Parlant 是一个智能体框架（agentic harness），针对对话场景优化了 context engineering for conversational use cases：在恰当时机将恰到好处的上下文注入提示词——不多也不少。你只需定义一次规则、知识与工具，引擎会在实时对话中把上下文收窄到与每一轮对话直接相关的内容。

Parlant 与 LangGraph 或 DSPy 有何不同？

Parlant 专注于对话治理（conversational governance）以及行为控制与一致性，而 LangGraph 更适合工作流自动化，DSPy 更适合底层提示词优化。

设计目标

Parlant 围绕三个目标构建，这些目标塑造了框架中的每一项决策：

1. 对对话体验的最大控制

Parlant 围绕一个简单理念设计：开发者应能精确控制智能体的行为。在面向客户的对话中，语气、时机、边界情况、策略约束和品牌调性等细节都很重要。因此我们选择了一种让这些方面易于配置和管理的设计。这种做法会增加复杂度，但能让团队更紧密地掌控智能体在真实对话中的表现。

2. 最大程度防止不良行为

Parlant 将行为偏离（misalignment）视为核心设计问题。它基于关于模型准确性与一致性的研究 so that it is structurally harder for the agent to behave outside its intended boundaries, and easier to detect and correct when it does. 与其在输出端事后加装护栏，Parlant 从一开始就在 LLM 的使用方式中施加约束与控制点，以产出安全且正确的输出。

3. 从产品反馈到实现的最快路径

Parlant 力求让负责智能体对话体验的人员能以直观方式塑造其行为，从而形成工程师可以快速响应的反馈循环。Parlant 的设计让你能尽可能快地将持续的产品反馈纳入其中，而无需手动重连图结构或微调模型，确保宝贵的工程时间只用于更深层的改动，而非琐碎调整。

快速开始

pip install parlant

import parlant.sdk as p

async with p.Server():
    agent = await server.create_agent(
        name="Customer Support",
        description="Handles customer inquiries for an airline",
    )

    # Evaluate and call tools only under the right conditions
    expert_customer = await agent.create_observation(
        condition="customer uses financial terminology like DTI or amortization",
        tools=[research_deep_answer],
    )

    # When the expert observation holds, always respond
    # with depth. Set the guideline to automatically match
    # whenever the observation it depends on holds...
    expert_answers = await agent.create_guideline(
        matcher=p.MATCH_ALWAYS,
        action="respond with technical depth",
        dependencies=[expert_customer],
    )

    beginner_answers = await agent.create_guideline(
        condition="customer seems new to the topic",
        action="simplify and use concrete examples",
    )

    # When both match, beginners wins. Neither expert-level
    # tool-data nor instructions can enter the agent's context.
    await beginner_answers.exclude(expert_customer)

请跟随 5 分钟快速入门 for a full walkthrough. 获取完整演练。

Parlant 一览

你在代码中（而非提示词中）定义智能体行为，引擎会在每一轮动态收窄上下文，仅保留当下直接相关的内容，从而让 LLM 保持专注、智能体保持对齐。

graph TD
    O[Observations] -->|Events| E[Contextual Matching Engine]
    G[Guidelines] -->|Instructions| E
    J["Journeys (SOPs)"] -->|Current Steps| E
    R[Retrievers] -->|Domain Knowledge| E
    GL[Glossary] -->|Domain Terms| E
    V[Variables] -->|Memories| E
    E -->|Tool Requests| T[Tool Caller]
    T -.->|Results + Optional Extra Matching Iterations| E
    T -->|**Key Result:**<br/>Focused Context Window| M[Message Generation]

Parlant 不会向模型发送冗长的系统提示词再接原始对话，而是先组装一份聚焦的上下文——仅匹配与每一轮对话相关的指令与工具——再基于收窄后的上下文生成回复。

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#e8f5e9', 'primaryTextColor': '#1b5e20', 'primaryBorderColor': '#81c784', 'lineColor': '#66bb6a', 'secondaryColor': '#fff9e1', 'tertiaryColor': 'transparent'}}}%%
flowchart LR
    A(User):::outputNode

    subgraph Engine["Parlant Engine"]
        direction LR
        B["Match Guidelines and Resolve Journey States"]:::matchNode
        C["Call Contextually-Associated Tools and Workflows"]:::toolNode
        D["Generated Message"]:::composeNode
        E["Canned Message"]:::cannedNode
    end

