Código aberto · Apache 2.0 · Python 3.11+
Phronesis (φρόνησις): para Aristóteles, sabedoria prática — a capacidade de deliberar bem e agir com discernimento em situações concretas. Um LLM tem episteme (conhecimento). Um agente precisa de 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 que Phronesis
Os LLMs sabem coisas — isso é episteme. Mas os agentes precisam decidir e agir com discernimento em situações concretas. Isso é phronesis. A maioria dos frameworks de agentes os trata como chatbots aprimorados colados a um laço de uso de ferramentas. Phronesis os trata como sistemas deliberativos com contratos explícitos: entradas tipadas, efeitos declarados, memória delimitada, padrões de execução nomeados.
Frameworks existentes forçam uma escolha. De um lado, você escreve fluxo de controle arbitrário como código: expressividade máxima e um sistema multiagente que ninguém consegue depurar seis meses depois. Do outro, tudo é descrito em YAML ou construtores de grafos: legível à primeira vista, impossível assim que você precisa de algo não trivial. Phronesis separa a especificação declarativa da execução em tempo de execução. Agentes, ferramentas, memória, pipelines são specs tipadas, imutáveis, serializáveis em JSON. Os padrões de execução vêm de um catálogo fechado e bem definido — expressividade sem caos.
Cada execução é observável via OpenTelemetry, cada spec é versionável, cada contrato é uma verificação em tempo de execução, não um comentário num prompt. Essa é a diferença entre um framework que produz demos e um que produz sistemas que você pode operar.
Tour pelo código
Um agente vincula um modelo, ferramentas e memória sob uma única spec 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.",
)Padrões
Agentes que reúnem informações, raciocinam sobre elas e sintetizam respostas com citações.
Agentes que leem, estruturam e agem sobre documentos com memória explícita do que viram.
Pipelines que compõem agentes especializados via repasses, debate ou consenso.
Agentes que invocam ferramentas tipadas e servidores MCP sob contratos de segurança explícitos.
Princípios
Agentes são configurados a partir de partes — modelo, ferramentas, memória, prompts — não subclassificados. Você monta; não sobrescreve.
Streaming, concorrência e cancelamento são premissas básicas. Não há API síncrona paralela para manter.
Pydantic v2 em tudo. Tipos não são documentação — são contratos em tempo de execução que o framework faz cumprir.
Definições são serializáveis em JSON e reproduzíveis. O estado de execução vive à parte, observável e consultável.
Spans do OpenTelemetry para cada execução de agente, chamada de ferramenta e etapa de pipeline — desde o primeiro commit, não parafusados depois.
Sequence, Parallel, ReActLoop, Consensus, Debate, Handoff. Modos nomeados sobre os quais se pode raciocinar — não fluxo de controle arbitrário.
O que tem dentro
As primitivas a partir das quais cada agente é construído.
Como agentes se lembram e o que compartilham.
Como agentes se compõem em sistemas.
Instalar
$pip install phronesis-framework
Status do projeto
A API vai mudar. Estamos trabalhando em público para construir um framework que leva sistemas de agentes a sério — tipado, componível, observável. Sem afirmações de produção, sem estudos de caso fabricados, sem barreiras corporativas. Apenas o código e um compromisso honesto com seu design.
Feedback, ideias e contribuições são bem-vindos via GitHub Discussions e Issues. O roteiro, as arestas e as perguntas em aberto estão todos no repositório.
