agent-frameworks.md

AI Agent 框架详解

AI Agent 框架是构建自主 AI 应用程序的核心工具，可以让 AI 完成复杂的、多步骤的任务。

📖 什么是 AI Agent 框架？

AI Agent 框架提供了一套工具和抽象，让开发者能够：

• 构建能够自主规划和执行的 AI agent
• 让 AI 使用工具（tools）完成实际任务
• 实现 multi-agent 协作
• 管理长期记忆和上下文

---

🎯 主流框架对比

框架	Stars	难度	特色	适用场景
LangChain	90k+	中	生态最丰富	企业级应用
AutoGPT	160k+	高	完全自主	实验性项目
CrewAI	10k+	中	多 agent 协作	团队任务
Phidata	15k+	低	简单易用	快速原型
Semantic Kernel	20k+	中	微软出品	企业集成
LlamaIndex	40k+	中	数据增强	RAG 应用

---

🦜 LangChain

基本信息

• GitHub: https://github.com/langchain-ai/langchain
• 官网: https://www.langchain.com/
• 文档: https://python.langchain.com/
• Stars: 90k+
• 语言: Python, JavaScript/TypeScript

核心特性

1. Chains（链）: 将多个组件串联起来
2. Agents: AI 可以自主决定使用哪些工具
3. Memory: 管理对话历史和长期记忆
4. Tools: 内置丰富的工具集成（搜索、计算、API 等）
5. Templates: 预构建的常用模板

快速入门

安装

pip install langchain langchain-openai

简单示例

from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import Tool
from langchain_openai import ChatOpenAI
from langchain import hub

# 1. 定义工具
def search_engine(query: str) -> str:
    """搜索引擎工具"""
    return f"搜索结果：{query}"

tools = [
    Tool(
        name="Search",
        func=search_engine,
        description="用于搜索信息的工具"
    )
]

# 2. 初始化模型和 agent
llm = ChatOpenAI(model="gpt-4", temperature=0)
prompt = hub.pull("hwchase17/openai-tools-agent")

agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 3. 运行
result = agent_executor.invoke({"input": "搜索最新的 AI 编程工具"})
print(result)

适用场景

✅ 企业级应用开发 ✅ 需要丰富集成的项目 ✅ 复杂的工作流 ✅ 需要长期记忆的应用

学习资源

• LangChain 官方教程
• LangChain 中文社区

---

🤖 AutoGPT

基本信息

• GitHub: https://github.com/autogpt/autogpt
• 官网: https://news.agpt.co/
• Stars: 160k+
• 语言: Python

核心特性

1. 完全自主: 设定目标后自动执行
2. 自我迭代: 可以反思和改进
3. 文件操作: 可以读写文件
4. Web 浏览: 可以搜索和浏览网页
5. 代码执行: 可以运行代码

快速入门

安装

git clone https://github.com/autogpt/autogpt.git
cd autogpt
pip install -r requirements.txt

配置

cp .env.template .env
# 编辑 .env 文件，添加你的 OpenAI API Key

运行

python -m autogpt

适用场景

✅ 自动化研究任务 ✅ 数据收集和分析 ✅ 内容生成 ✅ 实验性项目

⚠️ 注意: AutoGPT 成本较高，需要仔细监控 API 使用

学习资源

• AutoGPT 官方文档
• AutoGPT 中文教程

---

👥 CrewAI

基本信息

• GitHub: https://github.com/joaomdmoura/crewAI
• 官网: https://www.crewai.com/
• 文档: https://docs.crewai.com/
• Stars: 10k+
• 语言: Python

核心特性

1. Role-Playing Agents: 定义不同角色的 agent
2. Autonomous Delegation: agent 之间可以自主分配任务
3. Tools Integration: 丰富的工具集成
4. Local Models: 支持本地 LLM（通过 Ollama）

快速入门

安装

pip install crewai

示例：创建一个内容创作团队

from crewai import Agent, Task, Crew, Process

# 1. 定义 agents
researcher = Agent(
    role='研究员',
    goal='研究最新的 AI 编程趋势',
    backstory='你是一位经验丰富的技术研究员',
    verbose=True
)

writer = Agent(
    role='技术作家',
    goal='基于研究结果撰写文章',
    backstory='你擅长将技术概念转化为易懂的文章',
    verbose=True
)

