JarvisCore
Prescott Data · Coding · Produktivität · Sonstiges
JarvisCore ist eine Open-Source-Laufzeit in Python, in der KI-Agenten als gleichrangige Peers in einem Mesh arbeiten, Aufgaben aus einem gemeinsamen Register übernehmen und externe Dienste über einen Zero-Trust-Broker erreichen.
Über JarvisCore
What Is JarvisCore
JarvisCore ist ein Multi-Agenten-Framework für Teams, die KI-Agenten in Python in einem echten System betreiben. Statt einen Orchestrator zu benennen, der jeden Schritt plant und den gesamten Zustand hält, verteilt es die Agenten auf ein Agenten-Mesh. Dort meldet jeder Peer, was er kann, und holt sich Arbeit aus einem gemeinsamen Register. Das ändert, was bei einem Prozessausfall passiert: Ein anderer Peer übernimmt den offenen Schritt, und das Ziel läuft weiter.
Die Laufzeit bringt zwei Agentenprofile mit. Ein AutoAgent denkt die Aufgabe durch, schreibt Code, führt ihn in einer Sandbox aus und repariert eigene Fehler. Ein CustomAgent führt den Python-Code aus, den Sie in execute_task schreiben, und behält dieselbe Identität, denselben Speicher und dieselbe Nachrichtenebene wie das autonome Profil. Beide laufen im selben Mesh, sodass ein deterministischer API-Worker und ein denkender Agent ohne zweites Framework zusammenarbeiten.
Zugangsdaten laufen über Nexus, einen Broker, der das Token erst beim externen Aufruf einsetzt. Der Agent erklärt, welche Dienste er braucht. Er sieht den Schlüssel nie, und dieser taucht weder in Prompts noch im erzeugten Code oder in Traces auf. Hinter dem Projekt steht Prescott Data, lizenziert ist das Framework unter Apache 2.0.
Die Grenzen sollten Sie vor dem Start kennen. JarvisCore ist eine Entwicklerbibliothek, kein Baukasten ohne Code, und die Dokumentation setzt Python-Kenntnisse sowie den Umgang mit Umgebungsvariablen voraus. Dauerhafte Workflows, Wiederaufnahme nach einem Absturz und die Erkennung über mehrere Rechner hinweg brauchen Redis und bei mehreren Knoten das P2P-Extra. Version 3.0 ergänzt eine Kontrollebene, die jede Wirkung aufzeichnet, doch der Standardmodus beobachtet und blockiert nicht.
Getting Started
- Installieren Sie Python 3.10 oder neuer und führen Sie
pip install jarviscore-frameworksowiejarviscore initin einem neuen Ordner aus. - Kopieren Sie
.env.examplenach.envund tragen Sie einen Schlüssel von Anthropic, Google Gemini, Azure OpenAI oder einem lokalen Endpunkt ein. - Prüfen Sie mit
jarviscore check --validate-llm, ob Paket und Provider-Verbindung stehen. - Schreiben Sie eine Agentenklasse mit Rolle, Fähigkeiten und System-Prompt, fügen Sie sie einem
Meshhinzu und rufen Siemesh.run_task()auf. - Ergänzen Sie Extras nach Bedarf:
[redis]für dauerhafte Workflows,[browser]für Playwright und[p2p]für Agenten auf mehreren Rechnern.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von JarvisCore.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Backend- und Plattformentwickler
- Teams mit langen Jobs über mehrere Prozesse
- Unternehmen mit strengen Regeln für Zugangsdaten
Aufgaben
- Mehrstufige Recherche und Berichte
- Workflows, die einen Neustart überstehen
- Browserarbeit auf echten Seiten
- Aktionen mit menschlicher Freigabe
Szenarien
- Eine nächtliche Pipeline, die Datensätze aus drei internen Systemen anreichert, bei der ein fehlerhafter Stapel nicht den ganzen Lauf neu starten darf.
- Ein Support-Team, das einen Agenten Dateiänderungen in einem Slack-Raum vorschlagen lässt, während jede Person sie mit dem eigenen Konto annimmt.
- Ein Prototyp, der ohne Neuentwicklung in den Produktivbetrieb gehen soll, weil dieselben Agenten in einem Prozess oder auf mehreren Knoten laufen.
Wichtigste Funktionen
Peer-Mesh ohne zentralen Orchestrator
Agenten melden ihre Fähigkeiten per SWIM-Gossip an und finden einander über das, was sie können. Fällt ein Prozess aus, übernimmt ein anderer den Schritt aus dem gemeinsamen Register und führt das Ziel fort. Es gibt keinen Chef-Agenten, dessen Ausfall das ganze System mitnimmt, und genau das ist die übliche Schwachstelle orchestratorbasierter Entwürfe.
