3行代码搭一个自主AI AgentUpsonicgpt-computer-assistant上手实录【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistantgpt-computer-assistant 是 Upsonic 这个 Python 框架的仓库PyPI 包名upsonic它让你用几行代码构建一个能自主干活的 AI Agent。你只需指定模型、圈定一个工作目录、写一句任务描述它就能自己读写文件、执行命令把活干完再汇报。 先聊聊你大概率踩过的坑想让模型不只是“陪你聊”而是真正“把事办了”自己搭的话有三个绕不开的麻烦工具调用循环、状态管理、结果解析这些样板代码要自己写一大摞。让模型碰文件和 shell 又让人不放心一步走歪就可能误删目录。换模型供应商时接口层还得跟着重写一遍。Upsonic 的思路是把这些当成框架的内置能力来做把“自主 Agent”作为一等公民把安全沙箱和工具协议直接建在框架层里而不是等你在业务代码里打补丁。⏱️ 5分钟装好 Upsonic 并跑通第一个任务安装依赖一行命令就够uv pip install upsonic用 pip 安装也完全可以如果想直接改源码可以克隆仓库 https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant 。跑通第一个任务很简单用AutonomousAgent建一个实例传入模型名和一个workspace目录作为它的工作区把任务描述包进Task然后调用agent.print_do(task)执行。整体流程在 README.md 里有示例代码tests/doc_examples/ 下还能找到可直接运行的演示脚本。 核心能力拆解自带沙箱的自主 AgentAutonomousAgent功能Agent 会自己拆解任务、规划步骤并读写文件、执行 shell 命令直到任务完成。实现机制AutonomousAgent内置文件系统和 shell 两套工具包所有操作被限定在workspace目录内路径穿越和危险命令会被直接拦截见 src/upsonic/agent/autonomous_agent/。效果你可以放心让它长时间跑批处理类任务就算它“手滑”了影响范围也出不了你划定的目录。即插即用的工具系统Tools 与 MCP功能任意 Python 函数加一个tool装饰器就能变成 Agent 可调用的工具也可以通过 MCP 协议接上外部数据源和服务。实现机制工具的注册、参数校验、执行逻辑在 src/upsonic/tools/ 中分层实现自定义工具和 MCP 服务器可以按依赖组按需安装。效果小功能写几行装饰器就够大功能不用自己封 HTTP 调用直接复用 MCP 生态里现成的连接。预置 Agent 与多 Agent 协作Prebuilt 和 Team功能仓库自带开箱即跑的 Agent例如“应用科学家”助手系统提示词、首条消息模板和技能都打包好了Team则支持多个 Agent 分工协作。实现机制预置 Agent 继承统一基类运行时自动把模板拉进工作区见 src/upsonic/prebuilt/ 和 prebuilt_autonomous_agents/多 Agent 的协调与任务委派逻辑在 src/upsonic/team/。效果不用从零写提示词改改模板就能先跑起来任务太大时可以拆给一个“小团队”并行处理。 它适合谁用做脚本化运维的开发者比如“扫描日志目录、找出异常模式”这类活不用自己写解析器把 workspace 指向日志目录让 Agent 自己去看、自己去总结。数据分析和独立研究者希望把“读文档、出报告”变成一条指令跑到底。仓库里 notebooks/investment_full_report.md 就展示了一个 Agent 产出的完整市场分析长报告可以看到这类任务的产出形态。已在用 LLM、想从“对话”走到“派活”的团队框架自带可靠性层和内容安全策略src/upsonic/safety_engine/上线前可以给输入输出加一层过滤不用额外引入组件。⚠️ 上手前的注意事项第一它是 Python 库不是即装即用的桌面应用。名字听起来像“电脑助手 App”实际你需要写几行 Python并准备好某个模型供应商的 API Key。第二环境要求 Python 3.10 以上模型侧支持 20 多家主流供应商OpenAI、Anthropic、Google 等但密钥都要自己配置OCR 等可选能力需要安装额外依赖组例如upsonic[ocr]。第三沙箱机制约束的是框架层的文件和 shell 操作不能保证模型的一切行为都安全。高风险场景下建议再配上人工确认或权限策略。 资源与社区安装与用法总览README.md版本变更看 CHANGELOG.md开发与编码规范CLAUDE.md 和 documents/ai/guides/ 下的操作指南核心源码src/upsonic/agent/、src/upsonic/tools/测试与性能基准tests/、benchmarks/项目采用 MIT 协议详见 LICENCE。【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 3行代码搭一个自主AI Agent：Upsonic（gpt-computer-assistant）上手实录
