开源推荐 | Mola Helper：一个轻量级、可扩展的 LLM Agent 框架
前言
在大语言模型（LLM）飞速发展的今天，如何快速构建一个属于自己的智能 Agent 助手？今天给大家推荐一个开源项目——Mola Helper，一个轻量级、高度可扩展的 LLM Agent 框架，让你轻松拥有一个能查论文、管邮件、整理文件的智能助手！
项目简介
Mola Helper 是一个基于 Python 开发的智能 Agent 框架，核心设计理念是轻量、灵活、可扩展。它通过 JSON 结构化的工具调用机制，实现了 LLM 与外部工具的无缝交互。
GitHub 地址：github.com/molamola-xt…
核心特性
1. 多 LLM 支持
支持多种主流大模型后端，配置灵活：
| 提供商 | 说明 |
|---|---|
| Ollama | 本地部署，隐私安全 |
| 豆包 | 字节跳动云端服务 |
| SiliconFlow | 国内优质 API 服务 |
只需修改配置文件即可切换模型，无需改动代码。
2. 技能系统
项目采用技能驱动的设计模式，每个技能都是一个独立的文件，包含详细的工具调用规则。目前已内置：
- arXiv 论文搜索：一键查询最新学术论文，支持智能主题提取和多语言适配
- 邮箱助手：智能管理未读邮件，自动过滤垃圾邮件，汇总重要信息
- 文件夹整理：自动分类整理文件
- 本地时间读取：获取当前时间
3. 记忆系统
采用双记忆架构，让 Agent 具备上下文感知能力：
- 工作记忆：记录任务执行状态，确保流程完整性
- 上下文记忆：保存对话历史，实现连贯的多轮交互
4. JSON-First 设计
所有 Agent 输出均为标准 JSON 格式，确保工具调用的可预测性和稳定性。这种设计让 Agent 的行为更加可控，便于调试和扩展。
使用场景
学术研究
直接对话即可查询 arXiv 论文，Agent 会自动：
- 提取核心主题并翻译为英文检索词
- 返回结构化的论文列表
- 给出专业的总结分析
邮件管理
一句话整理邮箱，Agent 会：
- 获取所有未读邮件
- 智能过滤垃圾邮件
- 汇总重要邮件信息（如比赛通知会提取平台和时间）
文件整理
自动分析文件夹内容，按类型分类整理。
架构设计
整体架构清晰简洁：
用户输入 → Chat模块（构建Prompt + 调用LLM） → JSON解析 → 工具调用 → 执行结果
各模块职责明确：
- agent_config.py：配置管理
- chat.py：核心对话逻辑
- Memory.py：记忆系统
- caller.py：工具调用器
- tool_config.py：工具注册
- skills/：技能定义目录
项目亮点
- 轻量级：核心代码简洁，易于理解和二次开发
- 模块化：配置、记忆、工具调用各司其职，耦合度低
- 可扩展：技能系统让功能扩展变得简单，只需添加技能文件即可
- 实用性强：内置邮件管理、论文搜索等高频场景，开箱即用
总结
如果你正在寻找一个轻量、易上手、可扩展的 Agent 框架，Mola Helper 是一个非常不错的选择。无论是学习 Agent 开发，还是构建个人智能助手，它都能满足你的需求。
如果觉得有用，欢迎 Star 支持！
作者：Tianqi Xue
技术栈：Python / LLM / Agent / IMAP / arXiv API
