1.1 什么是智能体（Agent）？
用一句大白话说：智能体 = 一个能自己思考、自己决定下一步做什么的 AI 程序。
我们来做一个对比：
普通 ChatGPT 对话 智能体（Agent）
交互方式 你问一句，它答一句 你给一个目标，它自己拆解、执行
能否使用工具 ❌ 不能（纯文本） ✅ 能搜索、写代码、调API
有没有记忆 仅当前对话 可以有长期记忆
能否自主决策 ❌ 被动回答 ✅ 主动规划下一步
1.2 一个生活化的比喻
想象你请了一个私人管家：
GPT plus 代充 只需 145 你说："帮我安排一次周末北京两日游" 管家的思考过程： 1. 樂 思考：需要查天气、查景点、查酒店、查交通 2. 行动：先查周末北京天气 → 晴天 25°C 3. 樂 思考：天气不错，适合户外景点 4. 行动：搜索热门户外景点 → 故宫、颐和园... 5. 樂 思考：需要订酒店 6. 行动：在平台上搜索并预订酒店 7. 输出：完整的两日**程单
这个管家，就是一个 Agent！
2.1 Agent 的四大核心组件
┌─────────────────────────────────────────────┐ │ Agent 智能体 │ │ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │ 易 大脑 │ │ ️ 技能 │ │ 记忆 │ │ │ │ (LLM) │ │(Skills) │ │(Memory) │ │ │ └────┬────┘ └────┬────┘ └────┬────┘ │ │ │ │ │ │ │ └────────┬───┘────────────┘ │ │ │ │ │ ┌──────▼──────┐ │ │ │ 规划能力 │ │ │ │ (Planning) │ │ │ └─────────────┘ │ └─────────────────────────────────────────────┘
组件 作用 类比
易 LLM（大脑） 理解、推理、决策 管家的大脑
️ Skills/Tools（技能/工具） 执行具体操作 管家会用的各种工具
Memory（记忆） 记住历史信息 管家的笔记本
Planning（规划） 拆解任务、制定计划 管家的规划能力
3.1 什么是 Skill？
Skill = Agent 能调用的一个具体能力/工具
就像一个人可以有很多技能：会做饭、会开车、会写代码。Agent 的 Skill 就是它能做的具体事情。
3.2 常见的 Skill 类型
GPT plus 代充 只需 145 # 伪代码展示 Skill 的概念 # Skill 1: 搜索引擎 def web_search(query: str) -> str: """在互联网上搜索信息""" return search_engine.search(query) # Skill 2: 执行代码 def run_code(code: str) -> str: """执行 Python 代码并返回结果""" return execute(code) # Skill 3: 读写文件 def read_file(path: str) -> str: """读取文件内容""" return open(path).read() # Skill 4: 发送邮件 def send_email(to: str, subject: str, body: str) -> bool: """发送邮件""" return email_client.send(to, subject, body) # Skill 5: 数据库查询 def query_database(sql: str) -> list: """执行 SQL 查询""" return db.execute(sql)
3.3 Skill 是怎么被调用的？
这就是著名的 ReAct（Reasoning + Acting） 模式：
用户: "帮我查一下特斯拉今天的股价，然后算一下如果买100股要多少钱" Agent 思考过程: ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 樂 Thought 1: 我需要先查特斯拉的股价 Action 1: web_search("特斯拉 今日股价") Result 1: 特斯拉(TSLA) 当前股价: $248.50 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 樂 Thought 2: 股价是 $248.50，我需要计算 100 股的总价 Action 2: run_code("print(248.50 * 100)") Result 2: 24850.0 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 樂 Thought 3: 我已经有了所有信息，可以回答了 Answer: 特斯拉今日股价 $248.50，买100股需要 $24,850。
4.1 LLM 是怎么知道该调用什么工具的？
核心机制叫 Function Calling。我们告诉 LLM 有哪些工具可用，LLM 自己决定调不调、怎么调。
GPT plus 代充 只需 145 import openai # 第一步：定义你的工具（Skills） tools = [ }, "required": ["city"] } } } ] # 第二步：把工具列表一起发给 LLM response = openai.chat.completions.create( model="gpt-4", messages=[{"role": "user", "content": "北京今天天气怎么样？"}], tools=tools # 告诉LLM你有这些工具 ) # 第三步：LLM 会返回它想调用的函数和参数 # response 类似: # ' # } # }] # } # 第四步：你在代码里真正执行这个函数，把结果返回给 LLM # 第五步：LLM 根据结果生成最终回答
