Open Source · MIT · Python 3.12+

Agent-Lab

LLM-Agenten entwickeln, simulieren und testen.

Ein cloud-natives Python-Framework auf Basis von FastAPI, LangGraph und PostgreSQL.

$ uvx cookiecutter gh:btech-software/agent-lab --directory cookiecutter
$ cd my-agent-app && docker compose up --build -d
$ curl http://localhost:18000/status/liveness
# REST-API unter /agents · MCP-Server unter /mcp · OpenAPI-Dokumentation unter /docs

Entwickeln

Leite eine Basisklasse für Agenten ab, registriere sie mit einem einzigen Decorator und rufe create_app() auf. REST, MCP, Persistenz und Authentifizierung sind bereits integriert.

Leitfaden für Entwickler MCP-Server

Simulieren

Führe Agenten gegen echte LLMs aus – mit einem simulierten Benutzer und einem LLM als Richter, verfolgt über die Zeit in Langfuse und LangWatch.

Leitfaden für Forscher Simulationen

Testen

Validiere jede Änderung gegen echte Infrastruktur, die von testcontainers hochgefahren wird. Keine Mocks, wo es darauf ankommt.

Leitfaden zum Testen

Tutorial · ca. 15 Minuten

Von null zum laufenden, beobachtbaren Agenten.

Erstelle ein Projekt aus der Vorlage.
Starte den kompletten Stack mit Docker Compose.
Sprich mit deinem Agenten über REST und anschließend über einen MCP-Client.

Dein erster Agent Leitfaden für Entwickler

# 1 · Projektstruktur erzeugen
$ uvx cookiecutter gh:btech-software/agent-lab --directory cookiecutter
# 2 · ohne Infrastruktur installieren und testen
$ cd my-agent-app
$ uv lock && uv sync --group dev --group test
$ make test_unit
# 3 · kompletten lokalen Stack starten
$ docker compose up --build -d
$ curl http://localhost:18000/status/liveness

Wähle deinen Weg

Die Dokumentation ist danach gegliedert, was du vorhast.