在人工智能蓬勃发展的当下，智能体（AI Agent）正成为改变游戏规则的关键力量。它从简单的自动化程序演进为具备感知、决策与行动能力的复杂系统，可自主完成各类任务。对于渴望涉足 AI 领域的小白而言，智能体框架是开启大门的钥匙。这些框架为构建智能体提供了基础架构与工具，大大降低了开发门槛。接下来，就为大家介绍 11 个顶级 AI Agent 框架，助你轻松上手智能体开发。

文章配图

一、AI Agent 框架的定义

AI Agent 框架属于软件平台的范畴，其作用是帮助开发者打造拥有以下能力的自主人工智能系统：

  • 能够理解和处理自然语言形式的输入
  • 可以对复杂问题展开推理
  • 能够依据已有的信息做出决策
  • 会采取行动以实现特定的目标
  • 能够通过互动进行学习，进而持续改进

这类框架一般会将大型语言模型（LLM）当作核心的认知引擎，同时搭配专门的组件来负责处理记忆、工具使用、规划以及执行等任务。

二、11 个最佳 AI Agent 框架

1、LangChain

img

LangChain 堪称智能体开发领域的明星框架。它以 “连接语言模型与外部世界” 为核心理念，搭建起模块化开发标准。

  • 强大功能：能够无缝串联多个大语言模型（LLM）调用与外部工具、数据源，创建多步骤智能工作流。比如在构建智能文档分析系统时，可结合文档检索工具与 LLM，对文档内容进行深度解析。

  • 技术架构：采用分层设计，底层统一封装各类 LLM 接口，中间层提供工具调用、记忆管理等核心组件，上层实现具体场景智能体。这种设计赋予开发者精细的控制权限，既可以选用预定义智能体，也能组合基础组件定制方案。

  • 适用场景：实时信息整合场景表现卓越，如金融数据实时分析、医疗知识即时问答系统等。

  • 上手难度：社区活跃且插件丰富，但对开发者编程能力有一定要求，搭建复杂工作流需深入理解框架机制。

主要特性：
  • 智能系统设计，处理复杂任务游刃有余
  • 精细控制 Agent 工作流
  • 支持多 Agent 交互
  • 允许人工干预（Human-in-the-loop）
  • 无缝集成外部工具和 API
优势：
  • 强大且灵活的框架
  • 开源且拥有强大的社区支持
  • 支持处理复杂任务
  • 能够实时获取信息
  • 提供对 AI Agent 的精细控制
劣势：
  • 需要扎实的编程功底
  • 设计复杂 Agent 时复杂度较高
  • 依赖底层 LLM 的能力
应用场景：
  • 开发智能应用- 创建自主的任务解决系统
  • 构建复杂的多步工作流 Agent
  • 将 AI 能力集成到现有软件中
代码示例：
from langchain.agents import Tool, AgentExecutor, create_react_agent
from langchain.tools.ddg_search import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI

# 定义 Agent 可以使用的工具
search_tool = DuckDuckGoSearchRun()
tools = [
    Tool(name="Search",
        func=search_tool.run,
        description="Useful for searching the internet for current information"
    )
]

# 初始化语言模型
llm = ChatOpenAI(model="gpt-4")

# 使用 React 框架创建 Agent
agent = create_react_agent(llm, tools, "You are a helpful AI assistant.")

# 创建 Agent 执行器
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行 Agent
response = agent_executor.invoke({"input": "What are the latest developments in AI agent frameworks?"})
print(response["output"])
2、 AutoGen (微软)

AutoGen Logo
AutoGen 由微软研究院打造，在多智能体协作领域一骑绝尘。它基于 “演员（Actor）” 架构，支持创建不同角色、能力与目标的智能体，通过自然语言对话协同作业。

  • 核心创新：标准化智能体对话协议，每个智能体可理解对话历史、识别其他智能体角色，并依据规则决定自主决策或请求人类介入。框架还内置代码执行与调试功能，便于智能体生成并运行代码。

