{ "metadata": { "id": "appendixA", "title": "附录A：Agent框架对比", "volume": "vol6", "volume_title": "附录", "word_count": 7441, "difficulty": "beginner", "prerequisites": [], "key_concepts": [ "A.1 概述", "A.1.1 框架分类", "A.2 框架详细分析", "A.2.1 LangChain", "A.2.2 LangGraph", "A.2.3 AutoGen", "A.2.4 CrewAI", "A.2.5 edict", "A.2.6 Semantic Kernel", "A.2.7 Dify", "A.2.8 Coze", "A.3 综合对比", "A.3.1 功能覆盖对比", "A.3.2 技术特性对比", "A.3.3 社区与生态" ], "learning_objectives": [], "estimated_tokens": 4465, "source_file": "vol6/appendixA_Agent框架对比.md" }, "overview": "", "sections": [ { "id": "A.1 概述", "title": "A.1 概述", "level": 2, "content": "AI Agent开发框架在过去两年经历了爆发式增长。从最初的简单LLM调用封装，到如今支持多Agent协作、复杂工作流编排、工具调用、记忆管理等高级特性，框架的能力边界不断扩展。然而，框架的多样性和快速迭代也给开发者带来了选型难题。\n\n本附录对当前最主流的8个Agent开发框架进行系统化对比，旨在帮助你在项目初期做出明智的技术选型决策。", "subsections": [ { "id": "A.1.1 框架分类", "title": "A.1.1 框架分类", "content": "根据设计哲学和目标用户，可以将这些框架分为三大类：\n\n| 类别 | 框架 | 特点 |\n|------|------|------|\n| **代码优先** | LangChain, LangGraph, AutoGen, CrewAI, edict | 面向开发者，灵活性高，适合复杂场景 |\n| **企业集成** | Semantic Kernel | 与微软生态深度整合，面向企业开发者 |\n| **低代码/平台** | Dify, Coze | 可视化编排，适合非开发者和快速搭建 |\n\n---" } ] }, { "id": "A.2 框架详细分析", "title": "A.2 框架详细分析", "level": 2, "content": "", "subsections": [ { "id": "A.2.1 LangChain", "title": "A.2.1 LangChain", "content": "**定位**：最广泛使用的LLM应用开发框架\n\nLangChain 是目前社区最活跃、生态最丰富的LLM开发框架。它提供了一套标准化的抽象层，将LLM、工具、记忆、检索等组件模块化，让开发者可以像搭积木一样构建复杂的AI应用。\n\n**核心优势**：\n\n- **生态最丰富**：200+ 集成组件（称为 \"Chains\"），覆盖几乎所有主流LLM提供商、向量数据库、工具API\n- **学习资源充足**：大量教程、示例代码、社区解答\n- **模块化设计**：LangExpression (LCEL) 提供了声明式的链式调用语法\n- **LangSmith集成**：内置的可观测性和调试平台\n\n**核心劣势**：\n\n- **抽象层次过多**：简单的LLM调用也可能需要多层封装，\"简单的事情变复杂\"\n- **API稳定性**：版本迭代频繁，API经常发生breaking changes\n- **性能开销**：多层抽象带来一定的运行时开销\n- **调试困难**：抽象层使得问题定位有时不够直观\n\n\n**适用场景**：\n- 需要快速集成多种LLM和工具的项目\n- 团队对LangChain已有经验\n- 需要丰富的社区组件支持\n\n---" }, { "id": "A.2.2 LangGraph", "title": "A.2.2 LangGraph", "content": "**定位**：基于图结构的有状态Agent工作流框架\n\nLangGraph 是 LangChain 团队推出的新一代框架，专门解决复杂、有状态的多步Agent编排问题。它使用有向图（DAG）来建模Agent的工作流，支持循环、条件分支、人机协作等高级模式。\n\n**核心优势**：\n\n- **图结构编排**：用节点和边来建模复杂工作流，逻辑清晰\n- **原生状态管理**：内置 `StateGraph`，支持检查点（checkpoint）和恢复\n- **人机协作**：内置 `interrupt` 机制，支持人工审批和介入\n- **持久化**：支持内存、SQLite、PostgreSQL等多种后端\n- **LangSmith深度集成**：完整的可视化调试和监控\n\n**核心劣势**：\n\n- **学习曲线陡峭**：图思维模式需要一定适应期\n- **与LangChain绑定**：底层仍依赖LangChain的抽象，独立使用较难\n- **社区生态尚在建设**：相比LangChain，第三方组件和教程较少\n\n\n**适用场景**：\n- 需要复杂条件分支和循环的Agent工作流\n- 需要状态持久化和恢复能力\n- 需要人机协作（审批、介入）的场景\n\n---" }, { "id": "A.2.3 AutoGen", "title": "A.2.3 AutoGen", "content": "**定位**：微软推出的多Agent对话框架\n\nAutoGen（Auto Generation）是微软研究院开发的框架，专注于多Agent之间的对话和协作。它让开发者可以定义多个具有不同角色和能力的Agent，通过结构化对话来协作完成复杂任务。\n\n**核心优势**：\n\n- **多Agent原生支持**：框架核心设计就是围绕多Agent协作\n- **人机协作**：内置 `UserProxyAgent`，支持人在回路中\n- **灵活的对话模式**：支持群聊、两人对话、嵌套对话等多种模式\n- **代码执行**：内置代码沙箱，Agent可以编写并执行代码\n- **微软生态**：与Azure、Semantic Kernel深度集成\n\n**核心劣势**：\n\n- **对话为中心**：非对话式的工作流需要额外适配\n- **调试复杂**：多Agent对话链路长，问题定位困难\n- **状态管理**：相比LangGraph，持久化和恢复能力较弱\n- **性能开销**：多Agent协作的通信开销较大\n\n\n**适用场景**：\n- 需要多个Agent角色协作的复杂任务\n- 代码生成+执行+审查的场景\n- 研究和原型验证\n\n---" }, { "id": "A.2.4 CrewAI", "title": "A.2.4 CrewAI", "content": "**定位**：角色驱动的多Agent协作框架\n\nCrewAI 采用了独特的\"角色驱动\"设计理念。