3行代码搭一个自主AI AgentUpsonicgpt-computer-assistant上手实录【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistantgpt-computer-assistant 是 Upsonic 这个 Python 框架的仓库PyPI 包名upsonic它让你用几行代码构建一个能自主干活的 AI Agent。你只需指定模型、圈定一个工作目录、写一句任务描述它就能自己读写文件、执行命令把活干完再汇报。 先聊聊你大概率踩过的坑想让模型不只是“陪你聊”而是真正“把事办了”自己搭的话有三个绕不开的麻烦工具调用循环、状态管理、结果解析这些样板代码要自己写一大摞。让模型碰文件和 shell 又让人不放心一步走歪就可能误删目录。换模型供应商时接口层还得跟着重写一遍。Upsonic 的思路是把这些当成框架的内置能力来做把“自主 Agent”作为一等公民把安全沙箱和工具协议直接建在框架层里而不是等你在业务代码里打补丁。⏱️ 5分钟装好 Upsonic 并跑通第一个任务安装依赖一行命令就够uv pip install upsonic用 pip 安装也完全可以如果想直接改源码可以克隆仓库 https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant 。跑通第一个任务很简单用AutonomousAgent建一个实例传入模型名和一个workspace目录作为它的工作区把任务描述包进Task然后调用agent.print_do(task)执行。整体流程在 README.md 里有示例代码tests/doc_examples/ 下还能找到可直接运行的演示脚本。 核心能力拆解自带沙箱的自主 AgentAutonomousAgent功能Agent 会自己拆解任务、规划步骤并读写文件、执行 shell 命令直到任务完成。实现机制AutonomousAgent内置文件系统和 shell 两套工具包所有操作被限定在workspace目录内路径穿越和危险命令会被直接拦截见 src/upsonic/agent/autonomous_agent/。效果你可以放心让它长时间跑批处理类任务就算它“手滑”了影响范围也出不了你划定的目录。即插即用的工具系统Tools 与 MCP功能任意 Python 函数加一个tool装饰器就能变成 Agent 可调用的工具也可以通过 MCP 协议接上外部数据源和服务。实现机制工具的注册、参数校验、执行逻辑在 src/upsonic/tools/ 中分层实现自定义工具和 MCP 服务器可以按依赖组按需安装。效果小功能写几行装饰器就够大功能不用自己封 HTTP 调用直接复用 MCP 生态里现成的连接。预置 Agent 与多 Agent 协作Prebuilt 和 Team功能仓库自带开箱即跑的 Agent例如“应用科学家”助手系统提示词、首条消息模板和技能都打包好了Team则支持多个 Agent 分工协作。实现机制预置 Agent 继承统一基类运行时自动把模板拉进工作区见 src/upsonic/prebuilt/ 和 prebuilt_autonomous_agents/多 Agent 的协调与任务委派逻辑在 src/upsonic/team/。效果不用从零写提示词改改模板就能先跑起来任务太大时可以拆给一个“小团队”并行处理。 它适合谁用做脚本化运维的开发者比如“扫描日志目录、找出异常模式”这类活不用自己写解析器把 workspace 指向日志目录让 Agent 自己去看、自己去总结。数据分析和独立研究者希望把“读文档、出报告”变成一条指令跑到底。仓库里 notebooks/investment_full_report.md 就展示了一个 Agent 产出的完整市场分析长报告可以看到这类任务的产出形态。已在用 LLM、想从“对话”走到“派活”的团队框架自带可靠性层和内容安全策略src/upsonic/safety_engine/上线前可以给输入输出加一层过滤不用额外引入组件。⚠️ 上手前的注意事项第一它是 Python 库不是即装即用的桌面应用。名字听起来像“电脑助手 App”实际你需要写几行 Python并准备好某个模型供应商的 API Key。第二环境要求 Python 3.10 以上模型侧支持 20 多家主流供应商OpenAI、Anthropic、Google 等但密钥都要自己配置OCR 等可选能力需要安装额外依赖组例如upsonic[ocr]。第三沙箱机制约束的是框架层的文件和 shell 操作不能保证模型的一切行为都安全。高风险场景下建议再配上人工确认或权限策略。 资源与社区安装与用法总览README.md版本变更看 CHANGELOG.md开发与编码规范CLAUDE.md 和 documents/ai/guides/ 下的操作指南核心源码src/upsonic/agent/、src/upsonic/tools/测试与性能基准tests/、benchmarks/项目采用 MIT 协议详见 LICENCE。【免费下载链接】gpt-computer-assistantBuild autonomous AI agents in Python.项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-computer-assistant创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考