Código abierto · Apache 2.0 · Python 3.11+
Phronesis (φρόνησις): para Aristóteles, sabiduría práctica — la capacidad de deliberar bien y actuar con juicio en situaciones concretas. Un LLM tiene episteme (conocimiento). Un agente necesita phronesis.
from phronesis import Agent, anthropic
researcher = Agent(
name="researcher",
model=anthropic("claude-opus-4-7"),
system_prompt="You investigate questions thoroughly and cite sources.",
)
answer = await researcher.run("What is phronesis in Aristotelian ethics?")from phronesis import Agent, anthropic
researcher = Agent(
name="researcher",
model=anthropic("claude-opus-4-7"),
system_prompt="You investigate questions thoroughly and cite sources.",
)
answer = await researcher.run("What is phronesis in Aristotelian ethics?")Por qué Phronesis
Los LLM saben cosas — eso es episteme. Pero los agentes deben decidir y actuar con juicio en situaciones concretas. Eso es phronesis. La mayoría de los frameworks de agentes los tratan como chatbots mejorados pegados a un bucle de uso de herramientas. Phronesis los trata como sistemas deliberativos con contratos explícitos: entradas tipadas, efectos declarados, memoria delimitada, patrones de ejecución con nombre.
Los frameworks existentes obligan a elegir. Por un lado, escribes flujo de control arbitrario como código: máxima expresividad y un sistema multiagente que nadie puede depurar seis meses después. Por otro, todo se describe en YAML o constructores de grafos: legible a primera vista, imposible en cuanto necesitas algo no trivial. Phronesis separa la especificación declarativa de la ejecución en tiempo de ejecución. Agentes, herramientas, memoria, pipelines son especificaciones tipadas, inmutables y serializables a JSON. Los patrones de ejecución provienen de un catálogo cerrado y bien definido — expresividad sin caos.
Cada ejecución es observable mediante OpenTelemetry, cada especificación es versionable, cada contrato es una comprobación en tiempo de ejecución, no un comentario en un prompt. Esa es la diferencia entre un framework que produce demos y uno que produce sistemas que puedes operar.
Recorrido por el código
Un agente vincula un modelo, herramientas y memoria bajo una única especificación declarativa.
from phronesis import Agent, anthropic
from phronesis.memory import SemanticMemory
agent = Agent(
name="assistant",
model=anthropic("claude-opus-4-7"),
tools=[search_web, read_file],
memory=SemanticMemory(scope="session"),
system_prompt="You are a careful research assistant.",
)from phronesis import Agent, anthropic
from phronesis.memory import SemanticMemory
agent = Agent(
name="assistant",
model=anthropic("claude-opus-4-7"),
tools=[search_web, read_file],
memory=SemanticMemory(scope="session"),
system_prompt="You are a careful research assistant.",
)Patrones
Agentes que reúnen información, razonan sobre ella y sintetizan respuestas con citas.
Agentes que leen, estructuran y actúan sobre documentos con memoria explícita de lo que han visto.
Pipelines que componen agentes especializados mediante traspasos, debate o consenso.
Agentes que invocan herramientas tipadas y servidores MCP bajo contratos de seguridad explícitos.
Principios
Los agentes se configuran a partir de piezas — modelo, herramientas, memoria, prompts — no se heredan. Ensamblas; no sobrescribes.
Streaming, concurrencia y cancelación son supuestos básicos. No hay una API síncrona paralela que mantener.
Pydantic v2 en todo. Los tipos no son documentación — son contratos en tiempo de ejecución que el framework hace cumplir.
Las definiciones son serializables a JSON y reproducibles. El estado de ejecución vive aparte, observable y consultable.
Spans de OpenTelemetry para cada ejecución de agente, llamada a herramienta y etapa de pipeline — desde el primer commit, no atornillado después.
Sequence, Parallel, ReActLoop, Consensus, Debate, Handoff. Modos con nombre sobre los que puedes razonar — no flujo de control arbitrario.
Qué hay dentro
Los primitivos a partir de los que se construye cada agente.
Cómo recuerdan los agentes y qué comparten.
Cómo se componen los agentes en sistemas.
Instalar
$pip install phronesis-framework
Estado del proyecto
La API cambiará. Estamos trabajando en público para construir un framework que se tome en serio los sistemas de agentes — tipado, componible, observable. Sin afirmaciones de producción, sin casos de estudio inventados, sin barreras empresariales. Solo el código, y un compromiso honesto con su diseño.
Los comentarios, ideas y contribuciones son bienvenidos a través de GitHub Discussions e Issues. La hoja de ruta, los detalles ásperos y las preguntas abiertas están todos en el repositorio.