每个Agent被赋予一个明确的角色（如\"研究员\"、\"写作者\"、\"分析师\"），Agent之间通过任务（Task）和流程（Process）进行协作。这种设计让多Agent系统的编排更接近真实世界的团队组织。\n\n**核心优势**：\n\n- **角色驱动**：Agent定义直观，接近自然语言描述\n- **流程控制**：支持串行（Sequential）和层级（Hierarchical）两种编排模式\n- **任务分解**：天然支持复杂任务的分解和分配\n- **上手简单**：API设计简洁，学习成本低\n- **CrewAI+**：提供托管平台，支持一键部署\n\n**核心劣势**：\n\n- **灵活性有限**：预定义的流程模式可能不够灵活\n- **状态管理弱**：缺乏LangGraph级别的状态持久化\n- **社区规模较小**：相比LangChain，社区和生态较小\n- **调试工具**：可观测性和调试能力有待完善\n\n\n**适用场景**：\n- 内容生成（研究+写作+审核）\n- 多角色协作的任务流水线\n- 快速构建多Agent原型\n\n---" }, { "id": "A.2.5 edict", "title": "A.2.5 edict", "content": "**定位**：面向生产级Agent应用的轻量级框架\n\nedict 是一个以\"三省六部\"架构为灵感设计的Agent框架，强调模块化和可扩展性。它在设计上追求简洁高效，避免过度抽象，同时提供足够的灵活性来构建生产级Agent系统。\n\n**核心优势**：\n\n- **模块化架构**：核心概念清晰——Agent、Tool、Memory、Channel、Provider\n- **轻量高效**：最小依赖，低延迟，适合对性能敏感的场景\n- **生产就绪**：内置JWT认证、审计日志、速率限制等企业级功能\n- **Rust后端**：高性能异步处理，天然支持高并发\n- **灵活部署**：支持Docker单容器部署和Kubernetes编排\n\n**核心劣势**：\n\n- **社区规模**：相比LangChain，社区和文档资源较少\n- **生态集成**：第三方组件集成数量有限\n- **学习资源**：教程和示例较少\n- **语言门槛**：部分核心代码使用Rust编写，定制需要Rust技能\n\n\n**适用场景**：\n- 对性能和延迟敏感的生产环境\n- 需要细粒度控制Agent行为\n- 微服务架构中的Agent服务\n- 需要Rust级别性能的场景\n\n---" }, { "id": "A.2.6 Semantic Kerne", "title": "A.2.6 Semantic Kernel", "content": "**定位**：微软官方的企业级AI编排框架\n\nSemantic Kernel（SK）是微软推出的企业级AI编排框架，与Azure AI生态深度集成。它的设计哲学是\"AI的OR-Mapper\"——提供统一的抽象层，屏蔽不同LLM提供商的差异。\n\n**核心优势**：\n\n- **微软生态**：与Azure OpenAI、Microsoft 365、Copilot Studio无缝集成\n- **多语言支持**：C#、Python、Java 三种SDK\n- **Planner系统**：内置任务规划器（Sequential/Stepwise/Handlebars）\n- **企业级特性**：依赖注入、日志记录、遥测、配置管理\n- **Prompt工程**：支持Handlebars和Liquid模板语法\n\n**核心劣势**：\n\n- **Azure绑定**：虽然支持OpenAI，但与Azure的集成最深\n- **设计偏重**：企业级设计带来了一定的复杂度\n- **社区活跃度**：相比LangChain，开源社区活跃度较低\n- **灵活性**：某些设计决策偏向微软生态，通用性稍弱\n\n\n**适用场景**：\n- 微软技术栈的企业项目\n- 需要.NET/Java/Python多语言支持\n- 与Azure服务深度集成的场景\n- 企业级AI应用开发\n\n---" }, { "id": "A.2.7 Dify", "title": "A.2.7 Dify", "content": "**定位**：开源的LLM应用开发平台\n\nDify 是一个开源的LLM应用开发平台，提供可视化的工作流编排、RAG管道构建、Agent创建等功能。它的核心价值在于降低了AI应用的开发门槛，让非开发者也能构建AI应用。\n\n**核心优势**：\n\n- **可视化编排**：拖拽式的工作流设计器，直观易用\n- **RAG引擎**：内置完善的RAG管道，支持多种文档格式\n- **一键部署**：Docker Compose 一键启动，开箱即用\n- **多模型支持**：支持几乎所有主流LLM提供商\n- **开源免费**：社区版完全免费，可自行部署\n\n**核心劣势**：\n\n- **灵活性受限**：可视化编排无法覆盖所有自定义需求\n- **性能开销**：平台层引入额外的延迟和资源消耗\n- **定制困难**：深度定制需要修改源码\n- **规模限制**：大规模高并发场景需要额外优化\n\n\n**适用场景**：\n- 快速构建AI应用原型\n- 非开发者的AI应用搭建\n- 中小规模的AI客服、知识库问答\n- 需要可视化管理的AI应用\n\n---" }, { "id": "A.2.8 Coze", "title": "A.2.8 Coze", "content": "**定位**：字节跳动推出的AI Bot开发平台\n\nCoze（扣子）是字节跳动推出的AI Bot开发平台，提供可视化的Bot构建、工作流编排、插件市场等功能。与Dify类似，Coze也追求降低AI应用的开发门槛，但更侧重于社交和内容创作场景。\n\n**核心优势**：\n\n- **字节生态**：与飞书、抖音等字节产品深度集成\n- **插件市场**：丰富的预置插件和组件\n- **知识库**：内置文档上传和知识库管理\n- **多渠道发布**：支持飞书、微信、Web等多渠道部署\n- **免费额度**：提供一定的免费使用额度\n\n**核心劣势**：\n\n- **平台锁定**：深度依赖Coze平台，迁移成本高\n- **定制限制**：平台内的定制能力有限\n- **数据隐私**：数据存储在平台方，企业敏感数据需谨慎\n- **开源限制**：核心平台不开源\n\n**适用场景**：\n- 字节生态内的Bot开发\n- 内容创作和社交场景的AI应用\n- 快速验证Bot想法\n\n---" } ] }, { "id": "A.3 综合对比", "title": "A.3 综合对比", "level": 2, "content": "", "subsections": [ { "id": "A.3.1 功能覆盖对比", "title": "A.3.1 功能覆盖对比", "content": "| 功能 | LangChain | LangGraph | AutoGen | CrewAI | edict | Semantic Kernel | Dify | Coze |\n|------|-----------|-----------|---------|--------|-------|----------------|------|------|\n| 单Agent编排 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |\n| 多Agent协作 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |\n| 工具调用 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |\n| 记忆管理 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |\n| RAG集成 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |\n| 代码执行 | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |\n| 可视化编排 | ⭐⭐ | ⭐⭐⭐ | ⭐ | ⭐ | ⭐ | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |\n| 人机协作 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |\n\n> ⭐ 数量表示能力评级：1-5星，5星为最强" }, { "id": "A.3.2 技术特性对比", "title": "A.3.2 技术特性对比", "content": "| 特性 | LangChain | LangGraph | AutoGen | CrewAI | edict | Semantic Kernel | Dify | Coze |\n|------|-----------|-----------|---------|--------|-------|----------------|------|------|\n| **主要语言** | Python/JS | Python | Python | Python | Rust/Python | C#/Python/Java | Python | 平台 |\n| **许可证** | MIT | MIT | MIT | MIT | 自定义 | MIT | Apache 2.0 | 商业 |\n| **最低LLM要求** | GPT-3.5 | GPT-3.5 | GPT-3.5 | GPT-3.5 | GPT-3.5 | GPT-3.5 | GPT-3.5 | 平台 |\n| **离线部署** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ❌ |\n| **异步支持** | ✅ | ✅ | ⚠️ | ⚠️ | ✅ | ✅ | ⚠️ | N/A |\n| **流式输出** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |\n| **多模态** | ✅ | ✅ | ✅ | ⚠️ | ✅ | ✅ | ✅ | ✅ |" }, { "id": "A.3.3 社区与生态", "title": "A.3.3 社区与生态", "content": "| 指标 | LangChain | LangGraph | AutoGen | CrewAI | edict | Semantic Kernel | Dify | Coze |\n|------|-----------|-----------|---------|--------|-------|----------------|------|------|\n| **GitHub Stars** | 95K+ | 12K+ | 40K+ | 30K+ | 2K+ | 22K+ | 55K+ | N/A |\n| **NPM/PyPI下载** | 20M+/月 | 2M+/月 | 5M+/月 | 3M+/月 | 50K+/月 | 3M+/月 | N/A | N/A |\n| **贡献者** | 3000+ | 200+ | 500+ | 300+ | 50+ | 500+ | 500+ | N/A |\n| **Stack Overflow** | 50K+ | 5K+ | 10K+ | 3K+ | 100+ | 8K+ | 5K+ | N/A |\n| **更新频率** | 每日 | 每周 | 每周 | 每周 | 每月 | 每周 | 每周 | 平台 |\n\n> 📊 数据截至2025年第四季度，仅供参考" }, { "id": "A.3.4 性能基准", "title": "A.3.4 性能基准", "content": "以下基准测试在相同硬件环境下（4 vCPU, 16GB RAM, GPT-4o API）进行：\n\n| 场景 | LangChain | LangGraph | AutoGen | CrewAI | edict |\n|------|-----------|-----------|---------|--------|-------|\n| **简单问答（单轮）** | 1.2s | 1.3s | 1.5s | 1.1s | 0.8s |\n| **带工具调用** | 2.8s | 2.9s | 3.5s | 3.0s | 2.1s |\n| **RAG检索+生成** | 3.5s | 3.6s | 4.0s | 3.8s | 2.8s |\n| **多Agent协作（3轮）** | N/A | 8.5s | 10.2s | 7.5s | 6.2s |\n| **冷启动时间** | 2.1s | 2.5s | 3.0s | 1.8s | 0.5s |\n| **内存占用（空闲）** | 180MB | 200MB | 250MB | 150MB | 45MB |\n\n> 📊 延迟不包含LLM API调用时间，仅框架自身开销。edict的Rust后端在延迟和内存方面具有明显优势。\n\n---" } ] }, { "id": "A.4 选型决策指南", "title": "A.4 选型决策指南", "level": 2, "content": "", "subsections": [ { "id": "A.4.1 决策树", "title": "A.4.1 决策树", "content": "" }, { "id": "A.4.2 场景推荐矩阵", "title": "A.4.2 场景推荐矩阵", "content": "| 场景 | 首选 | 次选 | 不推荐 |\n|------|------|------|--------|\n| **个人开发者快速验证** | LangChain | CrewAI | Semantic Kernel |\n| **创业公司MVP** | LangChain | Dify | edict（运维成本高） |\n| **企业内部工具** | Semantic Kernel | LangChain | Coze（数据安全） |\n| **大规模客服系统** | edict | LangGraph | CrewAI |\n| **研究论文复现** | AutoGen | LangGraph | Coze |\n| **内容生成平台** | CrewAI | LangChain | edict（非核心优势） |\n| **代码助手/IDE插件** | LangChain | edict | Dify（延迟高） |\n| **数据分析Agent** | LangGraph | AutoGen | Coze（灵活性低） |\n| **教育/培训** | Dify | CrewAI | edict（学习曲线） |\n\n---" } ] }, { "id": "A.5 框架迁移指南", "title": "A.5 框架迁移指南", "level": 2, "content": "", "subsections": [ { "id": "A.5.1 从LangChain迁移到L", "title": "A.5.1 从LangChain迁移到LangGraph", "content": "如果你已经使用LangChain构建了应用，想迁移到LangGraph，以下是关键步骤：\n\n**1. 