# 2. 定义任务
research_task = Task(
    description='研究 2025 年最流行的 AI 编程工具',
    agent=researcher
)

write_task = Task(
    description='基于研究结果，写一篇 500 字的技术文章',
    agent=writer
)

# 3. 创建 crew
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    verbose=2
)

# 4. 执行
result = crew.kickoff()
print(result)

适用场景

✅ 需要多角色协作的任务 ✅ 内容创作团队 ✅ 研究和分析项目 ✅ 客服自动化

学习资源

• CrewAI 官方文档
• CrewAI 示例集合

---

🚀 Phidata

基本信息

• GitHub: https://github.com/phidatahq/phidata
• 官网: https://www.phidata.com/
• 文档: https://docs.phidata.com/
• Stars: 15k+
• 语言: Python

核心特性

1. 简单易用: 最低代码量
2. 内置工具: 丰富的预构建工具
3. 结构化输出: 强调类型安全
4. 监控和调试: 内置 observability

快速入门

安装

pip install phidata

示例

from phi.assistant import Assistant
from phi.tools.duckduckgo import DuckDuckGo

# 创建 assistant
assistant = Assistant(
    tools=[DuckDuckGo()],
    description="我是一个有帮助的 AI 助手",
    show_tool_calls=True
)

# 运行
assistant.print_response("搜索最新的 AI 编程工具")

适用场景

✅ 快速原型开发 ✅ 简单的 AI 应用 ✅ 学习和实验 ✅ MVP 验证

学习资源

• Phidata 官方文档
• Phidata Cookbook

---

🧩 Semantic Kernel (Microsoft)

基本信息

• GitHub: https://github.com/microsoft/semantic-kernel
• 官网: https://learn.microsoft.com/en-us/semantic-kernel/
• Stars: 20k+
• 语言: Python, C#, Java

核心特性

1. 企业级: 微软官方支持
2. 多语言: Python, C#, Java
3. Plugins: 丰富的插件生态
4. Azure 集成: 与 Azure 服务深度集成

快速入门

Python 示例

import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion

# 创建 kernel
kernel = sk.Kernel()

# 添加 AI 服务
kernel.add_chat_service(
    "chat",
    AzureChatCompletion(
        deployment_name="your-deployment",
        endpoint="your-endpoint",
        api_key="your-api-key"
    )
)

# 定义插件
from semantic_kernel.skill_definition import sk_function

class MathPlugin:
    @sk_function(description="计算两个数之和")
    def add(self, a: int, b: int) -> int:
        return a + b

# 注册插件
kernel.import_skill(MathPlugin(), "math")

# 运行
result = kernel.run_async("math.add", a=5, b=10)
print(result)

适用场景

✅ 企业应用 ✅ Azure 用户 ✅ .NET 生态系统 ✅ 需要官方支持的项目

学习资源

• Semantic Kernel 文档
• Microsoft Learn 课程

---

📚 LlamaIndex

基本信息

• GitHub: https://github.com/run-llama/llama_index
• 官网: https://www.llamaindex.ai/
• 文档: https://docs.llamaindex.ai/
• Stars: 40k+
• 语言: Python, TypeScript

核心特性

1. 数据框架: 专注于数据增强的 LLM 应用
2. RAG: 检索增强生成（Retrieval-Augmented Generation）
3. 数据连接器: 支持 100+ 数据源
4. 索引优化: 高效的向量索引

