Open Source · Apache 2.0 · Python 3.11+
Phronesis (φρόνησις): für Aristoteles, praktische Weisheit - die Fähigkeit, gut zu deliberieren und in konkreten Situationen mit Urteilsvermögen zu handeln. Ein LLM verfügt über episteme (Wissen). Ein Agent benötigt phronesis.
from phronesis.agents import agent
from phronesis.providers import anthropic
@agent(
model=anthropic(model="claude-sonnet-4-6"),
system_prompt="You investigate questions thoroughly and cite sources.",
)
def researcher() -> str:
"""Investigate a question and synthesize a cited answer."""
result = await researcher.run("What is phronesis in Aristotelian ethics?")
print(result.output)from phronesis.agents import agent
from phronesis.providers import anthropic
@agent(
model=anthropic(model="claude-sonnet-4-6"),
system_prompt="You investigate questions thoroughly and cite sources.",
)
def researcher() -> str:
"""Investigate a question and synthesize a cited answer."""
result = await researcher.run("What is phronesis in Aristotelian ethics?")
print(result.output)Warum Phronesis
LLMs wissen Dinge - das ist Episteme. Aber Agenten müssen entscheiden und handeln mit Urteilsvermögen in konkreten Situationen. Das ist Phronesis. Die meisten Agent-Frameworks behandeln Agenten als erweiterte Chatbots, die an eine Tool-Use-Schleife geklebt sind. Phronesis behandelt sie als deliberative Systeme mit expliziten Verträgen: typisierte Eingaben, deklarierte Effekte, begrenzter Speicher, benannte Ausführungsmuster.
Bestehende Frameworks erzwingen eine Wahl. Auf der einen Seite schreibt man beliebigen Kontrollfluss als Code: maximale Ausdrucksstärke und ein Multi-Agenten-System, das sechs Monate später niemand debuggen kann. Auf der anderen wird alles in YAML oder Graph-Buildern beschrieben: auf den ersten Blick lesbar, unmöglich, sobald etwas Nicht-Triviales nötig ist. Phronesis trennt deklarative Spezifikation von der Laufzeitausführung. Agenten, Tools, Speicher und Pipelines sind typisierte, unveränderliche, JSON-serialisierbare Specs. Ausführungsmuster stammen aus einem geschlossenen, klar definierten Katalog - Ausdrucksstärke ohne Chaos.
Jeder Lauf ist über OpenTelemetry beobachtbar, jede Spec ist versionierbar, jeder Vertrag ist eine Laufzeitprüfung, kein Kommentar in einem Prompt. Das ist der Unterschied zwischen einem Framework, das Demos produziert, und einem, das Systeme produziert, die man betreiben kann.
By the numbers
A closed, named catalog - from Sequence and Parallel to Reflexion and Tree Search.
Every mode with a deterministic cassette, plus a full multi-agent mini-app.
Branch coverage gated at 90% - the build fails below the floor.
Agents, tools, memory, providers, MCP, pipelines, observability and more.
mypy --strict across the entire source tree, no escape hatches.
Permissive license, public roadmap, no enterprise gates.
Code-Tour
Ein Agent bindet ein Modell, Tools und Speicher unter einer einzigen deklarativen Spec.
from phronesis import ToolEffect
from phronesis.agents import agent
from phronesis.providers import anthropic
from phronesis.tools import tool
@tool(effects=(ToolEffect.NETWORK,))
async def search_web(query: str, limit: int = 5) -> list[str]:
"""Search the web and return ranked snippets."""
...
@agent(
model=anthropic(model="claude-sonnet-4-6"),
tools=(search_web,),
system_prompt="You are a careful research assistant.",
max_iterations=8,
)
def assistant() -> str:
"""Answer questions grounded in live search results."""from phronesis import ToolEffect
from phronesis.agents import agent
from phronesis.providers import anthropic
from phronesis.tools import tool
@tool(effects=(ToolEffect.NETWORK,))
async def search_web(query: str, limit: int = 5) -> list[str]:
"""Search the web and return ranked snippets."""
...
@agent(
model=anthropic(model="claude-sonnet-4-6"),
tools=(search_web,),
system_prompt="You are a careful research assistant.",
max_iterations=8,
)
def assistant() -> str:
"""Answer questions grounded in live search results."""Prinzipien
Agenten werden aus Teilen konfiguriert - Modell, Tools, Speicher, Prompts - nicht unterklassiert. Sie setzen zusammen; Sie überschreiben nicht.
Streaming, Nebenläufigkeit und Abbruch sind Grundannahmen. Es gibt keine synchrone Schatten-API zu pflegen.
Pydantic v2 überall. Typen sind keine Dokumentation - sie sind Laufzeitverträge, die das Framework durchsetzt.
Definitionen sind JSON-serialisierbar und reproduzierbar. Ausführungszustand lebt getrennt, beobachtbar und abfragbar.
OpenTelemetry-Spans für jeden Agent-Lauf, Tool-Aufruf und jede Pipeline-Stufe - vom ersten Commit an, nicht nachträglich angeschraubt.
Sequence, Parallel, ReActLoop, Consensus, Debate, Handoff. Benannte Modi, über die man nachdenken kann - kein beliebiger Kontrollfluss.
Was drin ist
Die Primitive, aus denen jeder Agent gebaut ist.
Wie Agenten sich erinnern und was sie teilen.
Wie Agenten sich zu Systemen komponieren.
Engineering
mypy --strict and Pydantic v2 specs across the whole source tree. No untyped escape hatches.
1,600+ tests with branch coverage gated at 90% - the build fails below it, never above it on paper.
Record once, replay forever: cassette-backed runs make agent behavior reproducible in tests and CI without a network.
OpenTelemetry spans for every agent run, tool call, pipeline stage, and MCP session - correlated by stable ids.
Agents, tools, and pipelines are frozen, JSON-serializable dataclasses - versionable, diffable, reproducible.
ruff format and a strict ruff check gate every commit, alongside the type and test suites.
Installieren
$pip install phronesis-framework
Projektstatus
Die API wird sich ändern. Wir arbeiten öffentlich, um ein Framework zu bauen, das Agentensysteme ernst nimmt - typisiert, komponierbar, beobachtbar. Keine Produktionsbehauptungen, keine erfundenen Fallstudien, keine Enterprise-Schranken. Nur der Code und ein ehrliches Bekenntnis zu seinem Design.
Feedback, Ideen und Beiträge sind über GitHub Discussions und Issues willkommen. Die Roadmap, die rauen Kanten und die offenen Fragen sind alle im Repository.