概念映射**\n\n| LangChain 概念 | LangGraph 概念 |\n|---------------|---------------|\n| LLMChain | 单节点图 |\n| AgentExecutor | StateGraph |\n| ConversationChain | 带记忆的状态图 |\n| SequentialChain | 串行连接的图 |\n\n**2. 迁移步骤**\n\n\n**3. 注意事项**\n\n- ⚠️ LangGraph的状态需要显式定义（TypedDict）\n- ⚠️ 记忆管理方式不同，需要使用 checkpointer\n- 💡 迁移后可以获得更好的可观测性和状态管理能力" }, { "id": "A.5.2 从AutoGen迁移到Cre", "title": "A.5.2 从AutoGen迁移到CrewAI", "content": "---" } ] }, { "id": "A.6 框架组合策略", "title": "A.6 框架组合策略", "level": 2, "content": "在生产环境中，你不必只选择一个框架。很多成功的项目采用了组合策略：", "subsections": [ { "id": "A.6.1 推荐组合", "title": "A.6.1 推荐组合", "content": "| 组合方案 | 适用场景 | 优势 |\n|---------|---------|------|\n| **LangChain + LangGraph** | 基础组件用LangChain，复杂编排用LangGraph | 生态丰富 + 工作流强大 |\n| **LangGraph + edict** | 编排用LangGraph，性能关键路径用edict | 灵活性 + 高性能 |\n| **AutoGen + CrewAI** | 对话式协作用AutoGen，流程式协作用CrewAI | 多种协作模式 |\n| **Dify + LangChain** | 可视化前端用Dify，自定义后端用LangChain | 易用性 + 定制性 |\n| **Semantic Kernel + LangChain** | .NET服务用SK，Python服务用LangChain | 多语言技术栈 |" }, { "id": "A.6.2 集成架构", "title": "A.6.2 集成架构", "content": "---" } ] }, { "id": "A.7 未来趋势", "title": "A.7 未来趋势", "level": 2, "content": "", "subsections": [ { "id": "A.7.1 框架演进方向", "title": "A.7.1 框架演进方向", "content": "1. **标准化**：Agent协议的标准化（如MCP - Model Context Protocol）正在推进\n2. **轻量化**：框架将越来越轻量，减少不必要的抽象层\n3. **可视化**：低代码/无代码的Agent编排将成为主流\n4. **多模态原生**：原生支持文本、图像、音频、视频的Agent\n5. **安全与治理**：内置的AI安全机制和合规检查" }, { "id": "A.7.2 建议", "title": "A.7.2 建议", "content": "🎯 **选择框架时，请记住**：\n\n> 框架只是工具，理解Agent的核心原理比掌握特定框架更重要。本书正文中的概念和模式在任何框架中都适用。框架会变，原理不变。\n\n---\n\n*附录A完*" } ] } ], "code_blocks": [ { "id": "code-1", "language": "python", "description": "- 调试困难：抽象层使得问题定位有时不够直观", "code": "# LangChain 示例：带工具的Agent\nfrom langchain_openai import ChatOpenAI\nfrom langchain.agents import create_tool_calling_agent, AgentExecutor\nfrom langchain_core.prompts import ChatPromptTemplate\n\n# 初始化LLM\nllm = ChatOpenAI(model=\"gpt-4o\", temperature=0)\n\n# 定义工具\ntools = [\n {\n \"type\": \"function\",\n \"function\": {\n \"name\": \"get_weather\",\n \"description\": \"获取指定城市的天气信息\",\n \"parameters\": {\n \"type\": \"object\",\n \"properties\": {\n \"city\": {\"type\": \"string\", \"description\": \"城市名称\"}\n },\n \"required\": [\"city\"]\n }\n }\n }\n]\n\n# 创建Agent\nprompt = ChatPromptTemplate.from_messages([\n (\"system\", \"你是一个有帮助的助手。\"),\n (\"human\", \"{input}\"),\n (\"placeholder\", \"{agent_scratchpad}\"),\n])\n\nagent = create_tool_calling_agent(llm, tools, prompt)\nexecutor = AgentExecutor(agent=agent, tools=tools, verbose=True)\n\n# 执行\nresult = executor.invoke({\"input\": \"北京今天天气怎么样？