  • 适用场景：企业级业务流程自动化，像财务报表生成、客户服务工单处理等场景都能完美适配。

  • 上手难度：虽为较新框架，生态尚在完善，但有微软技术背书与持续投入，多智能体场景下上手性价比高。

主要特性：
  • 支持多 Agent 协作（包括人工参与和完全自主模式）
  • 集成大型语言模型 (LLM)
  • 支持代码执行与调试
  • 可扩展性与分布式计算
  • 异步消息传递
  • 自主和交互式工作流
优势：
  • 精简了 AI Agent 系统的创建与管理流程
  • 简化了协作与推理型 AI 系统的构建
  • 允许 Agent 间交互以解决复杂问题
劣势：
  • 框架相对较新（仍在持续开发中）
  • 设置多 Agent 交互较为复杂
  • 性能可能因 Agent 配置而异
应用场景：
  • 软件开发
  • 复杂任务求解
  • 交互式 AI 系统设计
  • 研究与开发环境
代码示例：
import autogen

# 定义LLM 配置
llm_config = {
    "config_list": [{"model": "gpt-4", "api_key": "your-api-key"}]
}

# 创建一个 AssistantAgent
assistant = autogen.AssistantAgent(
    name="assistant",
    llm_config=llm_config,
    system_message="You are a helpful AI assistant."
)

# 创建一个 UserProxyAgent
user_proxy =autogen.UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",  # 任务完成后自动回复 TERMINATE
    max_consecutive_auto_reply=10,is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
    code_execution_config={"work_dir": "coding"}
)

# 在 Agent 之间发起对话
user_proxy.initiate_chat(
    assistant,
    message="Write a Python function to calculate the Fibonacci sequence."
)
3、 CrewAI

CrewAI Logo

CrewAI 提出 “智能体团队” 创新概念，允许开发者为智能体分配研究员、作家、分析师等特定角色，并明确角色协作流程与依赖关系。

  • 关键组件：角色定义模块设定智能体目标、背景与能力；任务调度系统管理任务依赖与执行顺序；协作协议规范智能体间信息传递。它还支持与 LangChain 等框架集成，适配多种 LLM 与云平台。

  • 适用场景：知识密集型协作场景，如市场研究报告撰写、学术论文辅助创作等。

  • 上手难度：将多智能体系统设计复杂度简化，通过角色与任务抽象降低开发门槛，不过开发者仍需具备一定 Python 编程基础。

主要特性
  • Agent 协作，具有特定角色、工具和目标
  • 可通过定义角色进行 Agent 定制
  • 提供高级别的简易性和精确的低级别控制
  • 支持跨行业的自动化工作流
  • 与各种 LLM 和云平台兼容
优势
  • Agent 设计灵活
  • 实现简单
  • 支持完成复杂的协作任务
  • Agent 架构模块化且可重用
劣势
  • 需要具备 Python 编程知识
  • 框架相对较新（社区支持可能有限）
  • 设计复杂的 Agent 交互时复杂度较高
应用场景
  • 工作流自动化 -支持机器人创建
  • 复杂研究与分析任务
  • 专业团队模拟
  • 业务流程优化
代码示例
from crewai import Agent, Task, Crew
from langchain_openai import ChatOpenAI

# 初始化语言模型
llm = ChatOpenAI(model="gpt-4")

# 定义具有特定角色的 Agent
researcher = Agent(
    role="Research Analyst",
    goal="Discover and analyze the latest trends inAI technology",
    backstory="You are an expert in AI research with a keen eye for emerging trends",
    verbose=True,
    llm=llm
)

writer = Agent(
    role="TechnicalWriter",
    goal="Create comprehensive reports based on research findings",
    backstory="You are a skilled technical writer who can explain complex concepts clearly",
    verbose=True,
    llm=llm
)# 为每个 Agent 定义任务
research_task = Task(
    description="Research the latest developments in AI agent frameworks",
    expected_output="A comprehensive analysis of current AI agent frameworks",
    agent=researcher
)writing_task = Task(
    description="Write a detailed report on AI agent frameworks based on the research",
    expected_output="A well-structured report on AI agent frameworks",
    agent=writer,
    context=[research_task]  # 写作任务依赖于研究任务
)

