← 返回目录

Praisonai

社区

框架 / SDK

24/7 AI 劳动力平台：用几行代码部署自主智能体，支持记忆、RAG 和 100+ 大模型。

这是用于开发 MCP Server 或 Agent 的框架，不是可以直接连接到客户端的 Server。

查看安装方法 ↓ 横向对比 GitHub 源仓库 ↗

分类: 开发工具第 374 / 438
Stars: ★ 9.2k 非常热门
传输方式: stdio（本地进程）
运行环境: Python · Node.js
凭据: 可选 API Key
许可证: MIT
最近提交: 1 天前

37FMRS · D

PraisonAI MCP 服务器提供了强大的 AI 智能体框架接入，适合需要高效构建多智能体应用的开发者。虽然官方文档丰富，但 MCP 服务器的具体集成细节可能需要用户查阅仓库或自行测试。

最强项 · 维护活跃度 13/20 最弱项 · 可靠性 4/20

可靠性

4/20

安全与权限

6/20

维护活跃度

13/20

文档质量

7/20

安装易用性

7/20

查看各项评分依据

可靠性 4/20: 清单文件结构合规（schema、名称、PyPI 包、stdio 传输）并指向 praisonai 2.3.42，因此存在可安装的路径。但未提供任何服务端源码、已提交测试或 CI 工作流；README 几乎完全把 PraisonAI 描述为 MCP 的客户端（通过 MCP() 消费外部服务器），而非 MCP 服务端本身，导致服务端实际暴露的工具面、初始化握手和声明工具与真实行为的一致性完全无法核实。扣分：无可执行证据、无工具列表、无错误处理说明，且 README 与清单描述之间存在显著矛盾。
安全与权限 6/20: 在提供的材料中未发现红线问题：无恶意代码、无真实密钥泄露、无隐蔽数据外传、无未经确认的破坏性默认操作。但存在明显风险面：README 推荐 `curl -fsSL https://praison.ai/install.sh | bash` 远程管道安装；框架描述为可执行代码和外部任务的自主智能体；服务端自身的凭据处理、数据边界、最小权限和危险操作确认机制均无文档或源码证据。扣分：服务端层的授权、审批与数据流披露不完整。
维护活跃度 13/20: 仓库未归档，MIT 许可证明确；清单版本 2.3.42 且 README 展示持续的功能迭代与发布节奏，社区规模较大。但提供的材料中没有问题响应速度、依赖更新策略、安全公告或安全响应渠道的证据，47 个未关闭 issue 的具体治理情况也不可知。扣分：治理细节与安全响应机制缺乏可验证信息。
文档质量 7/20: README 对框架本身相当详尽：安装、快速开始、YAML 配置、CLI 速查、24 家提供商、特性表、FAQ 和排障都有覆盖。但针对 MCP 服务端的契约文档基本缺失：没有工具名与参数、没有资源或提示词列表、没有速率/成本/上下文限制说明、没有服务端专属的排障章节；README 中的 MCP 章节全部是作为客户端接入外部 MCP 服务器的用法。扣分：服务端接口文档与限制披露不足。
安装易用性 7/20: `pip install praisonai` 为一行安装，清单中 stdio 传输和固定版本号（2.3.42）使安装路径具备可行性。但没有任何主流客户端（如 Claude Desktop 或其他 MCP 客户端）的配置 JSON 示例，服务端入口的启动行为与需要哪些环境变量也未说明；按静态校准规则，在没有仓库内已提交的 CI 执行证据与覆盖服务端关键路径的测试时，本维度不能超过 15 分。扣分：缺少客户端接线示例与运行验证证据。

静态评测 · 未实际运行收录于 2026-08-07

查看 FMRS 评分方法 →

选型与风险

能访问什么执行命令或代码访问网络连接数据库

适合谁

Python 开发者，希望以代码优先方式快速构建 AI 智能体
需要部署多智能体协作系统的项目
希望在智能体中集成 MCP 工具和外部服务的应用

不适合谁

寻求无需编码的纯可视化智能体编排平台（PraisonAI 也提供 UI，但 MCP 服务器本身更面向代码）
对智能体安全要求极高或需要精细权限控制的场景（需额外配置）

所需权限

需要访问互联网以调用 LLM API（如 OpenAI、Anthropic 等）
可能需要访问本地文件系统或数据库以持久化状态（取决于配置）
默认通过 stdio 与客户端通信

风险与副作用

依赖于外部 LLM API，可能产生成本或数据隐私问题
智能体可能执行不受信任的代码或工具，需注意安全配置
MCP 服务器以 stdio 运行，可能暴露本地资源给客户端

安装接入

准备工作

运行环境：Python · Node.js

OPENAI_API_KEY 可选密钥 OpenAI API 密钥，用于默认 LLM 调用，可在 platform.openai.com 获取。

TAVILY_API_KEY 可选密钥 Tavily 网络搜索工具密钥，Claw 内置搜索必需，可在 app.tavily.com 免费获取。

BRAVE_API_KEY 可选密钥 Brave 搜索 MCP 服务器的 API 密钥，用于网络搜索示例。

其他可选配置项（1 个）

OPENAI_BASE_URL 可选指向兼容 OpenAI 的端点（如本地 Ollama 的 http://localhost:11434/v1），用于切换本地模型。

使用 pip 安装：pip install praisonai。然后按照 README 中的示例配置 API 密钥（如 OPENAI_API_KEY）并使用 Agent 类开始。

验证是否装好

运行 pip install praisonaiagents 并执行示例 Agent(instructions=...) .start(...) 调用；若返回生成结果，则说明 SDK 与所配 LLM 密钥工作正常。

常见排障

如果遇到 ModuleNotFoundError: praisonaiagents，请安装 praisonaiagents 包
确保已设置 API 密钥（如 OPENAI_API_KEY）
检查网络连接和 API 端点可访问性
若使用本地模型（Ollama），需先启动服务并设置 OPENAI_BASE_URL

试试这样问

连接成功后，可以直接对 AI 助手这样说：

使用 MCP 工具 @modelcontextprotocol/server-memory 帮我记住这些笔记
写一个多智能体脚本：一个调研 AI 趋势，另一个总结结果
创建一个能搜索网络并计算 15*4 的智能体
用 YAML 定义两个协作的智能体来写一篇博客文章

使用场景

快速构建自主 AI 智能体，执行研究、编程、内容生成等任务

创建多智能体协作系统，用于复杂任务分解与执行

集成 MCP 工具，扩展智能体的能力

实现带记忆和 RAG 的智能助手，用于客户支持或知识库查询

详细介绍

PraisonAI 是一个 AI Agent 框架，支持自反思、MCP 协议和多种工作流模式。该服务器通过 MCP 提供对 PraisonAI 框架的访问，允许客户端利用其智能体能力。它特别适合需要快速构建和部署多智能体系统的开发者，支持从单个智能体到复杂的多智能体协作，并集成记忆、知识库和多种传输方式。