TEN Framework 是什么？1.1 万星的实时语音 Agent 框架，声网开源的对话式 AI 底座（基础篇）
大部分 Agent 框架——LangGraph、CrewAI、Dify——拼的都是文本链路：提示词、工具调用、工作流编排。但你想做一个”能打电话、能随时插嘴打断、延迟还不能高”的语音 Agent，文本那套就不够用了：音频是全双工流，不是一问一答。TEN Framework 就是冲这个来的：声网（Agora）开源的实时多模态对话 Agent 框架，GitHub 1.1 万星（11.2K star、1.4K fork），最新版本 0.11.73 发布于 2026 年 9 月 22 日，仓库隔天就有提交。
它到底是个啥
一句话：给语音对话 Agent 用的”扩展图”运行时。核心设计就三条：
1. 扩展（Extension）即积木。 ASR、LLM、TTS、工具调用、数字人、RTC 接入，全都是扩展。每个扩展由 manifest.json + property.json 描述，带 on_init → on_start → 处理消息 → on_stop → on_deinit 生命周期。写 Python 的话直接继承 AsyncASRBaseExtension、AsyncLLMBaseExtension、AsyncTTS2BaseExtension 这些基类，不用自己管异步管道。
2. 图编排，不是代码写死。 Agent 的管线在 property.json 的 predefined_graphs 里声明：哪些扩展是节点、怎么连、数据往哪流。换编排不用改代码，改 JSON 就行——和 Dify 那种拖拽画布是一个思路，只不过 TEN 面向的是写代码的人。
3. RTC-first，不是 HTTP 一问一答。 默认传输是 Agora RTC（实时音视频），WebSocket 是备选。连接分四类：cmd（命令）、data（数据消息，比如 asr_result）、audio_frame（PCM 音频帧）、video_frame（视频帧，给数字人用）。全双工对话要的低延迟和抢话处理，靠 HTTP 轮询是做不出来的。
生态一共五件：TEN Framework（核心运行时，C/C++ 内核加 Go/Python/Node.js 绑定）、Agent 示例（仓库里 ai_agents/ 目录）、TEN VAD（2.3K 星的语音活动检测）、TEN Turn Detection（全双工抢话断句）、TEN Portal。
上手：两条路
快路（先跑示例感受一下）：准备 Docker + Node.js 18+，克隆仓库进 ai_agents 目录，.env 里填四样：Agora App ID/Certificate、OpenAI API key、Deepgram ASR key、ElevenLabs TTS key，然后 docker compose up -d、进容器、build 默认的语音助手示例。最低配置 2 核 CPU + 4GB 内存。
正路（自己开发扩展）：装 tman（TEN Manager 命令行，apt PPA、Homebrew、winget 都有包），依赖是 Python 3.10（注意：只支持 3.10，高版本直接不认）+ Go 1.20+ + Node.js。然后四步走：
tman install app transcriber_demo
cd transcriber_demo
tman install && tman run install_deps
tman run build
示例全家桶挺丰富：语音助手（链式管线和 Realtime 端到端两种）、说话人分离、Live2D 数字人口型同步、SIP 电话（对接 Twilio/Plivo/Telnyx）、音频转写，甚至还有 ESP32-S3 开发板上跑的硬件方案——拿一块几十块钱的板子就能做离线语音入口。
实话
先说好的：语音 Agent 这条细分赛道上，TEN 是目前开源里工程化最完整的一套——扩展图、全双工、数字人、SIP 电话全齐了，RTC 是声网的老本行，文档和示例一直在维护（最近一次提交就是昨天）。
丑话说在前：
- 许可证不是纯 Apache-2.0：在 Apache 2.0 之上加了两条附加条款——不允许把 TEN 部署到最终用户设备（包括手机终端），不允许以与 Agora 竞争的方式部署。想拿它套壳做手机语音 App 或卖竞品平台的，动手前先读完 LICENSE。
- 示例深度绑定 Agora RTC：免费额度之外的 RTC 用量要花钱；WebSocket 路线能绕开，但延迟和抢话断句就得自己多费心。
- Python 卡死 3.10：高版本环境先 pyenv 隔离，别跟它讲道理。
- C/C++ 内核 + Go 构建链：想改运行时本体，工具链比纯 Python 框架重得多；只想写和调扩展的话无视这条。
一句话总结：想做”能实时对话的语音/数字人 Agent”、不想从零搓音频管线，TEN 值得直接上手；只是想做文本 Agent，站内写过的 LangGraph、Mastra、Eino 那几篇更对口。
