清华团队提出OpenRath：以Session为核心的多智能体运行时框架

清华大学、中山大学和香港中文大学的Rath Team开源了OpenRath，一个以Session（会话）为核心的多智能体运行时框架。该框架主张将Session作为一等公民，而非Agent，以解决多智能体系统中状态管理混乱、调试困难等问题。OpenRath借鉴PyTorch的设计理念，将Session映射为Tensor，Agent映射为Layer，Sandbox/Memory映射为Device/Parameter，实现了模块化、可组合的Agent集群。框架支持多Agent多会话（MAMS）模式，提供Session分叉、合并、复用等能力，并内置了文件、Shell、代码执行等工具。目前OpenRath已在PyPI发布v1.2.1，采用BSD-3-Clause协议。

背景：多智能体系统的状态管理困境

随着Agent数量增加，传统以Agent为中心的设计暴露出严重问题：每个Agent维护独立上下文，任务分叉后难以追踪，工具调用、记忆、沙箱等状态分散。当系统扩展到几十上百个Agent时，调试、复现和编排变得极其困难。现有框架如AutoGen、CrewAI、LangGraph主要解决Agent间的通信，但未深入处理会话状态的持久化和路由。

核心设计：Session作为一等公民

OpenRath提出将Session作为状态和证据的载体，而非简单的聊天历史。Session记录完整的执行轨迹，包括工具调用参数与结果、文件变更、沙箱身份、失败路径、审批信号等。Agent被设计为Session上的变换层，遵循forward(session) -> session接口，可像神经网络层一样堆叠和嵌套。Workflow对应PyTorch的Module，可串联多个Agent、分叉Session、压缩上下文等。

关键特性：MAMS与可插拔后端

• 多Agent多会话（MAMS）：支持Agent数量×Session数量的四象限模式，真正需要分叉、合并、复用的是Session数据流。
• 可插拔后端：Sandbox（如沙箱环境）和Memory（如长期记忆）作为可替换后端，与计算逻辑解耦，类似PyTorch的device概念。
• 工具抽象：FlowToolCall统一了工具的定义与执行，内置文件、Shell、代码执行工具，并支持MCP协议适配。

与现有框架对比

框架	核心抽象	状态管理	适用场景
AutoGen	多Agent对话	消息列表	群聊式协作
LangGraph	图状态+Supervisor	图状态	路由与控制
OpenRath	Session+Workflow	持久化Session	生产级Agent集群

OpenRath强调Agent集群不是群聊，而是建立在持久Session状态之上的运行时控制平面。

开源与生态

• 版本：v1.2.1（PyPI）
• 安装：pip install openrath
• 协议：BSD-3-Clause
• 资源：官网(openrath.com)、文档(docs.openrath.com)、博客(blog.openrath.com)、GitHub(github.com/Rath-Team/OpenRath)