智能体框架

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"。 ...