流程图：
用户提问 ──→ LLM + 工具描述 ──→ LLM决定调用哪个工具 │ ▼ 最终回答 ◀── LLM整合结果 ◀── 你的代码执行工具并返回结果
5.1 三种记忆类型
GPT plus 代充 只需 145 ┌─────────────────────────────────────────────────────┐ │ 记忆系统 │ │ │ │ 短期记忆 长期记忆 工作记忆 │ │ (Short-term) (Long-term) (Working) │ │ │ │ 当前对话的 跨对话持久化的 当前任务正在 │ │ 上下文信息 知识和经验 处理的信息 │ │ │ │ 实现：对话历史 实现：向量数据库 实现：暂存区 │ │ 如 message list 如 ChromaDB 如 scratchpad │ └─────────────────────────────────────────────────────┘
5.2 简单示例
# 短期记忆：就是对话历史 short_term_memory = [ {"role": "user", "content": "我叫小明"}, {"role": "assistant", "content": "你好小明！"}, {"role": "user", "content": "我刚才说我叫什么？"}, # Agent 可以回看上面的对话 → "你叫小明" ] # 长期记忆：通常用向量数据库存储 # 比如用户上个月说过 "我喜欢吃川菜" # Agent 下次推荐餐厅时可以检索到这个偏好
6.1 常见的规划策略
GPT plus 代充 只需 145 ┌──────────────────────────────────────────────┐ │ 规划策略 │ ├──────────────────────────────────────────────┤ │ │ │ 1️⃣ ReAct（边想边做） │ │ 思考 → 行动 → 观察 → 思考 → 行动 → ... │ │ 特点：一步一步来，灵活应变 │ │ │ │ 2️⃣ Plan-and-Execute（先规划后执行） │ │ 先列出完整计划 → 逐步执行 → 必要时调整 │ │ 特点：有全局视野，适合复杂任务 │ │ │ │ 3️⃣ Reflexion（反思型） │ │ 执行 → 检查结果 → 反思不足 → 改进重试 │ │ 特点：能从错误中学习 │ │ │ └──────────────────────────────────────────────┘
现在进入重点——主流框架！我按从简单到复杂的顺序介绍。
7.1 列 LangChain — 最经典的入门框架
定位：AI 应用开发的"瑞士军刀"，功能最全面
核心概念图：
LangChain 生态 ├── Chains（链） —— 把多个步骤串起来 ├── 烙 Agents（智能体） —— 让 LLM 自主决策调用工具 ├── ️ Tools（工具） —— 搜索、计算、API调用等 ├── Memory（记忆） —— 对话历史、长期记忆 ├── Retrievers（检索器）—— RAG 检索增强生成 └── Output Parsers —— 结构化输出
入门示例：创建一个能搜索的 Agent
GPT plus 代充 只需 145 # pip install langchain langchain-openai langchain-community from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate from langchain_community.tools import DuckDuckGoSearchRun # 1. 准备 LLM llm = ChatOpenAI(model="gpt-4", temperature=0) # 2. 准备工具 search = DuckDuckGoSearchRun() tools = [search] # 3. 准备提示词 prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个有用的助手，可以搜索互联网获取信息。"), ("human", "{input}"), ("placeholder", "{agent_scratchpad}") # Agent 的工作记忆 ]) # 4. 创建 Agent agent = create_tool_calling_agent(llm, tools, prompt) # 5. 创建执行器（负责循环执行 思考→行动→观察） agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 6. 运行！ result = agent_executor.invoke({"input": "2024年诺贝尔物理学奖颁给了谁？"}) print(result["output"])
运行效果（verbose=True 能看到思考过程）：
> Entering new AgentExecutor chain... Thought: 我需要搜索一下这个信息 Action: duckduckgo_search Action Input: "2024 Nobel Prize Physics winner" Observation: The 2024 Nobel Prize in Physics was awarded to John Hopfield and Geoffrey Hinton... Thought: 我现在知道答案了 Final Answer: 2024年诺贝尔物理学奖授予了 John Hopfield 和 Geoffrey Hinton， 以表彰他们在机器学习领域的基础性发现... > Finished chain.