\"})", "section_ref": "A.2.1 LangChain", "runnable": true, "dependencies": [ "langchain_openai", "langchain", "langchain_core" ] }, { "id": "code-2", "language": "python", "description": "- 社区生态尚在建设：相比LangChain，第三方组件和教程较少", "code": "# LangGraph 示例：多步推理工作流\nfrom langgraph.graph import StateGraph, END\nfrom typing import TypedDict, Annotated\nimport operator\n\n# 定义状态\nclass AgentState(TypedDict):\n messages: Annotated[list, operator.add]\n documents: list\n iteration: int\n\n# 定义节点\ndef retrieve(state: AgentState):\n \"\"\"检索相关文档\"\"\"\n # 检索逻辑\n state[\"documents\"] = vector_store.search(state[\"messages\"][-1])\n state[\"iteration\"] = state.get(\"iteration\", 0) + 1\n return state\n\ndef generate(state: AgentState):\n \"\"\"生成回答\"\"\"\n response = llm.generate(\n context=state[\"documents\"],\n question=state[\"messages\"][-1]\n )\n state[\"messages\"].append(response)\n return state\n\ndef should_continue(state: AgentState):\n \"\"\"判断是否需要继续检索\"\"\"\n if state[\"iteration\"] >= 3:\n return END\n return \"retrieve\"\n\n# 构建图\ngraph = StateGraph(AgentState)\ngraph.add_node(\"retrieve\", retrieve)\ngraph.add_node(\"generate\", generate)\n\ngraph.add_edge(\"__start__\", \"retrieve\")\ngraph.add_conditional_edges(\"generate\", should_continue)\n\n# 编译\napp = graph.compile(checkpointer=memory)\n\n# 运行\nresult = app.invoke(\n {\"messages\": [\"什么是RAG？\"]},\n config={\"configurable\": {\"thread_id\": \"session-1\"}}\n)", "section_ref": "A.2.2 LangGraph", "runnable": true, "dependencies": [ "langgraph", "operator" ] }, { "id": "code-3", "language": "python", "description": "- 性能开销：多Agent协作的通信开销较大", "code": "# AutoGen 示例：代码生成的多Agent协作\nimport autogen\n\n# 配置LLM\nconfig_list = [\n {\"model\": \"gpt-4o\", \"api_key\": \"your-api-key\"}\n]\nllm_config = {\"config_list\": config_list, \"temperature\": 0}\n\n# 创建Agent\nassistant = autogen.AssistantAgent(\n name=\"Coder\",\n llm_config=llm_config,\n system_message=\"你是一个Python编程专家。\"\n)\n\nreviewer = autogen.AssistantAgent(\n name=\"Reviewer\",\n llm_config=llm_config,\n system_message=\"你是一个代码审查专家，专注于代码质量和安全性。\"\n)\n\nuser_proxy = autogen.UserProxyAgent(\n name=\"User\",\n human_input_mode=\"NEVER\",\n code_execution_config={\n \"work_dir\": \"coding\",\n \"use_docker\": True\n }\n)\n\n# 启动群聊\ngroupchat = autogen.GroupChat(\n agents=[user_proxy, assistant, reviewer],\n messages=[],\n max_round=10\n)\n\nmanager = autogen.GroupChatManager(\n groupchat=groupchat,\n llm_config=llm_config\n)\n\nuser_proxy.initiate_chat(\n manager,\n message=\"请编写一个Web爬虫，抓取新闻网站的标题和摘要。\"\n)", "section_ref": "A.2.3 AutoGen", "runnable": true, "dependencies": [ "autogen" ] }, { "id": "code-4", "language": "python", "description": "- 调试工具：可观测性和调试能力有待完善", "code": "# CrewAI 示例：研究团队\nfrom crewai import Agent, Task, Crew, Process\n\n# 定义Agent\nresearcher = Agent(\n role=\"高级研究员\",\n goal=\"深入研究并收集全面的信息\",\n backstory=\"\"\"你是一位经验丰富的研究员，擅长快速收集和分析\n 大量信息，并提炼出关键洞察。\"\"\",\n verbose=True,\n allow_delegation=False\n)\n\nwriter = Agent(\n role=\"技术写作者\",\n goal=\"将研究结果转化为清晰易懂的文章\",\n backstory=\"\"\"你是一位技术写作专家，擅长将复杂的技术概念\n 转化为通俗易懂的语言。