AI Agents-3 | AI 智能体的底层架构剖析 原创

这个系列文章旨在为AI代理（AI Agent）提供全面的概述，深入研究其特征，组成部分和类型，同时探索其进化，挑战和潜在的未来方向。

在人工智能（AI）的浪潮中，智能体框架（Agentic Frameworks）正悄然掀起一场革命。它们赋予了AI系统自主感知、推理和行动的能力，让AI从静态的工具变成了动态的伙伴。今天，就让我们一起走进智能体框架的世界，探索它们如何改变AI的未来。

一、什么是智能体框架？

智能体框架是一种全新的AI设计理念。它摒弃了传统AI应用中静态、预定义的工作流程，引入了动态、自适应的系统。这些系统能够自主地感知环境、推理问题并采取行动。通过将复杂任务拆分成更小的子任务，智能体框架让多个专业智能体协同工作，共同实现更大的目标。

想象一下，一个AI系统可以像人类团队一样分工合作：有的负责收集信息，有的负责分析数据，还有的负责做出决策。这些智能体通过大型语言模型（LLM）的支持，能够管理工作流程、做出决策，并无缝集成各种工具。这种设计不仅让AI系统更智能，还让它们能够应对动态变化的环境。

以LangGraph和CrewAI为例，这些智能体框架让开发者能够突破传统的单智能体、线性工作流，进入多智能体、协作系统的时代。

二、为什么智能体框架如此重要？

从零开始构建智能体可不是一件容易的事。幸运的是，像LangGraph、CrewAI和OpenAI Swarm这样的框架简化了整个过程。它们让开发者能够专注于应用逻辑，而不是重复发明轮子来处理状态管理、编排和工具集成。

智能体框架的核心优势在于：

1. 简单定义智能体和工具：开发者可以轻松地定义智能体的行为和所需的工具。
2. 强大的编排机制：框架能够管理多个智能体之间的协作，确保任务的顺利进行。
3. 状态管理：智能体框架能够跟踪任务的进度，确保所有智能体对当前状态有统一的理解。
4. 支持复杂应用：通过添加持久化层（记忆）、中断处理等功能，智能体框架能够支持更复杂的应用场景。

接下来，让我们一起看看目前最受欢迎的智能体框架和工具。

时光学 DeepSeek实战指南AI零基础使用教程工作学习搜索高效实用操作实操案例精创模板deepseek从入门到精通

三、主流智能体框架与工具

（一）LangChain：强大的AI应用开发框架

LangChain是一个强大而灵活的框架，它让开发基于大型语言模型（LLM）的应用变得更加容易。通过丰富的工具和抽象层，开发者可以设计出具备复杂推理、任务执行和外部数据交互能力的AI智能体。

LangChain解决了开发者在与LLM交互时面临的诸多挑战，比如在长对话中保持上下文、整合外部信息以及协调多步任务。它的模块化架构让框架可以轻松组合不同的组件，适用于各种用途。

GitHub链接：LangChain GitHub文档链接：LangChain 文档

（二）LangGraph：多智能体协作的利器

LangGraph是LangChain的扩展，专注于创建具有状态的多智能体应用。它特别适合构建复杂的交互式AI系统，涉及规划、反思和多智能体协调。

GitHub链接：LangGraph GitHub文档链接：LangGraph 文档

（三）CrewAI：角色扮演智能体的编排框架

CrewAI允许开发者创建一个“团队”（crew）的AI智能体，每个智能体都有特定的角色和职责，共同完成复杂的任务。这个框架非常适合构建需要多样化专业知识和协调努力的协作AI系统。

GitHub链接：CrewAI GitHub文档链接：CrewAI 文档

（四）Microsoft Semantic Kernel：传统软件与AI的桥梁

Microsoft Semantic Kernel旨在弥合传统软件开发与AI能力之间的差距。它特别关注将大型语言模型（LLM）集成到现有应用中，让开发者无需彻底重构代码库就能引入AI功能。

GitHub链接：Microsoft Semantic Kernel文档链接：Microsoft Semantic Kernel 文档

（五）Microsoft AutoGen：多智能体系统的开源框架

Microsoft AutoGen是一个开源框架，用于构建高级AI智能体和多智能体系统。它提供了灵活而强大的工具集，让开发者能够高效地构建复杂的AI系统。

GitHub链接：Microsoft AutoGen文档链接：AutoGen 文档

（六）Smolagents：极简主义的智能体开发框架

Smolagents是一个前沿的开源框架，专注于开发智能、协作的多智能体系统。它以灵活性和模块化为核心，让开发者能够构建独立运行或与人类监督协作的复杂AI系统。

GitHub链接：Smolagents GitHub文档链接：Smolagents 文档

（七）AutoGPT：基于GPT-4的自主智能体

AutoGPT基于强大的GPT-4语言模型，能够通过语言输入执行目标导向的任务。它代表了自主AI智能体领域的一个重要进步，将决策提升到了新的高度。

GitHub链接：AutoGPT GitHub文档链接：AutoGPT 文档

（八）Agno（Phidata）：多模态智能体框架

Phidata是一个多模态智能体框架，能够开发协作运行的智能体系统。它支持文本、图像和音频等多种模态数据，无需依赖外部工具即可独立运行。此外，它还提供了Agentic UI，方便用户与智能体进行视觉交互。

