PraisonAI：5 行代码部署自主 Agent 的多智能体框架（含沙箱运行与可视化面板）
PraisonAI 是一个用 Python/JavaScript 编写、面向自主与自我改进智能体的多智能体框架：支持单 Agent、多 Agent、AgentFlow 图编排、MCP 工具协议、记忆与知识库、守卫与人工审批、循环控制与托管沙箱执行，并配套 CLI、Claw 仪表盘、Flow 可视化构建器和聊天 UI。官方称可接入 100+ LLM（OpenAI、Anthropic、Gemini、Ollama 等 24 家提供商），Agent 平均实例化时间约 14 微秒。安装方式为 pip install praisonaiagents（核心 SDK）、pip install praisonai（CLI）或一键脚本。
社区作者 · zZz
它解决什么问题
项目定位
PraisonAI 的官方口号是「Hire a 24/7 AI Workforce」——不再写样板代码，直接交付能研究、规划、编码并跨应用执行任务的自主、自我改进智能体；从单个 Agent 到一整个「组织」，据称 5 行代码即可部署。它同时提供 Python SDK、JavaScript SDK、命令行工具与多个可视化界面。
配图 1 为项目 Logo，配图 2 为 PraisonAI Dashboard，配图 3 为 Elon Musk 引用 PraisonAI 教程的截图（原页面标注："Grok 3 customer support" — Elon Musk quoting PraisonAI's tutorial），配图 4 为 Star History 图表，配图 5 为 AgentFlow 动图，配图 6 为命令执行示例动图，配图 7 为 Langfuse 追踪界面，配图 8-12 为自反思、推理数据、推理、多模态、工作流等视频教程封面。
五层 Agent 栈 + 托管层
原页面用一个嵌套方框图说明：每一层包裹内层，Agent 出问题时可以按层定位。
| 层 | 回答的问题 | PraisonAI 对应能力 | | --- | --- | --- | | 1 · Prompt | 我表达清楚了吗？ | instructions=、role / goal / backstory、output=、templates= | | 2 · Context | 窗口里装的是对的东西吗？ | memory=、knowledge=、context=、handoff ContextPolicy | | 3 · Harness | 它能行动并被检查吗？
| tools=、MCP()、guardrails=、approval=、hooks=、sandbox= | | 4 · Loop | 什么时候停下来？ | execution=ExecutionConfig(.)、reflection=、autonomy=、doom-loop 检测 | | 5 · Graph | 谁在何时运行、谁检查谁？ | AgentFlow、route()、parallel()、loop()、repeat() | | ⬡ Managed | 它实际在哪里运行？
| tools_run_on="docker"（整个工作流共享一个沙箱）、run_on="anthropic"（整个 Agent 托管运行） |
- Layer 1 · Prompt：role、instructions、示例、输出格式，例如 output="verbose" 输出 markdown。
Layer 2 · Context：写入、选择、压缩、隔离四种上下文操作各对应一个参数，
memory={"user_id": "u-42"} 跨运行持久化，
knowledge=["docs/"] 只检索相关内容，
context="summarize" 在触顶前自动压缩；隔离即 handoffs=[specialist]，子 Agent 只继承最近几条消息和工具的交集，而非整段对话记录。
Layer 3 · Harness：「Agent = Model + Harness」，负责工具分发，以及行动前引导与行动后观察；
approval=True 表示高风险工具执行前有人工闸门。
Layer 4 · Loop：硬性迭代上限、预算上限、无进展检测与完成度检查都是显式刹车。ExecutionConfig(max_iter=30, max_budget=0.50, on_budget_exceeded="stop")，
autonomy=True 才能用 run_autonomous()；result.completion_reason 可能为 goal | no_tool_calls | max_iterations | timeout | doom_loop | needs_help | error（当 on_budget_exceeded="stop" 时触顶抛 BudgetExceededError，这里表现为 error）。Doom-loop 检测默认开启：重复的相同工具调用与 A→B→A→B 振荡会被捕获，而输出持续变化的轮询不会被误判。
- Layer 5 · Graph：拓扑是可版本化的产物，支持 prompt chaining、routing、parallelisation、orchestrator-worker；同一张图也可以完全不用 Python，用 YAML 表达。
托管沙箱（Managed Agents）
Harness 正在商品化，「Agent 在哪里执行」是下一个乘数。与其烧自己笔记本的 CPU，不如把 Agent 交给一个短时云沙箱，仓库、工具和测试都在那里运行：
pip install praisonai，最小接入方式是 tools_run_on=——整个团队或工作流共用一个沙箱，因此第 1 步写的文件第 2 步就能看到，而「思考」仍留在本地机器上。可选运行位置包括 docker | e2b | modal | daytona | flyio（工具层）以及 tenki | sandlock | ssh | novita | subprocess。
run_on 与 tools_run_on 回答的是两个不同问题
tools_run_on="docker" 只把工具搬走，模型调用仍在本地；run_on="anthropic"（托管）或 run_on="docker"（自托管）会把整个 Agent 连同模型调用、循环和工具一起搬走。Agent 会自报家门：Agent(name='builder', thinks_on='this machine', tools_run_on='a Docker container')，也可调用 agent.where_does_it_run()；注意自己的工具（如 check_db）仍在本机运行，只有 shell、文件、代码类工具会迁移。位置写错会被当成拼写错误而非偏好：Agent(run_on='e2b') 会抛 TypeError，因为 e2b 能跑命令但托管不了 Agent 循环，此时应改用 tools_run_on='e2b'。单段代码可指定执行位置：agent.execute_code_sync("print(6 * 7)", run_in="sandlock")。管理命令：praisonai managed ps 列出运行中的沙箱，praisonai managed stop --all 回收；沙箱空闲自动关闭（auto_shutdown、idle_timeout_s），首次安装后的快照会被复用，下次运行跳过镜像拉取与依赖安装；提交 .praisonai/environment.yaml 可让环境随仓库走。生态组件
