一个快速的 Python 序列化与校验库,基于类型注解编解码 JSON、MessagePack、YAML 和 TOML。
agntcy/oasf
一套用于描述 AI 智能体能力、技能、领域与元数据的标准化 schema 框架及服务器,便于校验与发现。
- Star
- 340
- Fork
- 47
- 未关闭 Issue
- 19
- 最近提交
- 6小时前
这是什么?
OASF(Open Agentic Schema Framework)为 AI 智能体记录定义了统一的数据结构。记录通过基于属性的技能与领域分类体系进行描述,并可借助模块以可组合的方式扩展信息,目标是在分布式系统中一致地定义、校验和发现智能体能力。
该项目的数据建模思路和实现参考了 OCSF(开放网络安全 schema 框架),其 schema 服务器也基于 OCSF 的服务器衍生开发。项目提供用于浏览和校验 schema 的 HTTP 服务,并在 Buf Schema Registry 上发布 Protocol Buffer 定义。
开发流程基于 Taskfile,并提供容器化开发环境,可通过 Helm 部署到本地 Kind 集群,也支持修改 schema 后热重载。项目允许添加私有 schema 扩展,并提供 MCP 服务器,帮助 LLM 生成和校验记录。
核心功能
- 01定义描述 AI 智能体的标准记录结构。
- 02使用基于属性的分类体系为智能体标注技能与领域。
- 03支持带校验的私有 schema 扩展。
- 04提供用于浏览和校验 schema 的 HTTP 服务器。
- 05开发阶段支持 schema 热重载,并可通过 Helm 本地部署。
- 06在 Buf Schema Registry 发布 Protocol Buffer 定义。
适用场景
- 为跨系统的智能体能力发现统一描述方式。
- 在开发中依据共享 schema 校验智能体记录。
- 搭建带有自定义扩展的私有 schema 服务器。
- 通过 MCP 服务器让 LLM 生成并校验 OASF 记录。
快速上手
- 1
克隆代码仓库
git clone https://github.com/agntcy/oasf.git - 2
安装前置依赖(Taskfile、带 Buildx 的 Docker、Go、yq、curl、tar)
- 3
在本地构建服务器镜像
IMAGE_TAG=latest task build:server - 4
在临时 Kind 集群中本地部署 OASF,然后访问 localhost:8080
task up
使用前须知
- 本地部署需要带 Buildx 的 Docker、Go、yq 以及 Taskfile 环境。
- 对服务器后端的修改需要重新运行 task up,热重载仅适用于 schema 变更。
收录于专题
标签
常见问题
- oasf 是什么?
- 一套用于描述 AI 智能体能力、技能、领域与元数据的标准化 schema 框架及服务器,便于校验与发现。 OASF(Open Agentic Schema Framework)为 AI 智能体记录定义了统一的数据结构。记录通过基于属性的技能与领域分类体系进行描述,并可借助模块以可组合的方式扩展信息,目标是在分布式系统中一致地定义、校验和发现智能体能力。
- oasf 可以免费使用吗?用的什么许可证?
- oasf 以 Apache-2.0 许可证开源。用于商业产品前,请先确认许可证条款。
- oasf 还在维护吗?
- 活跃维护中。oasf 最近一次提交是在 2026年10月22日。
- oasf 适合用来做什么?
- 为跨系统的智能体能力发现统一描述方式。 在开发中依据共享 schema 校验智能体记录。 搭建带有自定义扩展的私有 schema 服务器。 通过 MCP 服务器让 LLM 生成并校验 OASF 记录。
- oasf 怎么安装和运行?
- 克隆代码仓库: git clone https://github.com/agntcy/oasf.git 安装前置依赖(Taskfile、带 Buildx 的 Docker、Go、yq、curl、tar) 在本地构建服务器镜像: IMAGE_TAG=latest task build:server 在临时 Kind 集群中本地部署 OASF,然后访问 localhost:8080: task up
- 在哪里获取 oasf?
- 源代码和安装说明在 GitHub 上:https://github.com/agntcy/oasf
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
Model Context Protocol(MCP)的规范、协议 Schema 与官方文档,用于连接 AI 应用与外部工具和数据的开放标准。
基于 Pydantic 的 Python 库,让 LLM 输出结构化、经过校验的数据,并在校验失败时自动重试。
为大语言模型应用添加输入输出防护的 Python 框架,并可从 LLM 输出中生成经校验的结构化数据。
一种声明式模式语言,可由同一份 .skir 文件生成 TypeScript、Python、Java、Go、C++ 等多语言的类型安全数据模型与 RPC 代码。
一个 Python 库,在生成过程中约束 LLM 输出,使其符合指定的类型、正则、JSON Schema 或语法。