AxisAgentic 是一个面向长程 AI Agent 的可扩展运行时与轨迹采集框架，核心能力包括多轮执行、工具编排、上下文管理、回滚恢复、评测、轨迹回放以及面向 SFT 的数据导出。项目支持 OpenAI 兼容接口和可插拔本地模型客户端，目前提供 Web Search 和 WideSearch 作为参考配方，并以 XYZ-Aquila 搜索系统展示其在智能搜索类任务中的应用。该仓库不包含模型权重，更偏向 Agent 基础设施、实验框架和训练数据闭环工具。
适用领域
AI Agent 框架 / 长程任务执行 / 智能搜索 / 轨迹采集与回放 / 大模型评测 / SFT 数据构建 / 工具调用编排 / AI4AI 训练闭环
配置难度
中高。对于熟悉 Python、LLM API、Agent 工具调用和评测流程的开发者，可以较快完成 dry-run 和参考 recipe 运行；但若要扩展到自定义领域、训练数据导出或生产级 Agent，需要深入理解其 runtime、trace、recipe、配置 schema 和评测体系。
商业价值
该项目的商业价值主要体现在 Agent 基础设施和数据闭环能力上。对于需要构建搜索型 Agent、企业知识检索 Agent、复杂任务自动化 Agent 或 Agent 训练数据管线的团队，AxisAgentic 可以减少从零实现运行时、轨迹记录、回放、评测和 SFT 导出的工作量。Apache-2.0 许可证降低了商业集成门槛。不过，它更像研发和实验平台而非开箱即用的终端产品，商业落地仍需要结合具体场景补齐工具、数据、安全、成本控制和用户体验。
01
技术亮点
- 专门面向长程 Agent 运行，支持多轮执行、工具编排、上下文压缩、回滚、恢复和自验证。
- append-only trace 设计较适合复现、调试、回放和训练数据构建。
- trace 会记录模型在每个阶段实际可见的上下文，避免 SFT 导出时混入隐藏历史或已回滚动作。
- 模块化程度高，模型客户端、工具、编排器、数据集、评估器、奖励函数和 recipe policy 均可替换。
- 支持从执行到学习的闭环：运行轨迹、回放、评估、轨迹选择、SFT 导出和外部训练系统对接。
- 提供 Web Search 和 WideSearch 参考实现，适合搜索型 Agent 研究。
- 采用 Apache-2.0 许可证，商业使用友好。
- 文档结构较完整，包含 getting started、configuration、architecture、evaluation、recipes 等说明。
02
目标用户
- 正在开发长程 AI Agent 的算法工程师
- 需要采集 Agent 运行轨迹用于训练或评测的研究人员
- 构建搜索型 Agent、网页检索 Agent 或数据收集 Agent 的团队
- 希望复现实验、评测 Agent Benchmark 的开发者
- 需要将 Agent 执行日志转换为 SFT 数据的模型训练团队
- 具备 Python 和 LLM API 使用经验的高级开发者
03
配置要求
- Python 版本要求为 3.12+。
- 需要可用的 OpenAI-compatible 模型服务端点，或自行实现/配置本地模型客户端。
- 需要在 .envs/.env 中配置模型 provider、API key、base URL、模型名等参数。
- 需要准备或配置对应 recipe 所需的数据集路径和评测数据。
- 运行 Web Search 或 WideSearch 相关任务时，可能需要搜索、网页抓取或外部工具服务的访问配置。
- 配置文件采用严格 YAML schema，需要遵守 recipe 对字段、路径和运行参数的约束。
- 如需导出 SFT 数据，需要配置 trace 输出目录、筛选规则、导出格式和目标路径。
- 长程任务建议额外配置上下文预算、工具调用限制、重试策略、恢复策略和评测参数。
04
适用场景
- 构建带有搜索、抓取、验证和恢复能力的 Web Search Agent
- 采集 Agent 执行过程中的完整 append-only trace，用于后续分析、回放和训练
- 在长上下文或长任务中管理上下文预算、压缩历史、回滚和重试
- 将 Agent 执行轨迹导出为 Swift Agent 等训练格式，用于外部 SFT 或强化学习训练管线
- 对 Agent 在 BrowseComp、LiveBrowseComp、DeepSearchQA、WideSearch 等 benchmark 上进行评测
- 实验不同模型客户端、工具、编排策略、评估器和奖励函数
- 复现 XYZ-Aquila 搜索系统的部分运行逻辑和评测流程
05
部署与配置
- 确保本机安装 Python 3.12 或更高版本。
- 克隆仓库：git clone https://github.com/XYZ-AI-Lab/AxisAgentic.git
- 进入项目目录：cd AxisAgentic
- 创建虚拟环境：python3.12 -m venv .venv
- 激活虚拟环境：source .venv/bin/activate
- 运行环境安装脚本：./setup_env.sh
- 加载环境变量脚本：source .envs/axis_agentic_env.sh
- 复制环境变量模板：cp .env.example .envs/.env
- 在 .envs/.env 中配置模型服务、数据集路径和相关 provider 参数。
- 复制 Web Search 默认配置：cp recipe/web_search/configs/default.yaml my-search-run.yaml
- 执行 dry-run 验证配置：python -m recipe.web_search.runners.run_eval_config --config my-search-run.yaml --dry-run
06
风险与注意事项
- 项目需要 Python 3.12+，对已有 Python 3.10/3.11 环境的兼容性可能有限。
- 仓库不包含模型权重，实际运行依赖外部模型 API 或本地模型服务。
- 长程 Agent 运行通常成本较高，模型调用、搜索、抓取和评测都会带来额外费用。
- 当前参考 recipe 主要集中在 Web Search 和 WideSearch，其他领域 Agent 需要自行扩展工具和策略。
- 评测结果可能受模型、工具、时间、judge、数据版本和 harness 影响，不应直接视为通用排名。
- YAML schema 和运行链路较复杂，新手需要理解 trace、recipe、runtime、evaluator 等概念。
- 如果用于生产环境，需要额外关注工具调用安全、网页抓取合规、API key 管理和输出质量控制。
- 项目 star 数中等，生态成熟度和社区规模仍需观察。
2026-07-30
第15名
新收录 · github_search
2026-07-29
第20名
新收录 · github_search
2026-07-28
第24名
新收录 · github_search
