⚡ AdalFlow 是一个类似 PyTorch 的库，用于构建和自动优化任何语言模型工作流，从聊天机器人、RAG 到智能体。⚡

 

AdalFlow 自豪地为 AdaL CLI 提供支持 — 这是一款 AI 编码助手

查看文档

为什么选择 AdalFlow

1. 100% 开源的智能体 SDK：轻量级，无需额外 API 即可设置“人工参与”和“追踪”功能。
2. 告别手动提示：AdalFlow 提供统一的自动微分框架，适用于零样本优化和少样本提示优化。我们的研究“LLM-AutoDiff”和“Learn-to-Reason 少样本上下文学习”在所有自动提示优化库中实现了最高的准确率。
3. 通过配置即可切换 LLM 应用中的任何模型：AdalFlow 为 LLM 任务流水线提供了“模型无关”的构建模块，涵盖 RAG、智能体以及经典 NLP 任务。

查看 文档

快速入门

使用 pip 安装 AdalFlow：

pip install adalflow

Hello World 智能体示例

from adalflow import Agent, Runner
from adalflow.components.model_client.openai_client import OpenAIClient
from adalflow.core.types import (
    ToolCallActivityRunItem, 
    RunItemStreamEvent,
    ToolCallRunItem,
    ToolOutputRunItem,
    FinalOutputItem
)
import asyncio

# 定义工具
def calculator(expression: str) -> str:
    """计算数学表达式的结果"""
    try:
        result = eval(expression)
        return f"表达式 {expression} 的结果是 {result}"
    except Exception as e:
        return f"错误：{e}"

async def web_search(query: str="今天旧金山的天气如何？") -> str:
    """根据查询进行网络搜索"""
    await asyncio.sleep(0.5)
    return "旧金山今天多云，下午会有阳光，气温约 67°F（20°C）。"

def counter(limit: int):
    """一个计数器，可以计数到指定上限"""
    final_output = []
    for i in range(1, limit + 1):
        stream_item = f"计数：{i}/{limit}"
        final_output.append(stream_item)
        yield ToolCallActivityRunItem(data=stream_item)
    yield final_output

# 创建带有工具的智能体
agent = Agent(
    name="MyAgent",
    tools=[calculator、web_search、counter],
    model_client=OpenAIClient(),
    model_kwargs={"model": "gpt-4o", "temperature": 0.3},
    max_steps=5
)

runner = Runner(agent=agent)

1. 同步调用模式

# 同步调用 - 返回包含完整执行历史的 RunnerResult
result = runner.call(
    prompt_kwargs={"input_str": "计算 15 * 7 + 23，并计数到 5"}
)

print(result.answer)
# 输出：表达式 15 * 7 + 23 的结果是 128。计数器已计数到 5：1、2、3、4、5。

# 访问步骤历史
for step in result.step_history:
    print(f"Step {step.step}: {step.function.name} -> {step.observation}")
# 输出：
# Step 0: calculator -> 15 * 7 + 23 的结果是 128
# Step 1: counter -> ['Count: 1/5', 'Count: 2/5', 'Count: 3/5', 'Count: 4/5', 'Count: 5/5']

2. 异步调用模式

# 异步调用 - 输出结构与同步调用类似
result = await runner.acall(
    prompt_kwargs={"input_str": "旧金山的天气如何？并计算 42 * 3"}
)

print(result.answer)
# 输出：今天旧金山多云，午后会有阳光，气温约 67°F（20°C）。
#       42 * 3 的结果是 126。

3. 异步流式处理模式

# 异步流式处理 - 实时事件处理
streaming_result = runner.astream(
    prompt_kwargs={"input_str": "计算 100 + 50，并数到 3"},
)

# 实时处理流式事件
async for event in streaming_result.stream_events():
    if isinstance(event, RunItemStreamEvent):
        if isinstance(event.item, ToolCallRunItem):
            print(f"🔧 调用：{event.item.data.name}")
        elif isinstance(event.item, ToolCallActivityRunItem):
            print(f"📝 活动：{event.item.data}")
        elif isinstance(event.item, ToolOutputRunItem):
            print(f"✅ 输出：{event.item.data.output}")
        elif isinstance(event.item, FinalOutputItem):
            print(f"🎯 最终结果：{event.item.data.answer}")

# 输出：
# 🔧 调用：calculator
# ✅ 输出：100 + 50 的结果是 150
# 🔧 调用：counter
# 📝 活动：Count: 1/3
# 📝 活动：Count: 2/3
# 📝 活动：Count: 3/3
# ✅ 输出：['Count: 1/3', 'Count: 2/3', 'Count: 3/3']
# 🎯 最终结果：100 + 50 的结果是 150。已成功数到 3。

请设置你的 OPENAI_API_KEY 环境变量以运行这些示例。

在 Colab 中尝试完整的 Agent 教程：

查看快速入门：了解如何在 15 分钟内使用 AdalFlow 对 LM 工作流进行端到端优化。

前往文档了解更多关于追踪、人机协作等功能的信息。

研究

[2025年9月] LAD-VF：LLM 自动微分实现无需微调的机器人规划——基于形式方法反馈

• 使用 LLM 自动微分实现无需微调的机器人规划
• 集成形式方法反馈用于机器人控制

[2025年1月] 自动微分任意 LLM 工作流：告别手动提示

• 将 LLM 应用视为自动微分图
• 比 DsPy 更加节省 token 且性能更优

[2025年12月] 通过采样式动量扩展文本梯度

• 利用动量加权文本梯度实现稳定且可扩展的提示优化
• Gumbel-Top-k 采样提高了探索能力，并能无缝集成 TextGrad、DSPy-COPRO 和 AdalFlow

