支持二次开发管理端与标准化 Skill 的开源 Agent 框架选型

本文筛选出 3 款完全匹配的开源 Agent 框架，均具备代码级可扩展能力、自带 Skill 管理后台并支持 SKILL.md/MCP 标准。附核心特性、二次开发要点和部署步骤。

一、首选：LangGraph + LangServe（LangChain 官方生态，Python 栈，极致可扩展）

核心定位

LangChain 官方推出的「Agent 编排 + 服务化」框架，自带可二次开发的 Skill/Tool 管理后台（LangServe Dashboard），纯代码开发、无低代码封装，是 Python 生态的最佳选择。

关键特性

1. Skill 管理能力：
   • 原生支持 StructuredTool（对应 SKILL.md 标准），可通过代码/API 注册、禁用、版本管理；
   • 内置 MCP 协议适配，可直接加载 SKILL.md + scripts 格式的 Skill；
2. 管理配置端：
   • 自带 LangServe Dashboard（Web 管理后台），支持 Skill 列表、调用日志、参数配置；
   • 后台基于 FastAPI + React 开发，前端/后端均可完全二次开发；
3. 二次开发友好：
   • 纯 Python 代码编写 Agent 逻辑，无低代码拖拽；
   • 模块化设计（Skill 加载器、Agent 执行器、权限控制可拆分扩展）；
   • 支持自定义 Skill 元数据、调度规则、沙箱运行环境。

部署 & 二次开发步骤

1. 基础部署

# 安装核心依赖
pip install langgraph langserve langchain-openai fastapi uvicorn
# 启动带 Dashboard 的 LangServe 服务
langserve start --host 0.0.0.0 --port 8000 --dashboard

访问 http://localhost:8000/docs（API 管理）、http://localhost:8000/dashboard（可视化管理后台）。

2. 二次开发 Skill 管理模块

from fastapi import FastAPI, APIRouter, Depends
from langserve import add_routes
from langgraph.graph import StateGraph, END
from langchain_core.tools import StructuredTool
from pydantic import BaseModel
import yaml
from pathlib import Path

# 1. 自定义 Skill 加载器（解析 SKILL.md）
def load_skill_from_dir() -> StructuredTool:
    skill_path = Path(skill_dir)
    
     (skill_path / , , encoding=)  f:
        yaml_head = f.read().split()[].strip()
    skill_meta = yaml.safe_load(yaml_head)
    
    
     ():
         subprocess
        cmd = [, (skill_path / skill_meta[][])]
         k, v  kwargs.items():
            cmd += [, (v)]
        result = subprocess.run(cmd, capture_output=, text=)
         result.stdout.strip()
    
    
    param_fields = {p[]: ((p[]), ...)  p  skill_meta[]}
    ParamModel = BaseModel(**param_fields)
     StructuredTool.from_function(
        func=skill_executor,
        name=skill_meta[],
        description=skill_meta[],
        args_schema=ParamModel
    )


app = FastAPI(title=)
skill_router = APIRouter(prefix=)
registered_skills = {}


 ():
    
    skill = load_skill_from_dir(skill_dir)
    registered_skills[skill.name] = skill
    add_routes(app, skill, path=)
     {: , : }


 ():
    
     {: , : [{: k, : v.description}  k, v  registered_skills.items()]}

app.include_router(skill_router)


 __name__ == :
     uvicorn
    uvicorn.run(app, host=, port=)