一个面向研究者的白盒Agent框架，用更少的token做更多的事

开源技术社区活动场景，开发者展示代码项目，大屏幕显示Agent架构图，轻松交流氛围

Agent框架现在很多。LangChain、CrewAI、AutoGPT，加上各家的自研方案，开发者不缺选择。但有一个问题一直存在：这些框架的设计取向是"好用"，而不是"可研究"。

如果你是一个AI研究者，想知道一个Agent的某个行为到底是模型能力决定的，还是框架编排逻辑导致的，现有的大多数框架都很难回答。它们的编排逻辑藏在框架代码深处，调用了哪些工具、传递了什么状态、决策链路上有哪些分支——这些信息要么不全，要么需要花大量时间从日志里反推。

研究者需要的不是黑盒

一篇来自arXiv的新论文提出了ToFu框架，定位很明确：既是研究助手，也是研究对象。

作为研究助手，ToFu可以读取代码库、编辑文件、运行命令、集成开发工具。这些能力和现有Agent框架差别不大。

真正有意思的是它的第二角色：作为研究对象，ToFu的编排逻辑是完全透明的。研究者可以检查它在每一步调用了什么工具、收到了什么结果、基于什么信息做了决策。更重要的是，这些行为可以被修改、被替换、被评估。

论文举了一个场景：你想对比不同提示策略对Agent代码修改行为的影响。在现有框架里，你需要侵入框架代码去修改提示模板、记录每次调用的结果，然后手动对齐。在ToFu里，框架本身就是观察点，每一步的行为数据直接暴露给研究者。

对研究者来说，另一个实际痛点是成本。Agent框架在执行任务时会消耗大量token——模型输出、工具调用结果、上下文维护，每一项都要算钱。ToFu在token效率上做了针对性优化，论文给出的对比数据显示它在完成同样任务时消耗的token明显更少。

这个优势对学术研究尤其重要。一个研究项目可能需要跑几百次Agent实验，token开销的差异会直接决定一个研究团队能不能做充分的实验。如果用更少的token能得到同样的结果，那研究就可以做更多的对照组和分析。

另外，ToFu支持多语言（包括中文），这对非英语国家的开发者是一个友好设计。它基于MIT许可证发布，支持本地部署，隐私敏感的研究团队可以在完全离线的环境下使用。

ToFu的定位其实是Agent工具生态的一个重要补充。目前的主流Agent框架大多面向"让Agent更好地完成任务"，而ToFu面向的是"让研究者更好地理解Agent为什么这么做"。这两者的区别，就像黑盒API和可调试的开源库的区别。

在过去几个月Agent开发快速发展的背景下，工具层开始出现分化。一方面是生产级框架在追求更高的自动化程度和更低的出错率，另一方面是研究级工具在追求更好的可观测性和实验可控性。ToFu属于后者，而且填补了一个不错的空白。

对从事Agent研究的人来说，这意味着以后做实验时多了一个选择：用生产框架验证可行性，用研究框架深入分析行为。两种工具的分工逐渐清晰。

维基框架关注企业应用开发中的长期维护问题。在实际项目中，业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素，因此我们希望提供一套更容易扩展和维护的基础框架。