# 创建一个包含 Agent 和任务的 Crew
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    verbose=True
)

# 执行 Crew 的任务
result = crew.kickoff()
print(result)
4、 Semantic Kernel (微软)

Semantic Kernel Logo

微软推出的 Semantic Kernel 专为解决企业级 AI 应用集成难题而生，支持 C#、Python 和 Java 等多种编程语言，能将 AI 模型无缝嵌入现有应用系统。

  • 核心概念：引入 “语义函数”，通过自然语言定义的提示词（Prompt）与 AI 模型交互，把复杂 AI 能力转化为可调用函数接口。

  • 技术架构：包含模型连接器（支持多种模型）、语义函数引擎（管理提示词工程与模型调用）、智能体规划器（处理多步骤任务规划与执行）三大模块。

  • 适用场景：企业现有系统智能化升级，如客服系统智能化改造、企业知识库问答功能添加等。

  • 上手难度：模块化设计与多语言支持降低技术栈迁移成本，但作为新框架，开发者需学习 AI 集成相关特定概念。

主要特性
  • 集成多个 AI 服务提供商（OpenAI、Azure OpenAI、Hugging Face）
  • 支持多种 Agent 类型的 Agent 框架
  • 轻量级且灵活的架构
  • 企业级支持
  • 多 Agent 系统能力
优势：
  • 模块化架构
  • 易于使用的开发方法
  • 支持创建复杂的工作流
  • 能够将 AI 嵌入到现有开发流程中
劣势：
  • 框架相对较新
  • 需要理解 AI 集成概念
  • 对于不熟悉 AI框架的开发者可能存在学习曲线
应用场景：
  • 企业级 AI 解决方案
  • 自定义 AI Agent 开发
  • 工作流自动化
  • AI 驱动的应用集成
代码示例：
import semantic_kernel assk
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion

# 初始化内核
kernel = sk.Kernel()

# 添加 OpenAI 服务
api_key = "your-api-key"
model= "gpt-4"
kernel.add_chat_service("chat_completion", OpenAIChatCompletion(model, api_key))

# 使用自然语言创建语义函数
prompt = """
Generate a creative story about {{$input}}.
The story should be engaging and approximately 100 words.
"""

# 在内核中注册函数
story_function = kernel.create_semantic_function(prompt, max_tokens=500)# 执行函数
result = story_function("a robot learning to paint")
print(result)

# 使用 Semantic Kernel 创建简单 Agent
from semantic_kernel.planning import ActionPlanner

# 定义规划器
planner = ActionPlanner(kernel)

# 执行计划
# 注意：aiohttp 版本冲突可能导致此处需要异步运行，示例代码展示了同步方式，实际应用可能需调整
# plan = await planner.create_plan("Write a poem aboutartificial intelligence")
# result = await plan.invoke()
# print(result)

# 为了示例的同步执行，这里省略了实际的 planner 运行，仅展示创建语义函数的部分。
# 如果需要运行 planner，需配置异步环境。
5、 LangGraph

LangGraph Logo
LangGraph 作为 LangChain 家族成员，专注攻克复杂生成式 AI 工作流设计与管理难题。它借助 “状态图” 将智能体工作流程抽象为节点（LLM 调用或工具执行）与边（节点转换关系），以可视化助力开发者理解、优化复杂逻辑。

  • 智能体模式支持：涵盖工具调用模式（ReAct）、自问自答模式（Self-Ask）等，并提供精细工作流状态控制。开发者可定义节点输入输出格式、状态转换条件，实现动态分支逻辑。

  • 适用场景：业务流程自动化、审批系统智能化等需可视化流程管理的场景。

  • 上手难度：将抽象智能体逻辑转化为可视化模型，但对开发者系统设计能力要求较高，适用于中大型项目。

主要特性：
  • 先进的 Agentic 模式（工具调用、React 方法论、Self-Ask 方法）
  • 支持节点（LLM）和边缘（工具）的可视化表示
  • 对工作流流程和状态进行细粒度控制
  • 构建有状态应用的灵活框架
  • 支持复杂的多 Agent 场景
优势：
  • 专为基于语言的 AI Agent 设计的基础架构
  • 能够创建精密的、相互关联的 Agent 系统
  • 支持复杂工作流的设计与管理
劣势：