LangChain 优缺点：
✅ 优点 ❌ 缺点 生态最丰富，集成最多 抽象层过多，代码有时很绕 文档全面，社区活跃 版本更新快，API经常变 适合快速原型 复杂场景下调试困难
7.2 里 LangGraph — 复杂工作流的利器
定位：LangChain 团队出品，用图（Graph）来编排复杂的 Agent 工作流
为什么需要 LangGraph？
GPT plus 代充 只需 145 简单任务 → LangChain 的线性 Chain 就够了 A → B → C → 结束 复杂任务 → 需要循环、分支、并行、人工介入 A → B → 判断 → 成功 → D → 结束 → 失败 → C → 回到B重试 → 不确定 → 等人工确认 → ...
核心概念：
LangGraph 三要素： ├── Nodes（节点） —— 每个节点是一个处理步骤 ├── ➡️ Edges（边） —— 节点之间的连接/流转规则 └── State（状态） —— 在节点间传递的共享数据
示例：一个带"反思"能力的写作 Agent
GPT plus 代充 只需 145 # pip install langgraph langchain-openai from typing import TypedDict, Annotated from langgraph.graph import StateGraph, START, END from langchain_openai import ChatOpenAI llm = ChatOpenAI(model="gpt-4") # 1. 定义状态（节点间共享的数据） class State(TypedDict): topic: str # 写作主题 draft: str # 草稿 feedback: str # 反馈意见 final_article: str # 最终文章 revision_count: int # 修改次数 # 2. 定义节点（每个节点是一个函数） def write_draft(state: State) -> dict: """写初稿""" response = llm.invoke(f"请写一篇关于'{state['topic']}'的短文") return def review(state: State) -> dict: """审稿，给出改进建议""" response = llm.invoke( f"请审阅以下文章并给出具体改进建议： {state['draft']}" ) return {"feedback": response.content} def revise(state: State) -> dict: """根据反馈修改""" response = llm.invoke( f"原文： {state['draft']} 修改建议： {state['feedback']} 请修改文章" ) return { "draft": response.content, "revision_count": state["revision_count"] + 1 } def finalize(state: State) -> dict: """定稿""" return {"final_article": state["draft"]} # 3. 定义路由（判断下一步去哪） def should_revise(state: State) -> str: if state["revision_count"] >= 2: # 最多修改2次 return "finalize" return "revise" # 4. 构建图 graph = StateGraph(State) # 添加节点 graph.add_node("write", write_draft) graph.add_node("review", review) graph.add_node("revise", revise) graph.add_node("finalize", finalize) # 添加边（流转规则） graph.add_edge(START, "write") # 开始 → 写草稿 graph.add_edge("write", "review") # 写草稿 → 审稿 graph.add_conditional_edges( # 审稿后 → 条件判断 "review", should_revise, {"revise": "revise", "finalize": "finalize"} ) graph.add_edge("revise", "review") # 修改后 → 再审稿（循环！） graph.add_edge("finalize", END) # 定稿 → 结束 # 5. 编译并运行 app = graph.compile() result = app.invoke({"topic": "人工智能的未来", "revision_count": 0}) print(result["final_article"])
流程可视化：
START → [写草稿] → [审稿] → 需要修改？ ──是──→ [修改] ──→ [审稿]（循环） │ 否（或已改2次） │ ▼ [定稿] → END
7.3 CrewAI — 多智能体协作框架
定位：让多个 Agent 像一个团队一样协作完成任务
核心思想：模拟一个真实团队
GPT plus 代充 只需 145 CrewAI 核心概念： ├── Agent（智能体） —— 团队中的每个"人"，有角色和技能 ├── Task（任务） —— 需要完成的具体工作 ├── Crew（团队） —— 一群Agent组成的团队 └── Process（流程） —— 团队的协作方式（顺序/层级）
示例：一个"内容创作团队"
