一款专注于智能体性能优化的开源框架，过去几周里在 GitHub 上一路冲到 19.7 万星。项目维护者在 README 顶部写得很直接：这个仓库的目标只有一个，把 agent 在生产环境里的延迟和内存占用打下去。
核心做了三件事：调度、内存、安全加固
从仓库结构看，框架主要解决三类问题。调度层引入了任务分级与抢占机制，实测把多 agent 协同任务的尾延迟压低了约 40%；内存侧做了上下文池化，复用历史对话片段，长任务下的显存占用最高减少 35%；安全加固模块提供权限隔离与工具调用审计，能拦掉沙箱外的非法系统调用。文档里给的基准对比是 1000 个并发 agent 跑同一组工具调用任务，优化后的整体吞吐量从每秒 280 次提升到 470 次。
社区为什么这么快冲到 19.7 万星
项目首次提交是在去年第四季度，最近三个月星标数从 4 万一路冲到 19.7 万，PR 合并数累计超过 1200。维护者在 issue 区写过一句解释：之所以增长这么猛，是因为大家把 agent 跑上生产环境之后，才发现性能问题比想象中严重得多——单个 agent demo 跑得动，铺开到几百个 agent 协同就立刻崩。这个仓库的卖点就是给企业团队一个开箱即用的优化基线，不需要每个团队自己再造一套调度器。社区贡献者覆盖了云厂商、模型厂商和独立开发者，文档支持英文和中文双语。
star 数热闹归热闹，落地仍要看自家 agent 长什么样
19.7 万星说明问题被广泛认同，但不代表这个框架适合所有团队。它的优化前提是 agent 数量足够多、任务足够同质化，调度收益才会显著；如果手里只有十几个 agent 跑差异极大的工具链，引入这套框架反而是负担。开源项目最容易被误读的就是把社区认可等同于自家可用，先看清自己的负载形态再决定是否接入，比直接照抄星数更靠谱。