-复杂度较高，可能需要高级开发者技能

  • 主要专注于基于语言的工作流
应用场景：
  • 对话式 Agent
  • 复杂任务自动化
  • 自定义 LLM 支持的工作流
  • 专注于语言处理的AI Agent 开发
代码示例：
from typing import TypedDict, Annotated, Sequence
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.messagesimport HumanMessage, AIMessage

# 定义状态结构
class AgentState(TypedDict):
    messages: Annotated[Sequence[HumanMessage | AIMessage], "The messages in the conversation"]
    next_step: Annotated[str, "The next step to take"]

# 初始化语言模型
llm = ChatOpenAI(model="gpt-4")

# 定义节点（工作流中的步骤）
def research(state: AgentState) -> AgentState:messages = state["messages"]
    response = llm.invoke(messages + [HumanMessage(content="Research this topic thoroughly.")])
    return {"messages": state["messages"] + [response], "next_step": "analyze"}

def analyze(state: AgentState) -> AgentState:
    messages = state["messages"]
    response = llm.invoke(messages + [HumanMessage(content="Analyze the research findings.")])return {"messages": state["messages"] + [response], "next_step": "conclude"}

def conclude(state: AgentState) -> AgentState:
    messages = state["messages"]
    response =llm.invoke(messages + [HumanMessage(content="Provide a conclusion based on the analysis.")])
    return {"messages": state["messages"] + [response], "next_step": "end"}

# 创建图workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("research", research)
workflow.add_node("analyze", analyze)
workflow.add_node("conclude", conclude)# 添加边缘
workflow.add_edge("research", "analyze")
workflow.add_edge("analyze", "conclude")
workflow.add_edge("conclude", END)

# 设置入口点
workflow.set_entry_point("research")

# 编译图
agent = workflow.compile()

# 执行工作流
result = agent.invoke({
    "messages": [HumanMessage(content="Tell me about AI agent frameworks")],
    "next_step": "research"
})

# 打印最终消息
for message in result["messages"]:
    print(f"{message.type}: {message.content}\n")
6、LlamaIndex

LlamaIndex Logo
LlamaIndex 聚焦智能体与数据交互难题，提供完整数据编排框架，可连接各类私有、公共数据源（文档、数据库、API 等），并转化为 LLM 可理解格式。

  • 核心功能：具备数据索引构建（支持向量索引、关键词索引等）、查询优化（智能选择数据源与检索策略）、工具集成（封装数据操作为智能体可调用工具）等功能。

  • 适用场景：在需要处理大量数据的场景中优势显著，如企业知识图谱构建、智能数据分析系统搭建等。

  • 上手难度：对于有一定数据处理基础的小白较为友好，社区也提供了不少实用教程与案例参考。

主要特性：
  • AI Agent 功能，可作为“自动化推理和决策引擎”
  • 函数调用能力
  • 与各种格式的数据交互
  • 工具集成
  • 支持多模态应用（文本、图像及其他数据类型）
优势：
  • 框架简单灵活
  • 支持集成各种数据源
  • 能够进行自定义 AI Agent 开发 -开源且适应性强
劣势：
  • 复杂度可能需要高级技术知识
  • 需要理解 LLM 和 Agent 开发概念
应用场景：
  • 企业知识助手
  • 自主 AI Agent
  • 复杂数据交互与分析
  • 构建生产级 AI 应用
代码示例：
from llama_index.core.agent import FunctionCallingAgentWorker
from llama_index.core.tools import FunctionTool
from llama_index.llms.openai import OpenAI

# 定义一个简单的工具函数
def search_documents(query: str) -> str:
    """Search for information in the document database."""
    # 在实际应用中，这里会查询文档存储
    returnf"Here are the search results for: {query}"

