open-ptc-agent

收录理由

多数智能体框架让模型逐条发出JSON工具调用，一旦工具返回的数据量较大，上下文开销就会迅速膨胀。这个项目换了一种思路：由智能体直接编写Python代码，在Daytona沙箱中运行，MCP工具以可调用函数的形式暴露，只有最终结果才回到模型的上下文窗口。面对需要先过滤、聚合再交给模型处理的结构化数据或时间序列数据，这种设计能把token消耗压缩掉85%到98%。代码基于LangGraph构建，并借鉴了LangChain的DeepAgents，熟悉这两套框架的团队上手会很快。项目还附带交互式命令行、后台子智能体执行，以及面向金融数据的演示MCP服务器，对想研究代码执行式工具调用的开发者来说，是一份很实用的参考。