从"玩具"到"教材"：一个500行AI框架的自我修养

为什么我要造一个500行的Agent轮子？ 你好，我是 FROST 的作者。 2026年了，Agent 框架多得能让人挑花眼：LangGraph 有 34.5M 月下载量，Dify 在 GitHub 斩获 129.8K Stars，各大厂商都在疯狂推自己的 SDK。这种环境下，再写一个"轮子"，是不是有点多余？ 说实话，我也纠结了很久。 一个困惑：新学者的两难困境 事情要从一次失败的辅导说起。 我帮一个朋友入门 Agent 开发，推荐了 LangChain。结果他学了两个月，还在和 chain.invoke() 搏斗，脑子里依然没有"Agent 到底是怎么工作的"这个概念。 问题出在哪？ 现在的框架太强了，强到把所有的复杂性都藏了起来。 你可以三行代码跑起来一个 Agent，但你也永远不知道它内部发生了什么。就像学开车，你学会了踩油门转弯，但发动机是怎么工作的、变速箱怎么换挡，一概不知。 而对于想真正理解 Agent 本质的人来说，这是一个巨大的 Gap： 需求 现有选项 快速开发产品 LangChain/CrewAI 理解底层原理 论文 + 源码 入门级教学框架 ❌ 空白 这个空白，就是 FROST 存在的原因。 FROST 的设计哲学：Less is More FROST 不是一个生产级框架，它是一个 教学框架 。 这意味着它刻意放弃了： ❌ 复杂的依赖生态（不需要 LangChain） ❌ 丰富的工具集成（没有 100+ 内置工具） ❌ 分布式部署能力（就是单机 Python） 它只保留了三个核心概念： \ `python Store - 记忆容器（类似神经细胞的存储功能） class Store: """存储上下文、记忆、状态""" def init (self): self.data = {} Skill - 纯函数变换（类似神经细胞的处理功能） class Skill: """输入→处理→输出，无状态""" def call (self, store, *args, **kwargs): pass Agent - 执行单元（类似神经细胞本身） class Agent: """调用 Skill，操作 Store，完成目标""" def init (self, skills: list[Skill], store: Store): pass ` \ 是的，就这么简单。 三个类，不超过 500 行代码。 但正是这种简单，让"理解"变得可能。 一行代码跑起来的 Agent \ `python from frost import Agent, Store, Skill 定义一个"搜索助手"技能 class SearchSkill(Skill): def call (self, store, query): result = web_search(query) # 这里是你的搜索实现 store.set("last_search", result) return result 创建 Agent 并运行 store = Store() agent = Agent(skills=[SearchSkill()], store=store) response = agent.run("北京今天天气怎么样") print(response) ` \ 对比一下用 LangChain 实现同样的功能： \ `python from langchain.agents import AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI ... 还有十几行初始化代码 ` \ FROST 让你从第一行代码开始，就知道自己在做什么： Agent 是执行者 Skill 是它的能力 Store 是它的记忆 没有魔法，没有黑箱，只有清晰的数据流。 为什么叫 FROST？ FROST 的全称是 Fractal Remote Organ of Scalable Thoughts ——可扩展思维的分形远程器官。 这个名字源于它的设计灵感： 神经细胞（Neural Cell） 。 在生物学中，每个神经细胞都很简单： 接收信号 处理信号 发出信号 但当 亿万个神经细胞 连接在一起，就涌现出了智能。 FROST 试图在软件层面复现这个过程： Neural Cell → Agent Synapse → Skill Long-term Memory → Store Brain (Emergence) → Multi-Agent System 这不是在模仿大脑，而是在学习生物界的智慧： 简单单元 + 清晰连接 = 复杂行为。 我的踩坑日记 作为一个从零开始写框架的人，踩的坑比代码行