攔截源頭

• 發現管道：Threads
• 攔截原因：最近在玩各種 Agent SDK（Claude Agent SDK、semtools…），常常要自己處理對話邏輯。看到 parlant 這個專案，主打「對話框架」，專門幫助構建 AI Agent 的多輪對話，就決定攔截下來記錄。

parlant 的優勢是「專注於對話本身」，而不是一個龐大的生態系統。

技術初探

• 官方定義：parlant is a framework for building conversational AI agents. It provides tools for managing dialogues, prompts, and responses in a structured way.
• 核心賣點
  • 專注在「對話管理」：Prompt、角色、上下文都有結構化 API
  • Agent 可以有多角色設計（system / user / assistant / 自訂角色）
  • 支援多種 LLM（不限於某一家供應商）
  • 強調「可測試性」與「組合性」，方便拆解成模組
• 適用場景
  • 建立多輪對話的 AI 應用（客服、助理、遊戲 NPC）
  • 需要角色扮演或多角色互動的 Agent
  • 想要在 Agent SDK 基礎上增加對話控制

實戰使用

快速安裝

pip install parlant

Hello World

from parlant import Conversation, User, Assistant

conv = Conversation()
user = User("Alice")
assistant = Assistant("HelperBot")

conv.add(user, "你好，可以幫我總結這段文字嗎？")
conv.add(assistant, "當然可以，請提供文字內容。")

print(conv.to_dict())

輸出會是結構化的對話紀錄：

{
  "messages": [
    {"role": "user", "name": "Alice", "content": "你好，可以幫我總結這段文字嗎？"},
    {"role": "assistant", "name": "HelperBot", "content": "當然可以，請提供文字內容。"}
  ]
}

實際應用

結合 LLM 使用：

from parlant.llms import OpenAI
from parlant import Conversation, User, Assistant

llm = OpenAI(model="gpt-4o-mini")

conv = Conversation()
conv.add(User("Alice"), "請幫我寫一個 quicksort 的 Python 範例")
reply = llm.generate(conv)

print(reply)

記憶碼摘要

技術：parlant
分類：對話框架 / AI Agent 開發
難度：⭐⭐⭐☆☆（1–5 顆星）
實用度：⭐⭐⭐⭐☆（1–5 顆星）
一句話：專注於對話管理的框架，讓 AI Agent 更好地處理多輪互動。
關鍵指令：pip install parlant
適用情境：需要結構化管理對話、角色與上下文的 AI Agent 專案。

結語

parlant 對我來說是一個「輕量級的 Agent 對話核心」，它不像 LangChain 或 LlamaIndex 那樣包山包海，而是專注解決對話結構管理這個痛點。對做 AI Agent 的人來說，這是個不錯的基礎元件。
接下來我想試試看，把 parlant + Claude Agent SDK + semtools 組合起來，看看能不能做出一個「多角色、能調用工具」的智慧 Agent。