    A a@-->|💬 User Input| B
    B b@--> C
    C c@-->|Fluid Output Mode?| D
    C d@-->|Strict Output Mode?| E
    D e@-->|💬 Fluid Output| A
    E f@-->|💬 Canned Output| A

    a@{animate: true}
    b@{animate: true}
    c@{animate: true}
    d@{animate: true}
    e@{animate: true}
    f@{animate: true}

    linkStyle 2 stroke-width:2px
    linkStyle 4 stroke-width:2px
    linkStyle 3 stroke-width:2px,stroke:#3949AB
    linkStyle 5 stroke-width:2px,stroke:#3949AB

    classDef composeNode fill:#F9E9CB,stroke:#AB8139,stroke-width:2px,color:#7E5E1A,stroke-width:0
    classDef cannedNode fill:#DFE3F9,stroke:#3949AB,stroke-width:2px,color:#1a237e,stroke-width:0

这样一来，增加更多规则会让智能体更聪明，而不是更困惑——因为由引擎来过滤上下文相关性，而非由 LLM 负责。

Parlant 适合你吗？

Parlant 面向那些需要让 AI 智能体在真实客户面前可靠表现的团队而构建。若符合以下情况，它会是不错的选择：

你正在构建面向客户的智能体（customer-facing agent）——支持、销售、onboarding（入驻引导）、咨询等——在这些场景中语气、准确性与合规性至关重要。
你有数十甚至数百条行为规则，系统提示词已不堪重负。
你处于受监管或高风险领域（金融、保险、医疗、电信），每条回复都需要可解释、可审计。

Parlant 已在最严苛的组织中投入生产使用，其中包括银行。

Parlant 不仅仅是一个框架。它是直接正面解决对话建模（conversational modeling）问题的高层软件。 — Sarthak Dalabehera, Principal Engineer, Slice Bank

这是我见过的最优雅的对话式 AI 框架。 — Vishal Ahuja, Senior Lead, Applied AI, JPMorgan Chase

Parlant 大幅减少了提示工程（prompt engineering）和复杂流程控制的需求。构建智能体更接近领域建模（domain modeling）。 — Diogo Santiago, AI Engineer, Orcale

功能特性

Guidelines — 行为规则以条件-动作（condition-action）对表示；引擎每轮仅匹配相关内容。
Relationships — 准则之间的依赖与互斥关系，使上下文保持精简且聚焦。
Journeys — 多轮 SOP（标准作业程序），能根据客户实际交互方式自适应调整。
Canned Responses — 预批准的回复模板，在关键时刻消除幻觉风险。
Tools — 外部 API 与工作流，仅在其观测条件匹配时触发。
Glossary — 领域专用词汇，使智能体理解客户的语言。
Explainability — 完整的 OpenTelemetry 追踪——每条准则匹配与决策均有日志记录。

Guidelines

行为规则以条件-动作对表示：当条件成立时，对应动作即进入上下文。

引擎不会在单个提示词中塞入全部准则，而是在每轮对话中评估哪些准则适用，并仅将相关准则纳入 LLM 的上下文。

这样你可以定义数百条准则，而不会降低遵循度。

await agent.create_guideline(
    condition="customer uses financial terminology like DTI or amortization",
    action="respond with technical depth — skip basic explanations",
)

Relationships

元素之间的关系帮助你把最终上下文调控得恰到好处：精简且聚焦。

**互斥（Exclusion）**关系在匹配到冲突准则时，将特定准则排除在模型注意力之外。

for_experts = await agent.create_guideline(
    condition="customer uses financial terminology",
    action="respond with technical depth",
)

for_beginners = await agent.create_guideline(
    condition="customer seems new to the topic",
    action="simplify and use concrete examples",
)

# In conflicting reads of the customer, set which takes priority
await for_beginners.exclude(for_experts)

**依赖（Dependency）**关系确保某条准则仅当另一条准则已奠定基础时才激活，帮助你构建_基于主题的准则层级结构。_

suspects_fraud = await agent.create_observation(
    condition="customer suspects unauthorized transactions on their card",
)

await agent.create_guideline(
    condition="customer wants to take action regarding the transaction",
    action="ask whether they want to dispute the transaction or lock the card",
    # Only activates when fraud suspicion has been established
    dependencies=[suspects_fraud],
)

Journeys

多轮 SOP（标准作业程序，Standard Operating Procedures）。为预订、故障排查、onboarding 等流程定义路径。智能体遵循该流程但会自适应调整——它可以快进状态、回到先前状态，或根据客户交互方式调整节奏。

journey = await agent.create_journey(
    title="Book Flight",
    description="Guide the customer through flight booking",
    conditions=["customer wants to book a flight"],
)

t0 = await journey.initial_state.transition_to(
    # Instruction to follow while in this state (could be multiple turns)
    chat_state="See if they're interested in last-minute deals",
)