Dauerhafte Ziele auf einem gemeinsamen Register
Mesh.execute_goal() legt das Ausgangsziel und ein Register der Verpflichtungen in Redis ab, übersetzt es unter einer zeitlich begrenzten Planungsvollmacht in einen kapazitätsadressierten DAG und lässt geeignete Peers bereite Schritte atomar übernehmen. Der planende Peer verliert seine Routing-Befugnis, sobald der Plan steht, und genau das hält dauerhafte Agenten-Workflows nach einem Neustart am Laufen. Versuche bleiben unveränderlich, und der Abgleich ergänzt Arbeit nur für offene Verpflichtungen.
Zwei Agentenprofile auf einer Laufzeit
AutoAgent übernimmt die Denkschleife, die Werkzeugerkennung, die Codeausführung in der Sandbox und die Reparatur. CustomAgent stellt deterministische Handler bereit, die Sie in reinem Python schreiben. Beide teilen Identität, Speicher, Nachrichten und Ablage, sodass ein Agent das Profil wechseln kann, ohne das umliegende System neu zu bauen.
Zero-Trust-Zugangsdaten über Nexus
Nexus löst die Provider-Zugangsdaten an der Ausführungsgrenze auf und setzt sie in die ausgehende Anfrage. Agenten, die requires_auth deklarieren, erhalten den Aufruf, und das Token landet weder im Modellkontext noch im geschriebenen Code oder im Trace-Log. Die OAuth2-Einrichtung läuft lokal über jarviscore nexus init und jarviscore nexus register.
Speicher, der den Prozess überlebt
Fakten, die ein Agent behalten will, schreibt er unter .jarviscore/memory/ und ruft sie in späteren Läufen wieder ab, gebunden an seine Rolle und mit memory_scope_field pro Mandant getrennt. Zeigt die Laufzeit auf Athena, wird der semantische Speicher zwischen Rechnern geteilt. Arbeits-, episodisches und Langzeitspeicher laufen über dieselbe Schnittstelle.
Kontrolle, Nachweis und Replay
Version 3.0 entscheidet vor jedem Provider-Aufruf, Sandbox-Programm, Browser-Request und jeder Dateiänderung und schreibt die Entscheidung in ein hashverkettetes Journal. jarviscore verify prüft dieses Journal offline, jarviscore evidence listet, was ein Agent für eine Person oder einen Mandanten getan hat, und jarviscore replay spielt eine aufgezeichnete Sitzung gegen ihren eigenen Datensatz ab, ohne etwas live aufzurufen.
Vor- und Nachteile
Vorteile
- Ohne zentralen Orchestrator blockiert ein abgestürzter Worker das Ziel nicht, weil Peers die restlichen Schritte aus dem Register übernehmen.
- Zugangsdaten bleiben außerhalb des Modells, was den häufigsten Grund für eine Sicherheitsabsage an Agenten-Pilotprojekte beseitigt.
- AutoAgent und CustomAgent teilen eine Laufzeit, sodass deterministische Worker und denkende Agenten im selben System zusammenarbeiten.
- Die Kontrollebene von 3.0 erzeugt ein prüfbares Journal und Offline-Replay, hilfreich, wenn jemand fragt, was ein Agent tatsächlich getan hat.
- Die Apache-2.0-Lizenz erlaubt kommerzielle Produkte ohne Umsatz- oder Nutzergrenze, und die Installation besteht aus einem pip-Befehl plus einem Modellschlüssel.
Nachteile
- Python-Erfahrung ist Pflicht. Einen visuellen Builder gibt es nicht, und die Einrichtung läuft über Umgebungsdateien und CLI-Befehle.
- Dauerhafte Workflows und die Erkennung über Knoten hinweg verlangen Redis und das P2P-Extra, also Betriebsarbeit, die eine Demo in einem Prozess verdeckt.
- Traces sind Debug-Aufzeichnungen, keine Audit-Logs: Prompts sind Auszüge, Werkzeugergebnisse werden bei 2.000 Zeichen gekürzt, und Einträge verfallen nach sieben Tagen.
- Delegierte Zugriffskontrollen, das Kostenmodell Maven und selbstverbessernde Workflow-DAGs sind kommerzielle Module mit projektbezogenem Preis.
Häufige Fragen
JarvisCore ist ein Open-Source-Agenten-Framework, geschrieben in Python. Agenten treten einem Mesh bei, finden Peers über ihre Fähigkeiten, übernehmen Arbeit aus einem gemeinsamen Register und rufen externe Dienste über einen Broker für Zugangsdaten auf. Gepflegt wird das Projekt von Prescott Data.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu JarvisCore.
Alternativen zu JarvisCore
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.