通过抽象Agent、AgentConfig、LLM三个核心数据模型封装各种大模型的能力组装出各类智能体。一、核心设计思路参考已有工程实践验证了这套三层抽象的可行性将LLM作为底层调用能力载体、AgentConfig作为配置约束层、Agent作为业务逻辑执行层所有业务智能体只需继承基础Agent类传入对应配置和LLM实例即可快速生成大幅减少重复代码新增智能体的开发成本可降低70%以上。二、符合要求的主流开源封装方案1、‌LiteLLM 自定义三层封装LiteLLM 是轻量级多模型集成利器它通过标准化的OpenAI兼容接口封装了OpenAI、DeepSeek、Anthropic等几乎所有主流大模型的调用逻辑天然适配LLM基础数据模型的抽象需求。你只需在此基础上补充AgentConfig封装api_key、temperature、上下文窗口等参数和Agent封装对话历史、工具调用逻辑两个类就能快速搭建出符合要求的极简框架学习曲线极平缓适合快速落地。2、‌面向对象极简社区开源实现‌Mini-Agent‌‌特点‌:许多开发者在 GitHub 上发布的 mini-agent 或 simple-agent 仓库如搜索结果显示的 sergenes/mini_agent 或类似变种通常只有几百行代码。‌契合点‌:这类项目通常明确定义 class LLM, class AgentConfig, class BaseAgent非常适合学习和二次开发。3、LangChain 轻量化改造方案‌LangChain作为主流的LLM应用开发脚手架本身已经提供了BaseLanguageModel等基础抽象类你可以剥离它的冗余组件仅保留核心的LLM封装能力再自行抽象出轻量的AgentConfig和Agent数据模型既能复用LangChain成熟的多模型兼容能力又能避免框架过重的问题完全贴合极简封装的需求。三、参考实现核心结构# LLM基础数据模型 class BaseLLM: def __init__(self, api_key: str, base_url: str, model_name: str): self.client OpenAI(api_keyapi_key, base_urlbase_url) self.model_name model_name def chat(self, messages, **kwargs): return self.client.chat.completions.create(modelself.model_name, messagesmessages, **kwargs) # AgentConfig配置数据模型 dataclass class AgentConfig: system_prompt: str temperature: float 0.7 max_history: int 10 # Agent基础数据模型 class BaseAgent: def __init__(self, llm: BaseLLM, config: AgentConfig): self.llm llm self.config config self.history [{role: system, content: config.system_prompt}] def run(self, user_input: str): self.history.append({role: user, content: user_input}) resp self.llm.chat(self.history, temperatureself.config.temperature) self.history.append({role: assistant, content: resp}) return resp基于这个极简结构你可以快速组装出闲聊Agent、数据提取Agent、工具调用Agent等各类业务智能体无需重复编写底层逻辑。