智能体框架

OpenAI 在九月完成了两次关键发布：9 月 10 日 Agents API 公测——一次 API 调用就能构建云端智能体，带 OpenAI 托管沙箱、可跨长会话保持状态；9 月 29 日 DevDay 2026 又推出 dots：由 GPT-6 Astra 驱动、各自拥有一台云端计算机、全天候在线的智能体。两天后还与 AWS 合作推出 Bedrock 托管智能体。这个组合标志着智能体框架的范式正在从「编排 SDK」转向「托管云电脑」。 旧范式：你写循环，你管环境 LangGraph 那一代框架的思路是：开发者自己写工具调用循环、自己管上下文、自己起沙箱、自己处理失败重试。灵活，但工程负担全在开发者身上——安全、隔离、长会话状态，都要自己兜底。 新范式：一个 API 调用，环境是托管的 Agents API 的卖点很直接：选一个托管沙箱环境，一次调用就把智能体跑起来，跨长会话持续工作。dots 更进一步：它不是一个被调用一次的函数，而是一个常驻的、有自己云电脑的「数字员工」，你给它目标与可自主执行的边界，它持续推进。OpenAI 还设想多个 dots 组队协作。 配套的还有 Decisions API：把 GPT-6 Luna 的智能限定在用户预设的有限选项里做实时决策，用于内容分类与路由。 对开发者的含义 这不是说编排框架过时了——复杂工作流仍需要显式编排。但对于「给一个目标、让它在云端把活干完」这一类任务，托管沙箱把安全隔离、环境快照、长会话状态这些最难的部分收走了。你要做的，是把权限边界划清楚：它能动什么、不能动什么，而不是从零搭一套执行环境。 判断 OpenAI 把智能体的竞争点从「谁的框架图好看」拉到「谁的云电脑又安全又能干活」。框架的下一站，是基础设施。 对企业用户，真正要想清楚的是权限边界。托管云电脑意味着智能体在厂商的环境里连续运行、代你操作各类应用，一旦边界划得太宽，它自主犯错的代价会被放大。越是常驻型智能体，越需要在部署之初就写清楚它能动哪些系统、花多少钱、什么时候必须停下来问人。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Agents API dots

链式调用为什么不够用 早期 Agent 框架（包括 LangChain 最初的 Chain）本质是一条线性管道：输入进，输出出，中间串几个步骤。但真实的智能体任务充满了循环、分支与回退——写完代码要跑测试，测试挂了得回头改，改完再跑；查资料发现方向错了，要退回去换检索词。线性管道表达不了这种「根据中间结果动态决定下一步去哪」的控制流，于是很快就撞上了天花板。LangGraph 由 LangChain 团队推出，把 Agent 的运行时建模成一张有状态的图：节点是计算步骤，边是转移条件，状态在节点间流动。这一步抽象转换，让 Agent 从「脚本」变成了「可循环的程序」。 节点、边与共享状态 LangGraph 的核心三件套。**节点（node）**是一个普通 Python 函数，接收当前状态、返回要更新的状态片段。**边（edge）**决定下一个节点是谁：固定边写死转移，条件边根据状态里的字段动态路由，比如 if error: go to fix_node else: go to review_node。**状态（state）**是一张被所有节点读写的共享字典，通常用 TypedDict 或 Pydantic 定义，还能配 reducer 决定多个节点写同一字段时是覆盖还是追加（比如消息列表用 add_messages 累加而非替换）。 这套抽象的好处是可控：你能在图里画出循环，能加人在环（human-in-the-loop）的断点，能让某个节点失败后走兜底分支。相比「一个大 prompt 让模型自己决定调什么工具」的黑盒 Agent，LangGraph 把控制流交还给开发者——模型负责推理，图负责流程。 检查点与持久化是它的护城河 真正让 LangGraph 区别于玩具框架的，是 checkpointer。图在每一步执行完都会把状态持久化（可以落 SQLite、Postgres），于是 Agent 可以随时中断、第二天恢复、甚至把状态序列化后在另一个进程里接着跑。这对长周期任务（比如要跑几小时的代码修复 agent、跨多轮对话的客服）至关重要：进程崩了不丢进度，用户随时能插入一条指令让它从当前节点继续。这也是生产级 Agent 系统和 demo 的分水岭。 与其他框架的分工 AutoGen 偏多智能体对话，CrewAI 偏角色分工的角色扮演式协作，LangGraph 偏底层的可控状态图。如果你要的是「快速搭一个多角色剧本」，CrewAI 更顺手；如果你要的是「能调试、能持久化、能上生产的确定性流程」，LangGraph 更可靠。很多团队的做法是用 LangGraph 做编排内核，把工具层通过 MCP 接进来——协议管工具互联，图管流程控制，各司其职。 收束 Agent 编排的演进方向很清楚：从不可控的单 prompt 黑盒，走向有状态、可观测、可恢复的图。LangGraph 抓住了「状态」这个要害。对开发者而言，理解节点、条件边、reducer、checkpointer 这四个概念，比盲目堆工具调用更重要——因为 Agent 的可靠性，从来不是某个模型多聪明，而是流程有没有被好好地组织起来。 ...

