三大主流智能体框架解析

一、LangChain：AI应用的"瑞士军刀"

核心设计理念

LangChain的核心是模块化设计和链式编排。它通过将复杂的AI应用拆解为可复用的组件，让开发者能够像搭积木一样构建应用。

上手步骤

1. 基础环境搭建

# 安装 pip install langchain langchain-openai # 基础配置 from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate from langchain.chains import LLMChain # 初始化模型 llm = ChatOpenAI(model="gpt-4", temperature=0.7)

2. 第一个简单应用：问答系统

# 创建提示模板 prompt = ChatPromptTemplate.from_template( "用中文回答：{question}" ) # 创建链 chain = LLMChain(llm=llm, prompt=prompt) # 执行 result = chain.run("什么是机器学习？") print(result)

3. RAG系统构建

from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.document_loaders import TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter # 1. 加载文档 loader = TextLoader("知识库.txt") documents = loader.load() # 2. 分割文本 text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200 ) docs = text_splitter.split_documents(documents) # 3. 创建向量存储 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(docs, embeddings) # 4. 创建检索链 from langchain.chains import RetrievalQA qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever() ) # 5. 提问 answer = qa_chain.run("文档中提到了哪些关键技术？")

4. 智能体开发（使用LangGraph）

from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator # 定义状态 class AgentState(TypedDict): messages: Annotated[list, operator.add] next_step: str # 创建节点 def search_node(state: AgentState): # 搜索逻辑 return {"messages": ["搜索完成"], "next_step": "analyze"} def analyze_node(state: AgentState): # 分析逻辑 return {"messages": ["分析完成"], "next_step": END} # 构建图 workflow = StateGraph(AgentState) workflow.add_node("search", search_node) workflow.add_node("analyze", analyze_node) workflow.add_edge("search", "analyze") workflow.set_entry_point("search") # 编译并运行 app = workflow.compile() result = app.invoke({"messages": [], "next_step": "search"})

设计原理

LangChain的设计核心是组合性（Compositionality）和声明式编程。主要组件包括：

1. Models: LLM接口抽象

2. Prompts: 提示词管理

3. Chains: 任务编排（顺序链、检索链等）

4. Agents: 工具调用决策

5. Memory: 对话状态管理

6. Indexes: 文档检索系统

相关论文

• ReAct: Synergizing Reasoning and Acting in Language Models(Yao et al., 2022)

• Chain-of-Thought Prompting(Wei et al., 2022)

• Retrieval-Augmented Generation(Lewis et al., 2020)

二、AutoGen：多智能体协作框架

核心设计理念

AutoGen采用对话编程（Conversational Programming）范式，通过定义多个具有特定角色的智能体，让它们通过对话协作解决问题。

上手步骤

1. 基础配置

pip install pyautogen import autogen from autogen import AssistantAgent, UserProxyAgent # 配置LLM config_list = [ { "model": "gpt-4", "api_key": "your-key" } ]

2. 创建两个智能体的对话

# 创建编码助手 assistant = AssistantAgent( name="Coder", system_message="你是一个Python专家，负责编写代码", llm_config={"config_list": config_list} ) # 创建用户代理（可以执行代码） user_proxy = UserProxyAgent( name="User", human_input_mode="NEVER", # 不等待人工输入 code_execution_config={"work_dir": "coding"} ) # 发起任务 user_proxy.initiate_chat( assistant, message="写一个Python函数，计算斐波那契数列的前n项" )

3. 多智能体协作（代码审查场景）

# 创建三个不同角色的智能体 coder = AssistantAgent( name="Coder", system_message="编写高效、可读的代码", llm_config={"config_list": config_list} ) reviewer = AssistantAgent( name="Reviewer", system_message="检查代码质量、潜在bug和优化建议", llm_config={"config_list": config_list} ) tester = AssistantAgent( name="Tester", system_message="编写测试用例，确保代码正确性", llm_config={"config_list": config_list} ) # 用户代理协调整个过程 user_proxy = UserProxyAgent( name="Manager", max_consecutive_auto_reply=10, human_input_mode="TERMINATE", code_execution_config={"work_dir": "coding"} ) # 定义群组聊天 from autogen import GroupChat, GroupChatManager groupchat = GroupChat( agents=[user_proxy, coder, reviewer, tester], messages=[], max_round=12 ) manager = GroupChatManager(groupchat=groupchat, llm_config={"config_list": config_list}) # 启动协作 user_proxy.initiate_chat( manager, message="我们需要一个股票数据分析工具，请协作完成" )

4. 自定义工具集成

import requests # 定义自定义工具 def get_stock_price(symbol: str): """获取股票价格""" # 模拟API调用 return f"{symbol} 当前价格: $150.25" # 注册工具 from autogen import register_function register_function( get_stock_price, caller=assistant, # 哪个智能体可以调用 executor=user_proxy, # 哪个智能体执行 name="get_stock_price", description="获取指定股票代码的当前价格" ) # 现在智能体可以自动使用这个工具 user_proxy.initiate_chat( assistant, message="请获取AAPL和GOOGL的股票价格，并计算总价值" )

设计原理

AutoGen的核心是对话状态机和角色定义：

1. 对话管理：维护完整的对话历史

2. 角色专业化：每个智能体有明确的系统提示

3. 自动工具调用：根据对话上下文自动选择合适的工具

4. 代码执行：支持在沙箱中运行生成的代码

相关论文

• AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation(Wu et al., 2023)

• Communicative Agents for Software Development(Qian et al., 2023)

• The Rise and Potential of Large Language Model Based Agents(Xi et al., 2023)

