让 LLM 来决定。

核心概念

AgentKit 有五个核心理念，每个都很清晰：

Agent（代理）

Agent 是最基本的单元。每个 Agent 是一个 LLM 调用，可以绑定 Prompts、Tools 和 MCP 服务器：

import { createAgent } from "@inngest/agent-kit";
 
const codeReviewer = createAgent({
  name: "code-reviewer",
  system: "你是一个严格的代码审查者。审查提交的代码并提供改进建议。",
  tools: [gitTool, lintTool],
});

Network（网络）

Network 是 Agent 协作的容器。多个 Agent 共享一个 State，可以互相传递任务：

import { createNetwork } from "@inngest/agent-kit";
 
const reviewNetwork = createNetwork({
  name: "code-review-pipeline",
  agents: [codeReviewer, securityChecker, performanceAnalyzer],
  // ...
});

State（状态）

这是 AgentKit 最有意思的设计。State 不只是对话历史——它是一个完整的有类型状态机。你可以定义状态的形状、类型、转换规则。这让 Agent 之间的数据传递变得可预测、可调试。

Router（路由）

路由是 AgentKit 的核心创新。大部分框架把路由交给 LLM 自己做决定（ReAct 模式），AgentKit 支持从代码路由到LLM 路由的全谱系选择：

• 代码路由——完全由你写逻辑决定下一个 Agent 是谁，100% 可预测
• LLM 路由——让模型根据当前状态决定下一步（类似 ReAct）
• 混合路由——部分逻辑用代码，部分交给 LLM

Tracing（追踪）

内置的追踪系统让你可以在本地和云端调试 Agent 的工作流程。能看到每个 Agent 被调用了什么工具、返回了什么结果、花了多长时间。

安装与快速开始

npm i @inngest/agent-kit inngest

注意：从 v0.9.0 开始，@inngest/agent-kit 和 inngest 需要分开安装，确保运行时兼容。

一个完整的 MCP Agent 示例（以 Neon 数据库 MCP 服务器为例）：

import { anthropic, createAgent, createNetwork, createTool } from "@inngest/agent-kit";
import { createServer } from "@inngest/agent-kit/server";
import { z } from "zod";
 
const neonAgent = createAgent({
  name: "neon-agent",
  system: `你是 Neon 数据库助手。
  任务完成后调用 'done' 工具。`,
  mcpServers: [{
    name: "neon",
    transport: { type: "streamable-http", url: "你的 MCP 服务器地址" },
  }],
  tools: [
    createTool({
      name: "done",
      parameters: z.object({
        answer: z.string(),
      }),
      handler: async ({ answer }, { network }) => {
        network?.state.kv.set("answer", answer);
      },
    }),
  ],
});
 
const server = createServer({
  networks: [createNetwork({
    name: "neon-agent",
    agents: [neonAgent],
    defaultModel: anthropic({ model: "claude-3-5-sonnet-20240620" }),
  })],
});
 
server.start();

MCP 集成

AgentKit 对 MCP（Model Context Protocol）的支持是其一大亮点。目前支持三种 MCP 传输方式：

• stdio——本地运行 MCP 服务器进程
• SSE——通过 Server-Sent Events 连接
• Streamable HTTP——基于 HTTP 的流式传输

通过 MCP，AgentKit 的 Agent 可以使用任何 MCP 生态中的工具——从文件操作到数据库查询，从代码审查到云服务 API。

你可以在 Smithery 上找到大量现成的 MCP 服务器，直接接入你的 Agent。

适合的场景

AgentKit 的确定性设计让它特别适合以下场景：

• 需要可预测结果的 Agent 管道——代码审查、内容审核、数据清洗
• 多步骤工作流——每个步骤的结果影响下一步的路由选择
• 安全敏感的 Agent——你不希望 LLM 自己决定是否执行危险操作
• 需要调试的复杂 Agent 网络——内置追踪让调试变得简单

不太适合的场景：

• 完全自主的通用 Agent——如果你希望 Agent 自己决定一切，AgentKit 的确定性约束可能让你觉得限制了自由度
• 高度动态的对话——AgentKit 的优势在于结构化的协作，不是自由形式的聊天

总结

AgentKit 选择了一条和主流 Agent 框架不同的路——用确定性替代黑盒。对于需要可预测、可调试、可维护的 Agent 系统的开发者来说，这是一种更务实的选择。

配合上 MCP 生态的丰富工具，AgentKit 让构建多 Agent 协作系统变得更加可控。如果你用过 Inngest 的工作流引擎，你会在 AgentKit 里看到同样的设计哲学——用代码控制流程，用 LLM 完成具体任务。