# 创建一个函数工具
search_tool = FunctionTool.from_defaults(
    name="search_documents",
    fn=search_documents,
    description="Search for information in the document database"
)

# 初始化语言模型
llm = OpenAI(model="gpt-4")

# 创建 Agent
agent = FunctionCallingAgentWorker.from_tools(
    [search_tool],
    llm=llm,
    verbose=True
)

# 运行 Agent
response = agent.chat("Find information about AI agent frameworks")
print(response)
7. OpenAI Agents SDK

OpenAI LogoOpenAI Logo

OpenAI Agents SDK 是一个基于 Python 的工具包，用于构建能够推理、规划和采取行动以完成复杂任务的智能自主系统。

主要特性：
  • Agent 循环功能（处理工具调用，将结果发送给 LLM）
  • 工具集成（将 Python 函数转换为 Agent 可用的工具）
  • 支持跟踪功能，可视化 Agent 工作流
优势：
  • 精简的 Agent 开发方法
  • 内置Agent 工作流可视化功能
  • 步步跟踪 Agent 行动
劣势：
  • 依赖 OpenAI 的基础设施
  • 需要扎实的 Python 编程功底
  • 可能受 OpenAI 当前技术限制
应用场景：
  • 客户支持自动化
  • 多步研究流程
  • 内容生成
  • 复杂任务管理
代码示例：
from openai import OpenAI
import json

# 初始化 OpenAI 客户端
client = OpenAI(api_key="your-api-key")

# 定义一个工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_weather",
            "description": "Get the current weather in a given location",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state, e.g., San Francisco, CA"
                    }
                },
                "required": ["location"]
            }
        }
    }
]

# 处理天气查询工具的函数
defsearch_weather(location):
    # 在实际应用中，这里会调用天气 API
    returnf"The weather in {location} is currently sunny with a temperature of 72°F."

# 创建使用该工具的 Agent
messages = [{"role": "user", "content": "What's the weather like in Boston?"}]
response = client.chat.completions.create(
    model="gpt-4",messages=messages,
    tools=tools,
    tool_choice="auto"
)

# 处理响应
response_message = response.choices[0].message
messages.append(response_message)

#检查模型是否想调用函数
if response_message.tool_calls:
    # 处理每个工具调用
    for tool_call in response_message.tool_calls:
        function_name = tool_call.function.name
        function_args = json.loads(tool_call.function.arguments)

        # 调用函数
        if function_name == "search_weather":
            function_response = search_weather(function_args.get("location"))

            # 将函数响应添加到消息列表
            messages.append({
                "tool_call_id": tool_call.id,
                "role": "tool",
                "name": function_name,
                "content": function_response
            })

    # 从模型获取新响应
    second_response = client.chat.completions.create(
        model="gpt-4",
        messages=messages)

    print(second_response.choices[0].message.content)
else:
    print(response_message.content)
8、 Atomic Agents

Atomic Agents LogoAtomic Agents Logo

Atomic Agents 的 GitHub 仓库。

Atomic Agents 是一个轻量级、模块化的框架，用于构建 AI Agent 流水线，强调 AI Agent 开发的原子性。

主要特性：
  • 模块化，允许组合小型、可重用的组件
  • 使用 Pydantic 通过清晰的输入/输出模式实现可预测性
  • 可扩展性，用于集成新组件
  • 支持多 Agent 系统开发
优势：
  • 轻量级架构
  • Agent 构建灵活性高
  • 对 AI Agent 组件的控制精细
  • 开源且对开发者友好
劣势：
  • 框架相对较新（生态系统仍在演变）
应用场景：
  • 构建复杂的 AI 应用
  • 开发多 Agent 系统 -创建模块化 AI 流水线
  • 研究与分析任务
代码示例：
from pydantic import BaseModel, Field
from typing import List
import os

