Open source · Apache 2.0 · Python 3.11+
Phronesis (φρόνησις): per Aristotele, saggezza pratica — la capacità di deliberare bene e agire con giudizio in situazioni concrete. Un LLM ha episteme (conoscenza). Un agente ha bisogno di 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?")Perché Phronesis
Gli LLM sanno cose — quella è episteme. Ma gli agenti devono decidere e agire con giudizio in situazioni concrete. Quella è phronesis. La maggior parte dei framework per agenti li tratta come chatbot potenziati incollati a un ciclo d'uso degli strumenti. Phronesis li tratta come sistemi deliberativi con contratti espliciti: input tipizzati, effetti dichiarati, memoria limitata, pattern di esecuzione nominati.
I framework esistenti impongono una scelta. Da un lato, scrivi flusso di controllo arbitrario come codice: massima espressività e un sistema multi-agente che nessuno può debugare sei mesi dopo. Dall'altro, tutto è descritto in YAML o costruttori di grafi: leggibile a colpo d'occhio, impossibile appena serve qualcosa di non banale. Phronesis separa la specifica dichiarativa dall'esecuzione runtime. Agenti, strumenti, memoria e pipeline sono spec tipizzate, immutabili, serializzabili in JSON. I pattern di esecuzione provengono da un catalogo chiuso e ben definito — espressività senza caos.
Ogni esecuzione è osservabile tramite OpenTelemetry, ogni spec è versionabile, ogni contratto è un controllo runtime, non un commento in un prompt. Questa è la differenza fra un framework che produce demo e uno che produce sistemi che puoi gestire.
Tour del codice
Un agente lega un modello, strumenti e memoria sotto una singola spec dichiarativa.
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.",
)Pattern
Agenti che raccolgono informazioni, ragionano su di esse e sintetizzano risposte con citazioni.
Agenti che leggono, strutturano e agiscono su documenti con memoria esplicita di ciò che hanno visto.
Pipeline che compongono agenti specializzati tramite handoff, dibattito o consenso.
Agenti che invocano strumenti tipizzati e server MCP sotto contratti di sicurezza espliciti.
Principi
Gli agenti sono configurati a partire da pezzi — modello, strumenti, memoria, prompt — non sottoclassati. Assembli; non sovrascrivi.
Streaming, concorrenza e cancellazione sono ipotesi di base. Non c'è un'API sincrona ombra da mantenere.
Pydantic v2 ovunque. I tipi non sono documentazione — sono contratti runtime che il framework fa rispettare.
Le definizioni sono serializzabili in JSON e riproducibili. Lo stato di esecuzione vive a parte, osservabile e interrogabile.
Span OpenTelemetry per ogni run di agente, chiamata di strumento e stage di pipeline — dal primo commit, non avvitati dopo.
Sequence, Parallel, ReActLoop, Consensus, Debate, Handoff. Modalità con un nome su cui puoi ragionare — non flusso di controllo arbitrario.
Cosa c'è dentro
Le primitive da cui è costruito ogni agente.
Come gli agenti ricordano e cosa condividono.
Come gli agenti si compongono in sistemi.
Installa
$pip install phronesis-framework
Stato del progetto
L'API cambierà. Stiamo lavorando in pubblico per costruire un framework che prenda sul serio i sistemi di agenti — tipizzato, componibile, osservabile. Nessuna rivendicazione di produzione, nessun caso studio inventato, nessuna barriera enterprise. Solo il codice e un impegno onesto verso il suo design.
Feedback, idee e contributi sono benvenuti via GitHub Discussions e Issues. La roadmap, le asperità e le questioni aperte sono tutte nel repository.