Core SDK（praisonaiagents）：纯 Python 开发，
pip install praisonaiagentsPraisonAI CLI（praisonai）：终端开发者使用，
pip install praisonaiClaw Dashboard：把 Agent 直连 Telegram、Slack、Discord，
pip install "praisonai[claw]"Flow Visual Builder：拖拽式工作流创建，
pip install "praisonai[flow]"PraisonAI UI：简洁聊天界面，
pip install "praisonai[ui]"JavaScript SDK：
npm install praisonai支持的提供商
官方称由 100+ LLM 驱动，页面列出 24 家提供商及示例：OpenAI、Anthropic、Google Gemini、Ollama、Groq、DeepSeek、xAI Grok、Mistral、Cohere、Perplexity、Fireworks、Together AI、OpenRouter、HuggingFace、Azure OpenAI、AWS Bedrock、Google Vertex、Databricks、Cloudflare、AI21、Replicate、SageMaker、Moonshot、vLLM。
功能清单（部分）
核心：MCP 协议（stdio、HTTP、WebSocket、SSE）、Planning Mode（plan → execute → reason）、Deep Research、外部 Agent 编排（Claude Code、Gemini CLI、Codex）、Agent Handoffs、Guardrails、原生 Web Search + Fetch、Self Reflection、工作流模式（route/parallel/loop/repeat）、零依赖 Memory。
进阶：Prompt Caching、Sessions + Auto-Save、Thinking Budgets、RAG 与质量型 RAG、Model Router、Shadow Git Checkpoints（失败自动回滚）、A2A 协议、Context Compaction、OpenTelemetry 遥测、Policy Engine、后台任务、Doom Loop 自动恢复、Neo4j 式图记忆、沙箱执行、Bot Gateway。
命令行能力覆盖：执行（praisonai、--auto、--interactive、--chat）、研究（research、--query-rewrite、--deep-research）、规划（--planning、--planning-tools、--planning-reasoning）、工作流（workflow run/list/auto）、记忆（memory show/add/search/clear）、知识（knowledge add/query/list）、会话（session list/resume/delete）、工具（tools list/info/search）、MCP（mcp list/create/enable）、开发（commit、docs、checkpoint、hooks）、调度（schedule start/list/stop）。
性能与社区
官方给出的性能指标：Agent 平均实例化时间约 14 μs，用于降低开销、提升响应速度并让多 Agent 系统在生产负载下更容易扩展。项目欢迎贡献，流程为 Fork 仓库、创建分支、提交 PR（Contributing Guide）。配图 4 展示 Star History 走势。
适用对象
需要快速搭建自主/多 Agent 流水线的 Python 或 JavaScript 开发者、希望用 YAML 零代码编排 Agent 的业务人员、需要把 Agent 接到 Telegram/Slack/Discord 的运营与客服团队，以及希望用 Docker/云沙箱隔离 Agent 代码执行、并接入本地 Ollama/vLLM 模型的工程与安全团队。
说明
本页整理自项目 GitHub 原始页面文本；许可证信息在来源正文
— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。
安装 / 开始使用
curl -fsSL https://praison.ai/install.sh | bash██████╗ ██████╗ █████╗ ██╗███████╗ ██████╗ ███╗ ██╗ █████╗ ██╗ ██╔══██╗██╔══██╗██╔══██╗██║██╔════╝██╔═══██╗████╗ ██║ ██╔══██╗██║ ██████╔╝██████╔╝███████║██║███████╗██║ ██║██╔██╗ ██║ ███████║██║ ██╔═══╝ ██╔══██╗██╔══██║██║╚════██║██║ ██║██║╚██╗██║ ██╔══██║██║ ██║ ██║ ██║██║ ██║██║███████║╚██████╔╝██║ ╚████║ ██║ ██║██║ ╚═╝ ╚═╝ ╚═╝╚═╝ ╚═╝╚═╝╚══════╝ ╚═════╝ ╚═╝ ╚═══╝ ╚═╝ ╚═╝╚═╝
pip install praisonai🎯 Use Cases AI agents solving real-world problems across industries: Use Case Description 🔍 Research & Analysis Conduct deep research, gather information, and generate insights from multiple sources automatically 💻 Code Generation Write, debug, and refactor code with AI agents that understand your codebase and requirements ✍️ Content Creation Generate blog posts, documentation, marketing copy, and technical writing with multi-agent teams 📊 Data Pipelines Extract, transform, and analyze data from APIs, databases, and web sources automatically 🤖 Customer Support Deploy 24/7 support bots on Telegram, Discord, Slack with memory and knowledge-backed responses ⚙️ Workflow Automation Automate multi-step business processes with agents that hand off tasks, verify results, and self-correct 🚀 Meet your first Agent (Under 1 Minute)