# Branch A - not interested in deals
t1 = await t0.target.transition_to(
    chat_state="Determine where they want to go and when",
    condition="They aren't interested",
)

# Branch B - interested in deals
t2 = await t0.target.transition_to(
    tool_state=load_latest_flight_deals,
    condition="They are",
)

t3 = await t1.target.transition_to(
    chat_state="List deals and see if they're interested",
)

Canned Responses

在关键时刻或对话事件中，将智能体限制为仅使用预批准的回复模板。

运行匹配序列并为客户端拟稿后，智能体会选择与其生成草稿最匹配的模板，而非直接发送草稿，从而彻底消除幻觉风险，并确保措辞字字准确。

await agent.create_guideline(
    condition="The customer discusses things unrelated to our business"
    action="Tell them you can't help with that",
    # Strict composition mode triggers when this guideline
    # matches - the rest of the agent stays fluid
    composition_mode=p.CompositionMode.STRICT,
    canned_responses=[
        await agent.create_canned_response(
            "Sorry, but I can't help you with that."
        )
    ],
    priority=100,  # Top priority, focuses the agent on this alone
)

Tools

工具仅在其观测条件匹配时激活；它们不会永久占用上下文。这避免了困扰传统 LLM 工具配置的错误阳性调用。

@p.tool
async def query_docs(context: p.ToolContext, user_query: str) -> p.ToolResult:
    results = search_knowledge_base(user_query)
    return p.ToolResult(results)

await agent.create_observation(
    condition="customer asks about service features",
    tools=[query_docs],
)

工具还可将自定义值注入预制回复模板。

Glossary

为你的智能体配置领域专用词汇。将口语化表达与同义词映射到精确的业务定义，使智能体理解客户的语言。

await agent.create_term(
    name="Ocean View",
    description="Room category with direct view of the Atlantic",
    synonyms=["sea view", "rooms with a view to the Atlantic"],
)

Explainability

每项决策均通过 OpenTelemetry 追踪。Parlant 开箱即用，提供完善的日志、指标与追踪数据。

框架集成

Parlant 负责对话治理（conversational governance）；它不会取代你现有的技术栈。

可与 LangGraph、Agno、LlamaIndex 等框架搭配使用，用于工作流自动化与知识检索。Parlant 接管行为控制层，而你选择的框架处理智能体其余的处理逻辑。

任何外部工作流或智能体（agent）都可以成为 Parlant 工具，仅在相关时触发：

from my_workflows import refund_graph  # a compiled LangGraph StateGraph

@p.tool
async def run_refund_workflow(
  context: p.ToolContext,
  order_id: str
) -> p.ToolResult:
    result = await refund_graph.ainvoke({"order_id": order_id})

    # Graph result can inject both data and instructions into the agent.
    # Instructions are transformed to guidelines, and participate
    # in contextual guideline resolution (including prioritizations)

    return p.ToolResult(
        data=result["data"],
        # Inject dynamic guidelines from workflow result
        guidelines=[
            {"action": inst, "priority": 3} for inst in result["instructions"]
        ],
    )

await agent.create_observation(
    condition="customer wants to process a refund",
    tools=[run_refund_workflow],
)

同样的模式也适用于 LlamaIndex 查询引擎、Agno agents，或任何异步 Python 函数。

LLM 无关

Parlant 可与大多数 LLM 提供商配合使用。推荐的是 Emcie，它专为 Parlant 构建，在成本与质量之间提供了理想平衡；OpenAI 和 Anthropic 也能产出出色的高质量结果。你也可以通过 LiteLLM 使用任意模型和提供商，但它们需要足够优秀——现成的过小模型往往会产生不一致的结果。

一般来说，你可以在不更改行为配置的情况下切换模型。

官方 React 聊天组件

即插即用的聊天组件，可立即启动前端。

了解更多

Parlant 如何确保合规 — 深入了解引擎
Parlant 与 LangGraph 对比 — 何时使用哪一个
Parlant 与 DSPy 对比 — 不同问题选用不同工具

社区 - 获取 Parlant 帮助

Discord — 提问并分享你的作品
GitHub Issues — 错误报告与功能请求
Contact — 直接联系工程团队

如果 Parlant 帮助你构建了更好的 agents，给它点个星** — 这能帮助其他人发现该项目。**

许可证

Apache 2.0 — 可免费用于商业用途。

立即试用 • 加入 Discord • 阅读文档

由 Emcie 团队构建

项目文件夹

README.md Unescape Escape

面向客户 AI 智能体的交互控制框架（interaction control harness）

为什么选择 Parlant？

❌ 问题：你可能已经尝试过、却无法规模化落地的做法

🔑 解决方案：面向对话控制的上下文工程