\"\"\",\n verbose=True,\n allow_delegation=False\n)\n\n# 定义任务\nresearch_task = Task(\n description=\"研究RAG技术的最新发展和最佳实践\",\n expected_output=\"一份详细的研究报告，包含技术概述、关键组件和趋势分析\",\n agent=researcher\n)\n\nwriting_task = Task(\n description=\"基于研究报告，撰写一篇面向开发者的RAG入门指南\",\n expected_output=\"一篇3000字的技术文章，包含代码示例和架构图\",\n agent=writer\n)\n\n# 组建团队\ncrew = Crew(\n agents=[researcher, writer],\n tasks=[research_task, writing_task],\n process=Process.sequential, # 串行执行\n verbose=True\n)\n\n# 执行\nresult = crew.kickoff()", "section_ref": "A.2.4 CrewAI", "runnable": true, "dependencies": [ "crewai" ] }, { "id": "code-5", "language": "rust", "description": "- 语言门槛：部分核心代码使用Rust编写，定制需要Rust技能", "code": "// edict 示例：Agent定义（Rust）\nuse edict::{\n agent::AgentBuilder,\n tool::{Tool, ToolResult},\n provider::OpenAIProvider,\n};\n\n// 定义工具\nstruct WeatherTool;\n\n#[async_trait]\nimpl Tool for WeatherTool {\n fn name(&self) -> &str { \"get_weather\" }\n fn description(&self) -> &str { \"获取城市天气信息\" }\n \n async fn execute(&self, params: serde_json::Value) -> ToolResult {\n let city = params[\"city\"].as_str().unwrap_or(\"北京\");\n // 调用天气API\n let weather = fetch_weather(city).await?;\n ToolResult::Ok(serde_json::to_value(weather)?)\n }\n}\n\n// 构建Agent\nlet agent = AgentBuilder::new(\"weather-assistant\")\n .provider(OpenAIProvider::new(\"gpt-4o\"))\n .system_prompt(\"你是一个天气查询助手。\")\n .tool(WeatherTool)\n .max_iterations(5)\n .build()?;", "section_ref": "A.2.5 edict", "runnable": false, "dependencies": [] }, { "id": "code-6", "language": "csharp", "description": "- 灵活性：某些设计决策偏向微软生态，通用性稍弱", "code": "// Semantic Kernel 示例（C#）\nusing Microsoft.SemanticKernel;\nusing Microsoft.SemanticKernel.Plugins.Web;\n\nvar kernel = Kernel.Builder()\n .WithOpenAIChatCompletionService(\"gpt-4o\", apiKey)\n .Build();\n\n// 添加插件\nkernel.ImportFunctions(new WeatherPlugin(), \"weather\");\nkernel.ImportFunctionsFromDirectory(\"Plugins\");\n\n// 创建Prompt\nvar prompt = kernel.CreateFunctionFromPrompt(\n \"根据用户的查询，调用天气插件获取信息并回答。{{$input}}\",\n executionSettings: new OpenAIPromptExecutionSettings\n {\n FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()\n }\n);\n\n// 执行\nvar result = await kernel.InvokeAsync(prompt, new() { [\"input\"] = \"北京天气\" });", "section_ref": "A.2.6 Semantic Kerne", "runnable": false, "dependencies": [] }, { "id": "code-7", "language": "yaml", "description": "- 规模限制：大规模高并发场景需要额外优化", "code": "# Dify 工作流配置示例\napp:\n name: \"智能客服\"\n mode: workflow\n workflow:\n nodes:\n - id: start\n type: start\n data:\n variables:\n - name: user_query\n type: string\n - id: classify\n type: llm\n data:\n model: gpt-4o\n prompt: |\n 将用户问题分类为以下之一：\n - 技术问题\n - 账户问题\n - 投诉建议\n 问题：{{user_query}}\n - id: technical_handler\n type: llm\n data:\n model: gpt-4o\n prompt: |\n 你是技术支持专家。请回答以下问题：\n {{user_query}}\n conditions:\n - classify_result == \"技术问题\"\n - id: account_handler\n type: api\n data:\n url: \"https://api.example.com/account/query\"\n method: POST\n conditions:\n - classify_result == \"账户问题\"", "section_ref": "A.2.7 Dify", "runnable": false, "dependencies": [] }, { "id": "code-8", "language": "text", "description": "", "code": "开始\n │\n ├─ 你的团队有开发者吗？\n │ ├─ 否 → Dify / Coze（低代码平台）\n │ └─ 是 ↓\n │\n ├─ 需要多Agent协作吗？\n │ ├─ 否 → 单Agent场景 ↓\n │ │ ├─ 需要复杂工作流？→ LangGraph\n │ │ ├─ 需要丰富集成？→ LangChain\n │ │ ├─ 微软生态？