三、CrewAI：企业级任务编排框架

核心设计理念

CrewAI采用企业组织架构的隐喻，将任务分解、分配、执行和汇总过程结构化，特别强调角色明确性和任务依赖性。

上手步骤

1. 环境设置

pip install crewai crewai-tools import os from crewai import Agent, Task, Crew, Process from crewai_tools import SerperDevTool, ScrapeWebsiteTool

2. 创建市场调研团队

# 定义工具 search_tool = SerperDevTool() scrape_tool = ScrapeWebsiteTool() # 创建研究员智能体 researcher = Agent( role="市场研究员", goal="深入研究行业趋势和竞争对手", backstory="你是资深市场分析师，擅长发现市场机会", tools=[search_tool, scrape_tool], verbose=True, allow_delegation=False ) # 创建策略师智能体 strategist = Agent( role="商业策略师", goal="基于研究数据制定商业策略", backstory="你是经验丰富的商业顾问，擅长制定可行策略", tools=[search_tool], verbose=True, allow_delegation=False ) # 创建报告员智能体 writer = Agent( role="报告撰写专家", goal="将研究和策略转化为专业报告", backstory="你是技术文档专家，擅长编写清晰专业的商业报告", verbose=True, allow_delegation=False )

3. 定义任务和依赖关系

# 研究任务 research_task = Task( description="""调研2024年AI智能体框架的发展趋势， 重点关注LangChain、AutoGen、CrewAI三个框架。 收集：1.市场份额数据 2.技术特点 3.用户反馈""", expected_output="详细的调研报告，包含数据来源和关键发现", agent=researcher, output_file="research_findings.md" ) # 分析任务（依赖研究任务） analysis_task = Task( description="""基于调研结果，分析三个框架的： 1.竞争优势 2.市场机会 3.潜在风险 为初创公司推荐最适合的框架""", expected_output="包含SWOT分析和具体建议的策略报告", agent=strategist, context=[research_task] # 明确依赖关系 ) # 报告任务（依赖前两个任务） report_task = Task( description="""综合研究和分析结果，撰写一份给CEO的 商业决策报告，包含：执行摘要、详细分析、推荐方案""", expected_output="专业的企业报告（约2000字）", agent=writer, context=[research_task, analysis_task] )

4. 创建并执行团队

# 组建团队 ai_crew = Crew( agents=[researcher, strategist, writer], tasks=[research_task, analysis_task, report_task], process=Process.sequential, # 顺序执行 verbose=True ) # 执行任务 result = ai_crew.kickoff() print("最终报告:\n", result)

5. 高级功能：层级式团队

# 创建子团队（专门处理技术调研） tech_researcher = Agent( role="技术研究员", goal="深度分析框架的技术实现", backstory="你是软件架构师，擅长技术细节分析", tools=[scrape_tool], verbose=True ) tech_analysis_task = Task( description="分析三个框架的架构设计、性能特点", expected_output="技术架构对比报告", agent=tech_researcher ) # 主团队协调子团队 manager = Agent( role="项目经理", goal="协调所有研究任务，确保按时交付", backstory="你是资深项目经理，擅长资源调配", verbose=True ) # 使用层级式流程 hierarchical_crew = Crew( agents=[manager, researcher, strategist, writer, tech_researcher], tasks=[research_task, tech_analysis_task, analysis_task, report_task], process=Process.hierarchical, manager_agent=manager, verbose=True )

设计原理

CrewAI的设计核心是组织隐喻：

1. 角色定义模板：

Agent = { "role": "明确的职能描述", "goal": "可衡量的目标", "backstory": "赋予上下文和动机", "tools": "可用的能力", "allow_delegation": "是否允许委派任务" }

1. 任务依赖图：通过context参数显式定义任务依赖关系

2. 流程控制：

   • sequential: 顺序执行

   • hierarchical: 层级管理

   • consensus: 共识决策

3. 记忆管理：每个Agent有自己的短期记忆，Crew有共享的长期记忆

相关论文

• CrewAI: Orchestrating Role-Playing Agents for Complex Task Solving(CrewAI Team, 2024)

• Task-Driven Autonomous Agent(Yohei et al., 2023)

• Hierarchical Planning and Task Decomposition in Multi-Agent Systems(Durfee, 1999)

四、对比总结与选择指南

特性对比

实战建议

1. 起步学习：从LangChain开始，理解基础概念

2. 多智能体项目：

   • 学术/研究：选AutoGen

   • 商业/企业：选CrewAI

3. 生产部署：

   • 已有系统集成：LangChain

   • 新建企业系统：CrewAI

   • 研究原型：AutoGen

进阶学习路径

1. 第一阶段（1-2周）：

   • LangChain基础 + 简单RAG系统

   • 理解Chain、Agent、Memory概念

2. 第二阶段（2-3周）：

   • AutoGen多智能体对话

   • 实现代码审查流程

   • CrewAI角色定义和任务编排

3. 第三阶段（3-4周）：

   • 混合使用框架

   • 性能优化和监控

   • 部署到生产环境

生产注意事项

1. 成本控制：

   • 设置token限制

   • 使用缓存机制

   • 选择合适的模型层级

2. 错误处理：

# 通用错误处理模式 try: result = agent.run(task) except RateLimitError: # 重试逻辑 pass except TimeoutError: # 超时处理 pass

1. 监控和日志：

   • 记录所有LLM调用

   • 监控token使用

   • 跟踪任务执行时间

这些框架各有侧重，选择时最重要的是匹配你的具体需求和技术栈。建议先从小型原型开始，逐步扩展到复杂系统。