# 这是一个基于 Atomic Agents 方法的简化示例# 在实际实现中，你需要从 atomic_agents 包导入

# 定义输入/输出模式
class ResearchQuery(BaseModel):
    topic: str = Field(description="The topic to research")
    depth: int = Field(description="The depth of research required (1-5)")

class ResearchResult(BaseModel):
    findings: List[str] = Field(description="Key findings from the research")
    sources: List[str] =Field(description="Sources of information")

# 定义一个原子 Agent 组件
class ResearchAgent:
    def __init__(self, api_key: str):
        self.api_key = api_key
        # 初始化任何必要的客户端或工具

    def process(self, input_data: ResearchQuery) -> ResearchResult:
        # 在实际实现中，这里会使用 LLM 执行研究
        print(f"Researching {input_data.topic} at depth {input_data.depth}")

        # 模拟研究结果
        findings = [
            f"Finding 1 about {input_data.topic}",
            f"Finding 2 about {input_data.topic}",
            f"Finding 3 about {input_data.topic}"
        ]

        sources = [
            "https://github.com/e2b-dev/awesome-ai-agents","https://github.com/e2b-dev/awesome-ai-agents"
        ]

        return ResearchResult(findings=findings, sources=sources)

# 使用示例
if __name__ == "__main__":# 创建 Agent
    agent = ResearchAgent(api_key=os.environ.get("OPENAI_API_KEY", "default-key"))

    # 创建输入数据
    query = ResearchQuery(topic="AIagent frameworks", depth=3)

    # 处理查询
    result = agent.process(query)

    # 显示结果
    print("\nResearch Findings:")
    for i, finding in enumerate(result.findings, 1):
        print(f"{i}. {finding}")

    print("\nSources:")
    for source in result.sources:
        print(f"- {source}")
9、 Rasa

Rasa LogoRasa Logo

RASA 是一个开源机器学习框架，专注于构建对话式 AI 应用，侧重于文本和语音助手。

主要特性：
  • 先进的自然语言理解 (NLU) 能力
  • 提供灵活性和控制力，构建上下文感知的对话 Agent
  • 机器学习能力，用于构建、测试和部署 AI 应用
优势：
  • 高度可定制
  • 强大的机器学习框架
  • 文档完善丰富
  • 支持复杂的对话场景
劣势：
  • 与无代码平台相比，需要更多技术专业知识
  • 对于初学者来说学习曲线较陡峭
  • 可能需要大量开发资源
应用场景：
  • 聊天机器人开发
  • 虚拟助手
  • 客户服务界面 -语音交互系统
  • 企业级对话式 AI 解决方案
代码示例：
# RASA 项目结构示例
# 这通常会分布在 RASA 项目的多个文件中

# domain.yml - 定义助手的领域
"""
version: "3.1"

intents:
  - greet
  - goodbye
  - ask_about_ai_frameworks

responses:
  utter_greet:
    - text: "Hello! How can I help you with AI frameworks today?"

  utter_goodbye:
    - text: "Goodbye! Feel free to ask about AI frameworks anytime."

  utter_about_frameworks:
    - text: "There are several popular AI agent frameworks including LangChain, AutoGen, CrewAI, and more. Which one would you like to know about?"

entities:
  - framework_name

slots:
  framework_name:
    type: text
    mappings:
    - type: from_entity
      entity: framework_name
"""

# data/nlu.yml - 用于 NLU 的训练数据
"""
version: "3.1"nlu:
- intent: greet
  examples: |
    - hey
    - hello
    - hi
    - hello there
    - good morning

- intent: goodbye
  examples: |
    - bye
    -goodbye
    - see you around
    - see you later

- intent: ask_about_ai_frameworks
  examples: |
    - tell me about AI frameworks
    - what are the best AI agent frameworks- I need information about [LangChain](framework_name)
    - How does [AutoGen](framework_name) work?
    - Can you explain [CrewAI](framework_name)?
"""

# data/stories.yml - 用于对话管理的训练数据
"""
version: "3.1"

stories:
- story: greet and ask about frameworks
  steps:
  - intent: greet
  - action: utter_greet- intent: ask_about_ai_frameworks
  - action: utter_about_frameworks