快速入门

安装

pip install llama-index

示例：简单的 RAG

from llama_index import VectorStoreIndex, SimpleDirectoryReader

# 1. 加载文档
documents = SimpleDirectoryReader('data').load_data()

# 2. 创建索引
index = VectorStoreIndex.from_documents(documents)

# 3. 创建查询引擎
query_engine = index.as_query_engine()

# 4. 查询
response = query_engine.query("什么是 Vibe Coding？")
print(response)

适用场景

✅ 文档问答系统 ✅ 知识库应用 ✅ RAG 应用 ✅ 需要大量数据的应用

学习资源

• LlamaIndex 文档
• LlamaIndex 示例

---

🎓 框架选择指南

按场景选择

企业级应用

推荐: LangChain, Semantic Kernel

• 企业支持和维护
• 丰富的集成
• 完善的文档

快速原型/MVP

推荐: Phidata, CrewAI

• 代码简单
• 快速上手
• 演示效果好

数据密集型应用

推荐: LlamaIndex

• 专业的数据处理
• 高效的检索
• RAG 优化

实验性项目

推荐: AutoGPT

• 完全自主
• 功能强大
• 探索性强

多 agent 协作

推荐: CrewAI

• 角色化设计
• 任务分配
• 团队模拟

按技术背景选择

Python 开发者

• LangChain（最流行）
• LlamaIndex（数据应用）
• Phidata（最简单）

.NET/C# 开发者

• Semantic Kernel（官方支持）

JavaScript/TypeScript 开发者

• LangChain.js
• LlamaIndex TS

初学者

• Phidata（最简单）
• CrewAI（概念清晰）

---

🛠️ 实战案例

案例 1: AI 研究助手（使用 LangChain）

from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain.tools import Tool, DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI
from langchain import hub

# 定义工具
search = DuckDuckGoSearchRun()

tools = [
    Tool(
        name="搜索",
        func=search.run,
        description="搜索互联网信息"
    )
]

# 创建 agent
llm = ChatOpenAI(model="gpt-4", temperature=0)
prompt = hub.pull("hwchase17/openai-functions-agent")

agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 使用
result = agent_executor.invoke({
    "input": "研究 2025 年最流行的 AI 编程工具，并总结它们的优缺点"
})

案例 2: 内容创作团队（使用 CrewAI）

from crewai import Agent, Task, Crew

# 定义 agents
researcher = Agent(
    role='研究专家',
    goal='收集最新的技术趋势',
    backstory='你是一位技术研究者',
    tools=[search_tool],
    verbose=True
)

writer = Agent(
    role='内容创作者',
    goal='撰写技术博客',
    backstory='你是一位技术作家',
    verbose=True
)

editor = Agent(
    role='编辑',
    goal='审校和优化内容',
    backstory='你是一位资深编辑',
    verbose=True
)

# 定义任务
research = Task(
    description='研究 Vibe Coding 的最新趋势',
    expected_output='详细的研究报告',
    agent=researcher
)

write = Task(
    description='基于研究报告撰写博客文章',
    expected_output='1000 字的博客文章',
    agent=writer
)

edit = Task(
    description='审校和优化文章',
    expected_output='最终版本的文章',
    agent=editor
)

# 创建 crew
crew = Crew(
    agents=[researcher, writer, editor],
    tasks=[research, write, edit],
    verbose=2
)

# 执行
result = crew.kickoff()

案例 3: 文档问答系统（使用 LlamaIndex）

from llama_index import VectorStoreIndex, SimpleDirectoryReader
from llama_index.node_parser import SimpleNodeParser
from llama_index.llms import OpenAI

# 1. 加载和解析文档
documents = SimpleDirectoryReader('./docs').load_data()
parser = SimpleNodeParser.from_defaults()
nodes = parser.get_nodes_from_documents(documents)

# 2. 创建索引
index = VectorStoreIndex(nodes)

# 3. 创建查询引擎
query_engine = index.as_query_engine(
    llm=OpenAI(model="gpt-4"),
    similarity_top_k=5
)

# 4. 查询
response = query_engine.query(
    "如何在项目中使用 Claude Code？"
)
print(response)

---

📖 学习路径

初级（1-2 周）

1. 理解 Agent 概念
2. 学习 LangChain 基础
3. 完成简单的 agent 示例

中级（1-2 个月）

1. 深入学习一个框架（推荐 LangChain 或 CrewAI）
2. 构建 RAG 应用
3. 实现多 agent 系统
4. 集成自定义工具

高级（3+ 个月）

1. 掌握多个框架
2. 优化 agent 性能
3. 构建生产级应用
4. 探索 agent 评估和测试

---

🔗 相关资源

• Prompt 工程指南
• AI 工具清单
• GitHub 仓库推荐
• LangChain 官方教程
• CrewAI 示例

---

最后更新: 2025-01-04 维护者: vibe-coding-collection 社区