→ Semantic Kernel\n │ │ └─ 追求极致性能？→ edict\n │ │\n │ └─ 是 → 多Agent场景 ↓\n │ ├─ 对话驱动？→ AutoGen\n │ ├─ 角色驱动？→ CrewAI\n │ ├─ 需要状态管理？→ LangGraph\n │ └─ 生产级部署？→ edict\n │\n ├─ 部署要求？\n │ ├─ 云平台托管 → Dify Cloud / Coze\n │ ├─ 自托管 → 所有框架均可\n │ └─ 边缘/离线 → edict / LangChain\n │\n └─ 企业合规？\n ├─ 数据不能出境 → edict / LangChain（本地部署）\n ├─ 微软生态 → Semantic Kernel\n └─ 字节生态 → Coze", "section_ref": "A.4.1 决策树", "runnable": false, "dependencies": [] }, { "id": "code-9", "language": "python", "description": "2. 迁移步骤", "code": "# 迁移前（LangChain）\nfrom langchain.chains import LLMChain\nchain = LLMChain(llm=llm, prompt=prompt)\n\n# 迁移后（LangGraph）\nfrom langgraph.graph import StateGraph\ngraph = StateGraph(state)\ngraph.add_node(\"generate\", lambda s: {\"response\": llm.invoke(s[\"input\"])})\ngraph.add_edge(\"__start__\", \"generate\")\ngraph.add_edge(\"generate\", END)\napp = graph.compile()", "section_ref": "A.5.1 从LangChain迁移到L", "runnable": true, "dependencies": [ "langchain", "langgraph" ] }, { "id": "code-10", "language": "python", "description": "- 💡 迁移后可以获得更好的可观测性和状态管理能力", "code": "# AutoGen风格\nassistant = autogen.AssistantAgent(name=\"Researcher\", ...)\nuser_proxy = autogen.UserProxyAgent(name=\"User\", ...)\nuser_proxy.initiate_chat(assistant, message=\"...\")\n\n# CrewAI风格（更简洁）\nresearcher = Agent(role=\"研究员\", goal=\"研究...\", backstory=\"...\")\ntask = Task(description=\"研究...\", agent=researcher)\ncrew = Crew(agents=[researcher], tasks=[task])\nresult = crew.kickoff()", "section_ref": "A.5.2 从AutoGen迁移到Cre", "runnable": true, "dependencies": [] }, { "id": "code-11", "language": "text", "description": "| Semantic Kernel + LangChain | .NET服务用SK，Python服务用LangChain | 多语言技术栈 |", "code": "┌─────────────────────────────────────────────────┐\n│ API Gateway │\n├─────────────────────────────────────────────────┤\n│ ┌──────────┐ ┌──────────┐ ┌──────────────┐ │\n│ │ 简单问答 │ │ 多Agent │ │ 可视化编排 │ │\n│ │ LangChain│ │ AutoGen │ │ Dify │ │\n│ └──────────┘ └──────────┘ └──────────────┘ │\n├─────────────────────────────────────────────────┤\n│ 共享基础设施层 │\n│ ┌─────────┐ ┌─────────┐ ┌─────────────────┐ │\n│ │ 向量库 │ │ 缓存 │ │ 监控/日志 │ │\n│ └─────────┘ └─────────┘ └─────────────────┘ │\n├─────────────────────────────────────────────────┤\n│ LLM Provider 层 │\n│ OpenAI │ Anthropic │ 本地模型 │ Azure OpenAI │\n└─────────────────────────────────────────────────┘", "section_ref": "A.6.2 集成架构", "runnable": false, "dependencies": [] } ], "tables": [ { "headers": [ "类别", "框架", "特点" ], "data": [ [ "**代码优先**", "LangChain, LangGraph, AutoGen, CrewAI, edict", "面向开发者，灵活性高，适合复杂场景" ], [ "**企业集成**", "Semantic Kernel", "与微软生态深度整合，面向企业开发者" ], [ "**低代码/平台**", "Dify, Coze", "可视化编排，适合非开发者和快速搭建" ] ] }, { "headers": [ "功能", "LangChain", "LangGraph", "AutoGen", "CrewAI", "edict", "Semantic Kernel", "Dify", "Coze" ], "data": [ [ "单Agent编排", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐" ], [ "多Agent协作", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐" ], [ "工具调用", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐" ], [ "记忆管理", "⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐" ], [ "RAG集成", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐" ], [ "代码执行", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐" ], [ "可视化编排", "⭐⭐", "⭐⭐⭐", "⭐", "⭐", "⭐", "⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐" ], [ "人机协作", "⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐⭐", "⭐⭐⭐", "⭐⭐⭐" ] ] }, { "headers": [ "特性", "LangChain", "LangGraph", "AutoGen", "CrewAI", "edict", "Semantic Kernel", "Dify", "Coze" ], "data": [ [ "**主要语言**", "Python/JS", "Python", "Python", "Python", "Rust/Python", "C#/Python/Java", "Python", "平台" ], [ "**许可证**", "MIT", "MIT", "MIT", "MIT", "自定义", "MIT", "Apache 2.0", "商业" ], [ "**最低LLM要求**", "GPT-3.5", "GPT-3.5", "GPT-3.5", "GPT-3.5", "GPT-3.5", "GPT-3.5", "GPT-3.5", "平台" ], [ "**离线部署**", "✅", "✅", "✅", "✅", "✅", "✅", "✅", "❌" ], [ "**异步支持**", "✅", "✅", "⚠️", "⚠️", "✅", "✅", "⚠️", "N/A" ], [ "**流式输出**", "✅", "✅", "✅", "✅", "✅", "✅", "✅", "✅" ], [ "**多模态**", "✅", "✅", "✅", "⚠️", "✅", "✅", "✅", "✅" ] ] }, { "headers": [ "指标", "LangChain", "LangGraph", "AutoGen", "CrewAI", "edict", "Semantic Kernel", "Dify", "Coze" ], "data": [ [ "**GitHub Stars**", "95K+", "12K+", "40K+", "30K+", "2K+", "22K+", "55K+", "N/A" ], [ "**NPM/PyPI下载**", "20M+/月", "2M+/月", "5M+/月", "3M+/月", "50K+/月", "3M+/月", "N/A", "N/A" ], [ "**贡献者**", "3000+", "200+", "500+", "300+", "50+", "500+", "500+", "N/A" ], [ "**Stack Overflow**", "50K+", "5K+", "10K+", "3K+", "100+", "8K+", "5K+", "N/A" ], [ "**更新频率**", "每日", "每周", "每周", "每周", "每月", "每周", "每周", "平台" ] ] }, { "headers": [ "场景", "LangChain", "LangGraph", "AutoGen", "CrewAI", "edict" ], "data": [ [ "**简单问答（单轮）**", "1.2s", "1.3s", "1.5s", "1.1s", "0.8s" ], [ "**带工具调用**", "2.8s", "2.9s", "3.5s", "3.0s", "2.1s" ], [ "**RAG检索+生成**", "3.5s", "3.6s", "4.0s", "3.8s", "2.8s" ], [ "**多Agent协作（3轮）**", "N/A", "8.5s", "10.2s", "7.5s", "6.2s" ], [ "**冷启动时间**", "2.1s", "2.5s", "3.0s", "1.8s", "0.5s" ], [ "**内存占用（空闲）**", "180MB", "200MB", "250MB", "150MB", "45MB" ] ] }, { "headers": [ "场景", "首选", "次选", "不推荐" ], "data": [ [ "**个人开发者快速验证**", "LangChain", "CrewAI", "Semantic Kernel" ], [ "**创业公司MVP**", "LangChain", "Dify", "edict（运维成本高）" ], [ "**企业内部工具**", "Semantic Kernel", "LangChain", "Coze（数据安全）" ], [ "**大规模客服系统**", "edict", "LangGraph", "CrewAI" ], [ "**研究论文复现**", "AutoGen", "LangGraph", "Coze" ], [ "**内容生成平台**", "CrewAI", "LangChain", "edict（非核心优势）" ], [ "**代码助手/IDE插件**", "LangChain", "edict", "Dify（延迟高）" ], [ "**数据分析Agent**", "LangGraph", "AutoGen", "Coze（灵活性低）" ], [ "**教育/培训**", "Dify", "CrewAI", "edict（学习曲线）" ] ] }, { "headers": [ "LangChain 概念", "LangGraph 概念" ], "data": [ [ "LLMChain", "单节点图" ], [ "AgentExecutor", "StateGraph" ], [ "ConversationChain", "带记忆的状态图" ], [ "SequentialChain", "串行连接的图" ] ] }, { "headers": [ "组合方案", "适用场景", "优势" ], "data": [ [ "**LangChain + LangGraph**", "基础组件用LangChain，复杂编排用LangGraph", "生态丰富 + 工作流强大" ], [ "**LangGraph + edict**", "编排用LangGraph，性能关键路径用edict", "灵活性 + 高性能" ], [ "**AutoGen + CrewAI**", "对话式协作用AutoGen，流程式协作用CrewAI", "多种协作模式" ], [ "**Dify + LangChain**", "可视化前端用Dify，自定义后端用LangChain", "易用性 + 定制性" ], [ "**Semantic Kernel + LangChain**", ".NET服务用SK，Python服务用LangChain", "多语言技术栈" ] ] } ], "key_takeaways": [], "common_pitfalls": [], "related_chapters": [] }