- story: ask about specific framework
  steps:
  - intent: ask_about_ai_frameworks
    entities:
    - framework_name: "LangChain"
  - action: action_framework_info
"""

# actions/actions.py - 自定义操作
"""
from typing import Any, Text, Dict,List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionFrameworkInfo(Action):
    def name(self) -> Text:
        return "action_framework_info"def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        framework = tracker.get_slot("framework_name")

        if framework.lower() == "langchain":
            dispatcher.utter_message(text="LangChain is an open-source framework for building applications using large language models.")
        elif framework.lower()== "autogen":
            dispatcher.utter_message(text="AutoGen is a framework from Microsoft Research that enables the development of LLM applications using multiple agents.")
        elif framework.lower() == "crewai":dispatcher.utter_message(text="CrewAI is a framework for orchestrating role-playing autonomous AI agents.")
        else:
            dispatcher.utter_message(text=f"I don't have specific information about {framework}, but it might be one of the emerging AI agent frameworks.")

        return []
"""

# 要训练和运行 RASA 助手：
# rasa train
# rasa run
10、 MetaGPT

MetaGPT LogoMetaGPT Logo

MetaGPT 由 Chenglin Wu 创立，是最受欢迎的开源 Agent 框架之一。

MetaGPT 是一个开源的多 Agent 框架，利用 LLM 编排 AI Agent 来模拟协作解决问题。MetaGPT 由 Chenglin Wu 创立，其 GitHub仓库已获得超过 5.6 万星标，这表明开发者们非常喜爱这款灵活且易于使用的开源 Agentic 框架。

主要特性：
  • 仅凭单行需求即可生成全面的项目材料- 模拟软件开发团队结构
  • 为 Agent 分配不同的基于 GPT 的角色
  • 能够进行复杂的协作解决问题
优势：
  • 复刻人类的程序性知识
  • 优化多 Agent 系统交互 -自动化全面的软件开发工作流
  • 可模拟整个团队的角色
劣势：
  • 设置复杂度较高
  • 依赖大型语言模型的能力
  • 多 Agent 交互可能存在不一致性
应用场景：

-自动化软件开发项目生成

  • 复杂多 Agent 协作解决问题
  • 高级 AI 驱动的研究与分析
  • 模拟组织决策过程
代码示例：
from metagpt.roles import (ProjectManager,
ProductManager,
Architect,
Engineer
)
from metagpt.team import Team
import asyncio

asyncdef main():
    # 定义项目需求
    requirement = "Create a web application that allows usersto search for and compare AI agent frameworks"

    # 创建具有不同角色的团队成员
    product_manager = ProductManager()
    project_manager = ProjectManager()
    architect = Architect()
    engineer = Engineer()# 组建一个包含这些的团队
    team = Team(
        name="AI Framework Explorer Team",
        members=[product_manager, project_manager, architect, engineer]
    )

    # 让团队开始处理需求
    await team.run(requirement)

    # 团队将生成：
    # 1. PRD (产品需求文档)
    # 2. 设计文档
    # 3. 架构图
    # 4. 实现代码
    # 5. 测试
if __name__ == "__main__":
    asyncio.run(main())
11、 Camel-AI (CAMEL)

CAMEL LogoCAMEL Logo

Camel-AI (CAMEL — Communicative Agents for Machine Learning) 是一个开源多 Agent 框架，使自主 Agent 能够协作、沟通并解决复杂任务。

主要特性：
  • 支持多 Agent 协作
  • 支持 Agent 系统的持续演进- 为多 Agent 应用提供通用基础架构
  • 集成用于文本和图像任务的 AI 模型
优势：
  • 开源
  • 框架灵活
  • 支持集成各种 AI 模型
  • 能够实现自主 Agent通信
劣势：
  • 作为一个较新的框架，其文档和特性可能仍在发展中
应用场景：
  • autónoma 任务求解
  • 数据生成与分析
  • 模拟环境
  • 复杂计算问题求解
代码示例：
from camel.agents import ChatAgent
from camel.messages import BaseMessage
from camel.typing import ModelType
import asyncio

asyncdef main():
    # 创建两个具有不同角色的 Agent
    user_agent = ChatAgent(
        model_type=ModelType.GPT_4,
        system_message="You are a user who needs help analyzing data about AI frameworks."
    )

    assistant_agent = ChatAgent(
        model_type=ModelType.GPT_4,
        system_message="You are an AI assistant specialized in data analysis and AI frameworks."
    )

    # 用户 Agent 发出的初始消息
    user_message = BaseMessage.make_user_message(
        role_name="User",
        content="I need to compare different AI agent frameworks for my project. Can you help me analyze their features?")