# pip install crewai crewai-tools from crewai import Agent, Task, Crew, Process from crewai_tools import SerperDevTool search_tool = SerperDevTool() # 搜索工具 # ======== 定义团队成员 ======== # 成员1：研究员 researcher = Agent( role="资深研究员", goal="深入研究给定主题，找到最新、最准确的信息", backstory="你是一位经验丰富的研究员，擅长从海量信息中提取关键洞察。", tools=[search_tool], verbose=True ) # 成员2：作家 writer = Agent( role="内容作家", goal="基于研究结果，撰写引人入胜的文章", backstory="你是一位才华横溢的作家，擅长将复杂话题写得通俗易懂。", verbose=True ) # 成员3：编辑 editor = Agent( role="总编辑", goal="审阅文章，确保质量和准确性", backstory="你是一位严格的编辑，有20年出版经验。", verbose=True ) # ======== 定义任务 ======== research_task = Task( description="研究'2024年AI Agent发展趋势'，收集关键数据和观点", expected_output="一份包含关键发现的研究报告", agent=researcher # 分配给研究员 ) writing_task = Task( description="基于研究报告，写一篇1500字的深度文章", expected_output="一篇结构清晰、内容丰富的文章", agent=writer, # 分配给作家 context=[research_task] # 依赖研究任务的输出 ) editing_task = Task( description="审阅并优化文章，确保事实准确、逻辑通顺", expected_output="最终定稿的文章", agent=editor, context=[writing_task] ) # ======== 组建团队 ======== crew = Crew( agents=[researcher, writer, editor], tasks=[research_task, writing_task, editing_task], process=Process.sequential, # 顺序执行：研究 → 写作 → 编辑 verbose=True ) # ======== 开干！ ======== result = crew.kickoff() print(result)
执行流程：
GPT plus 代充 只需 145 研究员开始工作... ├── 搜索 "AI Agent 2024 trends" ├── 搜索 "AI Agent frameworks comparison" └── 输出：研究报告 ✅ 作家开始工作...（接收研究报告） ├── 阅读研究报告 ├── 构思文章结构 └── 输出：1500字文章 ✅ ✏️ 编辑开始工作...（接收文章） ├── 审查事实准确性 ├── 优化语言表达 └── 输出：最终定稿 ✅
7.4 框架全面对比
复杂度 ──────────────────────→ 简单 复杂 单Agent: LangChain ────→ LangGraph │ 多Agent: CrewAI ─────┤ │ 企业级: AutoGen ──────┘ ┌─────────────────────────────────────────────────────┐ │ 框架 适合场景 学习曲线 Stars │ ├─────────────────────────────────────────────────────┤ │ LangChain 通用AI应用开发 ⭐⭐⭐ 95k+ │ │ LangGraph 复杂工作流/状态管理 ⭐⭐⭐⭐ 8k+ │ │ CrewAI 多Agent角色扮演协作 ⭐⭐ 25k+ │ │ AutoGen 多Agent对话/研究 ⭐⭐⭐⭐ 35k+ │ │ Dify 低代码/可视化搭建 ⭐ 55k+ │ │ Coze 零代码/快速搭建 ⭐ - │ └─────────────────────────────────────────────────────┘
7.5 AutoGen（微软）— 多智能体对话
定位：通过 Agent 之间的多轮对话来协作解决问题
GPT plus 代充 只需 145 # pip install autogen-agentchat from autogen import AssistantAgent, UserProxyAgent # 创建一个AI助手 assistant = AssistantAgent( name="AI助手", llm_config={"model": "gpt-4"} ) # 创建一个代理用户（可以自动执行代码） user_proxy = UserProxyAgent( name="用户代理", human_input_mode="NEVER", # 不需要人工输入 code_execution_config={"work_dir": "coding"} # 可以执行代码 ) # 发起对话 —— 两个Agent会自动来回对话直到完成 user_proxy.initiate_chat( assistant, message="用Python画一个2024年各季度GDP增长率的折线图" ) # AI助手会写代码 → 用户代理自动执行 → 如果报错 → AI助手修改 → 再执行...
