DecisionAct
开源的任务聚焦型Agent框架，不依赖LLM作为推理核心，而是用决策模型（如JEV、Cloudflare Clef）从预定义候选动作与参数中做分类式选择，执行由开发者定义的Python函数完成
时间轴 (近 90 天)
DecisionAct 是一个使用决策模型（如 JEV 和 Cloudflare Clef）而非大语言模型来驱动任务型 Agent 的开源框架，开发者定义 Python 工具、输入参数、意图和回复模板，决策模型负责选择动作与输入。
DecisionAct v0.1.2 版本重点改进了多工具调用的可靠性与输入解析机制。
DecisionAct v0.1.2 在连续调用同一工具时，每次重复调用都会重新解析输入，不再复用上一次的参数。
DecisionAct v0.1.2 支持链式执行，前一个工具的返回值可以作为后一个工具的输入参数，例如先计算4加5再将结果乘以2。
DecisionAct v0.1.2 将指令、消息和已完成的工具调用在执行上下文中分离，以减少模型混淆不同来源信息的可能。
DecisionAct v0.1.2 在输入选择存在不确定时，会给模型一次复核机会；若仍无法确定，则自动向用户提问澄清。
DecisionAct v0.1.2 允许更长的工具调用序列但设有硬性上限，并改进了人工审批之后的流程继续能力。
DecisionAct 的输入解析支持三类候选：正则表达式候选、预定义分类选项，以及基于参数描述选择的文本候选。
DecisionAct 目前每个请求只支持一个意图配合多次工具调用。
DecisionAct 的安装命令为 pip install -U decisionact，使用前需要准备所选决策模型提供商的凭证。
还有 3 条时间轴事件
全部知识事实 (13)
DecisionAct 的模型选择仍可能出错，使用方需要预留兜底逻辑；参数描述的清晰度直接决定输入解析准确率，实践中应尽量把描述写成可区分的判别特征，并为每类候选设置失败回退。
50%待验证DecisionAct 是一个使用决策模型（如 JEV 和 Cloudflare Clef）而非大语言模型来驱动任务型 Agent 的开源框架，开发者定义 Python 工具、输入参数、意图和回复模板，决策模型负责选择动作与输入。
50%待验证DecisionAct v0.1.2 在连续调用同一工具时，每次重复调用都会重新解析输入，不再复用上一次的参数。
50%待验证DecisionAct v0.1.2 支持链式执行，前一个工具的返回值可以作为后一个工具的输入参数，例如先计算4加5再将结果乘以2。
50%待验证DecisionAct v0.1.2 将指令、消息和已完成的工具调用在执行上下文中分离，以减少模型混淆不同来源信息的可能。
50%待验证DecisionAct v0.1.2 在输入选择存在不确定时，会给模型一次复核机会；若仍无法确定，则自动向用户提问澄清。
50%待验证DecisionAct v0.1.2 允许更长的工具调用序列但设有硬性上限，并改进了人工审批之后的流程继续能力。
50%待验证DecisionAct 的输入解析支持三类候选：正则表达式候选、预定义分类选项，以及基于参数描述选择的文本候选。
50%待验证DecisionAct 目前每个请求只支持一个意图配合多次工具调用。
50%待验证DecisionAct 的安装命令为 pip install -U decisionact，使用前需要准备所选决策模型提供商的凭证。
50%待验证DecisionAct 官方文档提供了快速入门，以及计算器、订单支持和航班柜台三个示例。
50%待验证DecisionAct 的定位是任务聚焦型 Agent，而非通用对话助手；当任务边界清晰、工具接口规范时，决策模型驱动的方案在可靠性和可解释性上更有优势，开放式任务仍可能需要 LLM 参与。
50%待验证DecisionAct v0.1.2 版本重点改进了多工具调用的可靠性与输入解析机制。
50%