cubepi · v0.13.0

CubePi一个 Pythonic 原生异步 Agent 框架。

Name: CubePi
Author: CubePi

CubePi 是一个 Pythonic 原生异步 Agent 框架，专为高性能、高可读性和生产级持久化而设计。它以线性 while 循环建模 agent 逻辑，提供比图结构 agent 运行时更轻量的替代方案，开发者可以轻松追踪和调试。

快速开始 →G Q

为什么选择 CubePi — langgraph 和 pi-agent-core 的替代方案

	langgraph	CubePi
抽象模型	图节点 + 边 + 通道	普通 async 函数 — run_agent_loop 就是一个 while 循环
流式输出	基于回调，多种 handler 类型	async for event in stream — 统一模式
检查点	每步全量快照，序列化整个消息列表	追加式 — 无论对话多长，每轮 O(1) DB I/O
依赖项	langchain-core、langgraph-sdk 及传递依赖	3 个核心依赖：pydantic、anthropic、openai
工具执行	工具是需要手动连线的图节点	声明为函数；框架自动路由并并行执行
多 Provider	通过 langchain chat model 适配器	原生 Provider 协议 — 内置 Anthropic、OpenAI
Middleware	图级中间件，在节点进出时触发	8 种类型化 hook，声明式组合规则
可观测性	LangSmith / Langfuse 集成	原生 OpenTelemetry — Tracer、Meter、GenAI semconv，开箱即用 OTLP / JSONL

完整对比:CubePi vs LangGraph → · CubePi vs pi-agent-core →

你好，agent。

一个 async 函数循环。一个 Provider，一个 AgentTool，即可开始流式输出。

完整快速开始 →

import asyncio
from cubepi import Agent, tool
from cubepi.providers.anthropic import AnthropicProvider

provider = AnthropicProvider(api_key="sk-...")

@tool
async def get_weather(city: str) -> str:
    "Get current weather for a city."
    return f"72°F and sunny in {city}"

agent = Agent(
    model=provider.model("claude-sonnet-4-6"),
    tools=[get_weather],
    system_prompt="You are a helpful weather assistant.",
)

def on_event(event, signal=None):
    if event.type == "text_delta":
        print(event.delta, end="", flush=True)

agent.subscribe(on_event)
asyncio.run(agent.prompt("What's the weather in Tokyo?"))