GitHub链接：Phidata GitHub文档链接：Phidata 文档

四、智能体框架对比

为了帮助开发者选择最适合自己的工具，以下是对上述主流智能体框架的高级对比：

五、深入探索LangGraph

LangGraph是由LangChain团队开发的一个库，旨在帮助开发者创建基于图的单智能体或多智能体AI应用。作为一个低级框架，LangGraph让你能够控制智能体之间的交互、使用的工具以及信息在应用中的流动。

（一）什么是图？

图是一种数据结构，用于表示数据之间的关系。它由两个主要部分组成：

1. 节点（Nodes）：图中的每个节点代表一个独立的任务或操作。这些节点可以是Python函数，封装了特定的任务，比如与LLM交互、调用外部工具、处理数据或与用户互动。
2. 边（Edges）：边是图中的连接部分，定义了信息的流向和操作的顺序。LangGraph支持多种边类型，包括简单的直接连接和基于条件的动态分支。

（二）核心概念

1. 图结构

LangGraph的设计核心是基于图的应用工作流表示。图中的每个节点代表应用中的一个独立任务或操作，而边则定义了信息的流向和操作的顺序。

2. 状态管理

管理多智能体系统的一个关键挑战是确保所有智能体对当前任务状态有统一的理解。LangGraph通过自动状态管理解决了这个问题。这意味着框架会自动跟踪和更新一个中心状态对象，随着智能体执行任务而动态变化。

（三）动手实践LangGraph

1. 安装LangGraph

在终端或命令提示符中运行以下命令即可安装LangGraph：

pip install -U langgraph
1.

2. 创建一个简单的LangGraph聊天机器人

以下是一个基于LangGraph的聊天机器人示例：

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

# 定义状态结构
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 初始化图
graph_builder = StateGraph(State)

# 添加聊天机器人节点
def chatbot(state: State):
    # 这里可以调用LLM生成回复
    response = "Hello, how can I help you?"
    return {"messages": [response]}

graph_builder.add_node("chatbot", chatbot)

# 定义入口和出口点
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

# 编译图
graph = graph_builder.compile()
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.

3. 高级技巧：工具集成

通过将工具集成到LangGraph聊天机器人中，可以显著增强其能力。例如，我们可以添加一个工具来搜索网络信息：

from langchain_community.tools.tavily_search import TavilySearchResults

# 创建工具实例
tool = TavilySearchResults(max_results=2)

# 将工具绑定到LLM
llm_with_tools = llm.bind_tools([tool])

# 添加工具节点
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)

# 添加条件边
graph_builder.add_conditional_edges("chatbot", tools_condition)
graph_builder.add_edge("tools", "chatbot")
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

4. 添加记忆功能

LangGraph的检查点系统可以为聊天机器人添加记忆功能，使其能够记住过去的对话：

from langgraph.checkpoint.memory import MemorySaver

# 创建记忆检查点
memory = MemorySaver()

# 编译图时传入检查点对象
graph = graph_builder.compile(checkpointer=memory)
1.
2.
3.
4.
5.
6.
7.

5. 人类在循环中（Human-in-the-Loop）

在某些情况下，你可能希望在AI应用中加入人类的监督、验证或决策。LangGraph通过中断机制支持人类在循环中的工作流：

# 在工具执行前中断
graph = graph_builder.compile(interrupt_before=["tools"])
1.
2.

六、LangGraph的现实应用场景

LangGraph不仅可以用于简单的聊天机器人，还可以构建更复杂、更具交互性的AI系统。以下是一些可能的应用场景：

1. 智能客户服务：一个能够记住用户过去订单和偏好的在线购物聊天机器人，可以回答产品问题、跟踪物流，甚至在需要时连接人工客服。
2. AI研究助手：帮助研究人员搜索大量学术论文和文章，总结关键发现，并协助整理笔记。
3. 个性化学习平台：根据用户的学习风格和需求，提供定制化的学习资源和辅导。
4. 企业流程自动化：自动化企业工作流程，如文档审批、数据分析和项目管理。

七、总结

智能体框架正在彻底改变AI系统的工作方式，让AI能够自主推理、规划和动态互动。通过LangGraph、LangChain、CrewAI等框架，开发者可以构建出更智能、更高效、更具适应性的AI应用。

无论你是开发聊天机器人、自动化工具还是研究助手，这些框架都提供了构建下一代智能应用的基石。AI的未来是自主的、结构化的、交互式的，而智能体框架正是引领这一未来的先锋力量。现在，正是开始探索、构建和创新的最佳时机！

本文转载自公众号Halo咯咯    作者：基咯咯

原文链接：​​https://mp.weixin.qq.com/s/R8ohitLSUNv_02gF6G8_CA​​