为什么需要智能体框架？ 大模型本身只是一个文本生成引擎。要构建能自主完成复杂任务的智能体，需要解决编排、状态管理、工具调用、多Agent协作等问题。智能体框架就是提供这些能力的"操作系统"。 LangGraph：图驱动的精细控制 设计哲学 LangGraph将Agent工作流建模为有向图： 节点：每个节点是一个处理步骤（LLM调用、工具执行、条件判断） 边：定义节点间的转移关系 状态：在图中流转的共享数据结构 核心概念 from langgraph.graph import StateGraph # 定义状态 class AgentState(BaseModel): messages: list = [] tool_results: dict = {} # 创建图 graph = StateGraph(AgentState) graph.add_node("think", think_node) graph.add_node("act", act_node) graph.add_node("observe", observe_node) # 定义边 graph.add_edge("think", "act") graph.add_conditional_edges("act", route_by_result, { "continue": "observe", "done": END }) graph.add_edge("observe", "think") 优势 精细控制：图结构让你明确定义每一步逻辑 状态管理：支持checkpointer持久化状态，可恢复中断的运行 人机协作：内置human-in-the-loop中断点 可视化：图结构天然可可视化，便于调试 劣势 学习曲线较陡，概念抽象 简单任务用图建模略显笨重 与LangChain深度绑定，迁移成本高 适用场景 复杂多步工作流（审批流程、数据处理管道） 需要精确控制每一步的系统 需要状态持久化和恢复的场景 AutoGen：多Agent对话编排 设计哲学 AutoGen（微软出品）采用对话式编排——多个Agent通过对话协作完成任务。核心是将Agent视为对话参与者，而非图节点。 核心概念 from autogen import AssistantAgent, UserProxyAgent coder = AssistantAgent( name="coder", system_prompt="你是一个Python开发者", llm_config=llm_config ) reviewer = AssistantAgent( name="reviewer", system_prompt="你是代码审查专家", llm_config=llm_config ) user = UserProxyAgent( name="user", human_input_mode="TERMINATE" ) # 多Agent对话 user.initiate_chat( coder, message="实现一个排序算法", reviewer作为审查者加入对话 ) 优势 多Agent协作：天然支持多个Agent角色对话 灵活性高：Agent对话模式接近自然，不需要预定义流程 群聊模式：支持多个Agent在群聊中自主决定谁发言 人机混合：UserProxy支持真人参与 劣势 对话难以精细控制，可能进入无意义循环 调试困难，对话历史长 Token消耗大（每个Agent都需完整上下文） 适用场景 需要多角色协作的复杂任务（开发、审查、测试） 创意生成（头脑风暴、方案探索） 模拟社会实验（多视角讨论） CrewAI：角色驱动的团队模拟 设计哲学 CrewAI将Agent协作建模为一个组织/团队，每个Agent有明确的角色、目标和背景。强调"像真实团队一样协作"。 ...