自动提示优化生态系统

AdalFlow 是一个不断发展的库生态系统的一部分，该生态系统能够自动优化 LLM 提示和工作流。以下是当前的生态格局：

库	方法	核心理念
AdalFlow	类似 PyTorch 的自动微分	将 LLM 工作流视为自动微分图；将文本梯度下降与少量样本引导优化统一在一个训练循环中
DSPy	声明式编程	使用组合式的 Python 代码代替提示；编译器会自动优化提示和权重
Agent Lightning	框架无关的代理训练器	可以将任何代理（LangChain、OpenAI SDK、AutoGen 等）转化为可优化的对象，只需极少的代码改动；支持强化学习、自动提示优化和监督微调
TextGrad	文本梯度下降	通过文本实现自动微分；利用 LLM 的反馈作为梯度来优化提示、代码和解决方案

AdalFlow 的定位： AdalFlow 借鉴了上述所有方法（详见致谢），并将它们整合进一个类似 PyTorch 的框架中。你可以获得类似于 TextGrad 的文本梯度、类似于 DSPy 的少量样本引导，以及指令历史——所有这些都可以在 Parameter、Generator、AdalComponent 和 Trainer 中进行组合。

合作伙伴

我们与德克萨斯大学奥斯汀分校的VITA 团队密切合作，在王阿特拉斯博士的领导下，并与洪俊元博士合作，他在推动项目进展方面提供了宝贵的支持。

如需合作，请联系李音。

招聘

我们正在寻找一位开发者关系专员，帮助我们构建社区并支持我们的用户。如果您感兴趣，请联系 Li Yin。

文档

AdalFlow 的完整文档可在 adalflow.sylph.ai 上找到：

AdalFlow：致敬艾达·洛夫莱斯

AdalFlow 以艾达·洛夫莱斯的名字命名，她是首位认识到机器可以超越单纯计算的女性数学家。作为一支由女性创始人领导的团队，我们希望激励更多女性投身于人工智能领域。

社区与贡献者

AdalFlow 是一个社区驱动的项目，我们欢迎所有人加入我们，共同构建 LLM 应用的未来。

加入我们的 Discord 社区，提出问题、分享您的项目，并获取 AdalFlow 的最新动态。

如需贡献，请阅读我们的 贡献者指南。

贡献者

致谢

许多现有工作极大地启发了 AdalFlow 库！以下是一个不完全列表：

• 📚 PyTorch 为 Component、Parameter、Sequential 的设计哲学和设计模式提供了灵感。
• 📚 Micrograd：为我们自动微分架构提供了一个小型自动微分引擎。
• 📚 Text-Grad 为我们提供了 文本梯度下降 文本优化器。
• 📚 DSPy 启发了我们在 DataClass 中的 __{input/output}__fields 以及自举式少样本优化器。
• 📚 OPRO 在文本优化器中加入了过往的文本指令及其准确性。
• 📚 PyTorch Lightning 为 AdalComponent 和 Trainer 提供了参考。

AdalFlow 快速上手指南

AdalFlow 是一个类 PyTorch 的库，用于构建和自动优化任何大语言模型（LM）工作流，涵盖聊天机器人、RAG（检索增强生成）到智能体（Agents）。其核心特色是支持自动微分提示优化，无需手动调整 Prompt 即可提升任务准确率。

环境准备

• 系统要求：支持 Linux、macOS 和 Windows。
• Python 版本：建议 Python 3.9 或更高版本。
• 前置依赖：
  • 需要拥有 OpenAI API Key（或其他兼容模型的 API Key）。
  • 确保网络环境可以访问 PyPI 和 OpenAI API。

安装步骤

使用 pip 进行安装。国内用户推荐使用清华或阿里镜像源以加速下载：

# 使用默认源安装
pip install adalflow

# 或使用国内镜像源加速安装
pip install adalflow -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是一个最简单的“你好世界”智能体示例，展示了如何定义工具、创建智能体并运行同步调用。

1. 配置环境变量

在运行代码前，请确保在终端中设置好您的 API Key：

export OPENAI_API_KEY="your-api-key-here"

2. 代码示例

创建一个 Python 文件（例如 hello_agent.py），填入以下代码：

from adalflow import Agent, Runner
from adalflow.components.model_client.openai_client import OpenAIClient
import asyncio

# 1. 定义工具函数
def calculator(expression: str) -> str:
    """Evaluate a mathematical expression."""
    try:
        result = eval(expression)
        return f"The result of {expression} is {result}"
    except Exception as e:
        return f"Error: {e}"

# 2. 创建智能体
agent = Agent(
    name="MyAgent",
    tools=[calculator],  # 注册计算器工具
    model_client=OpenAIClient(),
    model_kwargs={"model": "gpt-4o", "temperature": 0.3},
    max_steps=5
)

# 3. 初始化运行器
runner = Runner(agent=agent)

# 4. 同步调用执行任务
result = runner.call(
    prompt_kwargs={"input_str": "Calculate 15 * 7 + 23"}
)

# 5. 输出结果
print(result.answer)

# (可选) 查看执行步骤历史
for step in result.step_history:
    print(f"Step {step.step}: {step.function.name} -> {step.observation}")

3. 运行结果

执行脚本后，您将看到类似以下的输出，表明智能体已成功调用工具并返回结果：

The result of 15 * 7 + 23 is 128
Step 0: calculator -> The result of 15 * 7 + 23 is 128

提示：AdalFlow 还支持异步调用 (acall) 和流式输出 (astream) 模式，适用于更复杂的实时交互场景。更多高级用法（如 RAG 构建、自动提示优化）请参考官方文档或 Colab 教程。