7.6 Dify — 低代码可视化平台
定位：不太想写代码？拖拽式搭建 Agent 和 AI 工作流
Dify 的特点： ┌─────────────────────────────────────────┐ │ ️ 可视化拖拽编排工作流 │ │ 内置 RAG 知识库管理 │ │ 丰富的模型接入（OpenAI/Claude/本地） │ │ 内置监控和日志 │ │ 支持 Docker 私有化部署 │ └─────────────────────────────────────────┘ 适合： ✅ 快速搭建原型 ✅ 非技术人员使用 ✅ 企业内部AI应用
GPT plus 代充 只需 145 阶段一：打基础（1-2周） ━━━━━━━━━━━━━━━━━━━━ 理解 LLM 基本原理 学会调用 OpenAI API 理解 Prompt Engineering 实践：写一个简单的对话机器人 阶段二：入门 Agent（2-3周） ━━━━━━━━━━━━━━━━━━━━━━━ 理解 Function Calling 理解 ReAct 模式 学习 LangChain 基础 实践：做一个能搜索+计算的 Agent 阶段三：进阶（3-4周） ━━━━━━━━━━━━━━━━━━━━ 学习 LangGraph 构建复杂工作流 学习 RAG（检索增强生成） 理解记忆系统 实践：做一个能查询知识库的客服 Agent 阶段四：高级（4-6周） ━━━━━━━━━━━━━━━━━━━━ 学习多 Agent 协作（CrewAI / AutoGen） 学习 Agent 评估和优化 学习部署和监控 实践：做一个多Agent协作的完整项目
最后，我们用最少的代码做一个"个人研究助手"：
""" 个人研究助手 Agent 功能：搜索信息 + 执行代码 + 综合分析 """ from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_tool_calling_agent from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_community.tools import DuckDuckGoSearchRun from langchain_core.tools import tool from langchain.memory import ConversationBufferMemory # ====== 1. 定义工具/技能 ====== @tool def calculate(expression: str) -> str: """计算数学表达式。输入一个Python数学表达式字符串。""" try: result = eval(expression) # 生产环境请用安全的沙箱 return str(result) except Exception as e: return f"计算错误: {e}" @tool def search_web(query: str) -> str: """在互联网上搜索信息。输入搜索关键词。""" search = DuckDuckGoSearchRun() return search.run(query) tools = [calculate, search_web] # ====== 2. 设置 LLM ====== llm = ChatOpenAI(model="gpt-4", temperature=0) # ====== 3. 设置记忆 ====== memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True ) # ====== 4. 设置提示词 ====== prompt = ChatPromptTemplate.from_messages([ ("system", """你是一个专业的研究助手。你可以： 1. 搜索互联网获取最新信息 2. 进行数学计算 请用中文回答，条理清晰，注明信息来源。"""), MessagesPlaceholder(variable_name="chat_history"), ("human", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) # ====== 5. 组装 Agent ====== agent = create_tool_calling_agent(llm, tools, prompt) agent_executor = AgentExecutor( agent=agent, tools=tools, memory=memory, verbose=True, # 显示思考过程 max_iterations=5 # 最多执行5轮 ) # ====== 6. 交互式对话 ====== print("烙 研究助手已就绪！输入 'quit' 退出。 ") while True: user_input = input("你: ") if user_input.lower() == 'quit': break response = agent_executor.invoke({"input": user_input}) print(f" 烙 助手: {response['output']} ")
GPT plus 代充 只需 145 ┌──────────────────────────────────────────────┐ │ 核心知识点总结 │ ├──────────────────────────────────────────────┤ │ │ │ 烙 Agent = LLM + Tools + Memory + Planning │ │ │ │ ️ Skills/Tools = Agent 能调用的具体能力 │ │ │ │ Function Calling = LLM 调用工具的机制 │ │ │ │ ReAct = 思考→行动→观察 的循环模式 │ │ │ │ ️ 框架选择： │ │ 简单任务 → LangChain │ │ 复杂流程 → LangGraph │ │ 多Agent → CrewAI / AutoGen │ │ 低代码 → Dify / Coze │ │ │ └──────────────────────────────────────────────┘
💡 最重要的建议：从最简单的 Function Calling 开始动手，然后逐步尝试各个框架。理论看再多，不如写一个能跑的 Agent 收获大。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/236820.html