- Install the lightweight core SDK:
pip install praisonaiagentsexport OPENAI_API_KEY= " your-api-key "from praisonaiagents import Agent
- Run your first autonomous agent:
Give your agent a goal, and watch it work.
agent = Agent ( instructions = "You are a senior data analyst." ) agent . start ( "Analyze the top 3 tech trends of 2026 and format as a markdown table." ) 🧬 The Five-Layer Agent Stack Most frameworks hand you one or two layers and leave the rest as homework.
PraisonAI covers all five — plus the outer layer that decides where your agent actually runs. Each layer wraps the one inside it. When an agent misbehaves, the layer tells you where to look.
┌─────────────────────────────────────────────────────────────────┐ │ ⬡ MANAGED AGENTS — Where does it actually run? │ │ ┌─────────────────────────────────────────────────────────────┐ │ │ │ 5 · GRAPH — Who runs when, and who checks whom?
│ │ │ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ │ │ 4 · LOOP — When do we stop? │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ │ │ 3 · HARNESS — Can it act, and be checked?
│ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────┐ │ │ │ │ │ │ │ │ │ 2 · CONTEXT — Is the right thing in the window? │ │ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────┐ │ │ │ │ │ │ │ │ │ │ │ 1 · PROMPT — Did I say it clearly?
│ │ │ │ │ │ │ │ │ │ │ └─────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ │ └─────────────────────────────────────────────────┘ │ │ │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ └─────────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────────────┘ Layer The question it answers PraisonAI 1 · Prompt Did I say it clearly?
instructions= , role / goal / backstory , output= , templates= 2 · Context Is the right thing in the window? memory= , knowledge= , context= , handoff ContextPolicy 3 · Harness Can it act, and be checked?
tools= , MCP() , guardrails= , approval= , hooks= , sandbox= 4 · Loop When do we stop?
execution=ExecutionConfig(...) , reflection= , autonomy= , doom-loop detection5 · Graph Who runs when, and who checks whom? AgentFlow , route() , parallel() , loop() , repeat() ⬡ Managed Where does it actually run?
tools_run_on="docker" — one shared sandbox for the tools, or run_on="anthropic" for the whole agentLayer 1 · Prompt — Did I say it clearly? Role, instructions, examples, output format.
from praisonaiagents import Agent agent = Agent ( role = "Senior Data Analyst" , goal = "Turn raw numbers into decisions" , output = "verbose" , # markdown-formatted output ) agent .
start ( "Summarise Q3 revenue trends" ) Layer 2 · Context — Is the right thing in the window? Write, select, compress, isolate — the four context operations, one parameter each.
from praisonaiagents import Agent agent = Agent ( instructions = "You are a support engineer." , memory = { "user_id" : "u-42" }, # write — persists across runs (needs a user_id)