    # 开始对话
    assistant_response = await assistant_agent.step(user_message)
    print(f"Assistant: {assistant_response.content}\n")

    # 继续对话for _ in range(3):  # 模拟几个回合的对话
        user_response = await user_agent.step(assistant_response)
        print(f"User: {user_response.content}\n")assistant_response = await assistant_agent.step(user_response)
        print(f"Assistant: {assistant_response.content}\n")

if __name__ == "__main__":
    asyncio.run(main())

三、开源框架与商业解决方案

1、开源框架：
  • 公开且免费使用
  • 可定制性强
  • 社区驱动开发
  • 示例：LangChain、CrewAI、AutoGen、LangGraph
2、商业框架：
  • 通常提供更完善的企业级功能
  • 提供专门的技术支持
  • 可能具备更强大的基础设施
  • 示例：Salesforce Agentforce、Einstein GPT、OpenAI Agents SDK 的部分功能

四、AI Agent 框架的关键评估标准

评估 AI Agent 框架时，请考虑以下重要因素：

  • 易用性
  • 灵活性
  • 社区支持
  • 集成能力
  • 性能- 可扩展性

五、AI Agent 框架的新兴趋势

AI Agent 领域正在快速发展，呈现出以下几个显著趋势：

  • 越来越侧重于多 Agent 系统
  • 更复杂的推理能力
  • 工具和记忆集成得到增强
  • 开发接口更加简化
  • 对低代码和简化 AI Agent 开发的关注日益增长

六、如何选择合适的 AI Agent 框架

为您的项目选择 AI Agent 框架时，请考虑：- 您的特定项目需求

  • 首选的编程语言
  • 可扩展性需求
  • 集成能力
  • 社区支持和文档
  • 需要对 Agent 行为控制的程度
  • 实现的复杂性
  • 所需特性
  • 预算
  • 长期可扩展性

七、结论

AI Agent 框架格局正在快速演变，其中开源解决方案在创新性和灵活性方面遥遥领先。对于希望构建复杂 AI 应用的开发者来说，这些框架提供了创建智能、自主系统所需的工具和基础设施。

无论您需要用于构建对话 Agent、多 Agent 协作系统，还是复杂工作流自动化的框架，本指南介绍的 11 个框架都提供了多种选择，以满足不同的需求和技术专业水平。

随着 AI Agent 技术的不断发展，了解这些框架的能力和局限性对于希望在应用中充分发挥 AI 潜力的开发者来说至关重要。

八、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

# 人工智能 # 语言模型 # 深度学习 # transformer # 自然语言处理
Logo
ModelEngine社区

更多推荐

从崩溃到自愈：Temporal+MCP-Agent构建永不中断的AI工作流

你是否遇到过AI工作流执行到90%突然崩溃的绝望？训练了数小时的模型因服务器重启前功尽弃？团队协作时因某人未及时审批导致整个流程停滞？本文将展示如何通过Temporal与MCP-Agent的深度集成，彻底解决这些痛点，构建真正企业级的可靠AI工作流系统。读完本文你将掌握：- 3行代码实现工作流故障自愈- 零停机升级正在运行的AI任务- 跨团队协作的工作流信号机制- 从本地开发到生产集群

avatar ModelEngine社区
cover

从"数据喂养"到"数据工程"：大模型时代的数据哲学

avatar ModelEngine社区
cover

GPU 虚拟化：从理论到落地（一）三维正交坐标系讲透分类

avatar ModelEngine社区