研究
Gwenlake 源自学术研究，而研究从未停止：在客户项目之外，团队始终在推进自己的研究项目，其中一部分成员至今仍在大学任教并发表论文。这里汇集的正是这些工作：可在浏览器中试用的原型，以及我们以开源形式发布的代码。
小模型、 transformer、强化学习……还有游戏！
这是我们在每个项目中都会遇到的问题：当一项任务定义明确、将被执行上百万次时，是选用一个大型通用模型，用它的语言来描述任务，还是围绕任务本身的结构构建一个小模型？
我们把这个问题放到两个得分毫无争议的游戏上检验：俄罗斯方块和国际象棋。
Gwenflow，我们的智能体 AI 框架
Gwenflow 用于运行 AI 智能体：给智能体一个目标、一组工具、一份记忆和一个模型，它就会推理、行动、观察，然后再来一轮，直到目标达成。它是我们构建的每一套智能体系统背后的 SDK。我们自己动手写，是为了掌握智能体运行的每一行代码。
- Python
- MIT 许可证
- pip install gwenflow
from gwenflow import Agent, ChatMistralfrom gwenflow.tools import Tool def accounts_at_risk(period: str, min_drop: int = 10) -> list[dict]: """Accounts whose usage fell by at least `min_drop` percent.""" return crm.query(period=period, trend="down", min_drop=min_drop) agent = Agent( name="Account review", instructions="Rank the accounts at risk, with the figures.", llm=ChatMistral(), tools=[Tool(accounts_at_risk)],) response = agent.run("Which accounts are at risk this quarter?")任何模型，同一套 API
OpenAI、Anthropic、Mistral、Google、DeepSeek、本地 Ollama 或我们自己的 API：改一个 import 就能切换提供商，智能体代码保持不变。推理、流式输出以及图像、音频或 PDF 输入都走同一条路径。
智能体、工具与团队
智能体运行一个循环：调用模型、执行工具、读取结果、重复直到完成。任何 Python 函数都能成为工具。给智能体配一支专家团队，它便会向他们委派；更长的流水线则是用代码或 YAML 编写的 DAG。
生产能力内建
以 Pydantic 模型输出结构化结果，带文档读取器和向量库的 RAG 流水线，按需加载的技能，以及开箱即用的 OpenTelemetry 追踪。