Skip to content

frameworks.md

Latest commit

 

History

History
394 lines (269 loc) · 10.8 KB

frameworks.md

File metadata and controls

394 lines (269 loc) · 10.8 KB

Agent 开发框架对比

只推荐最核心的 5-7 个框架（面试会问、项目会用的）

🔥 核心框架对比表

框架 Stars 难度 适合场景 优点 缺点
LangGraph 15k+ ⭐⭐⭐⭐ 复杂工作流 灵活、可视化 学习曲线陡
AutoGen 30k+ ⭐⭐⭐ Multi-Agent 易用、可视化Studio 定制化难
CrewAI 20k+ ⭐⭐ 角色协作 简单、快速上手 功能相对简单
LangChain 90k+ ⭐⭐⭐ 快速原型 生态完善 抽象过度
Swarm 5k+ ⭐ 学习用途 极简、清晰 功能基础
Parlant - ⭐⭐⭐ 指令遵循 高可控、ARQs 场景受限
AgentScope 3k+ ⭐⭐⭐ 模块化开发 易维护、企业级 相对新

📖 详细对比

1. LangGraph ⭐⭐⭐⭐⭐ 最推荐生产环境

官网：https://github.com/langchain-ai/langgraph

核心特点：

  • ✅ 状态机驱动，精确控制流程
  • ✅ 可视化工作流，易于调试
  • ✅ 支持复杂条件分支和循环
  • ✅ 与 LangChain 深度集成

适合场景：

  • 复杂的 Agent 工作流（10+ 步骤）
  • 需要状态管理的应用
  • Multi-Agent 协作系统

学习成本：⭐⭐⭐⭐（需要 3-5 天深入学习）

面试加分点：

"我使用 LangGraph 设计了状态机驱动的 Agent 工作流，
通过可视化编排，实现了复杂的条件分支和异常处理"

快速上手：

from langgraph.graph import StateGraph

# 30 行代码搭建 Agent 工作流

2. AutoGen ⭐⭐⭐⭐⭐ Multi-Agent 首选

官网：https://github.com/microsoft/autogen

核心特点：

  • ✅ 天然支持 Multi-Agent
  • ✅ AutoGen Studio 可视化编排
  • ✅ 支持代码执行环境
  • ✅ 微软官方支持

适合场景：

  • 多智能体协作（3+ Agents）
  • 需要可视化编排
  • 企业级应用

学习成本：⭐⭐⭐（1-2 天快速上手）

面试加分点：

"使用 AutoGen 构建多智能体协作系统，
实现了分类Agent、查询Agent、执行Agent的协同工作"

3. CrewAI ⭐⭐⭐⭐ 快速原型首选

官网：https://github.com/joaomdmoura/crewAI

核心特点：

  • ✅ 角色定义清晰
  • ✅ API 简单易用
  • ✅ 快速开发（1小时搭建原型）

适合场景：

  • 快速验证想法
  • 角色明确的协作场景
  • 小规模应用

学习成本：⭐⭐（半天上手）

4. LangChain ⭐⭐⭐⭐⭐ 必学基础

官网：https://github.com/langchain-ai/langchain

核心特点：

  • ✅ 生态最完善
  • ✅ 文档最详细
  • ✅ 社区最活跃

适合场景：

  • 快速原型开发
  • 学习 Agent 基础概念
  • 与其他工具集成

学习成本：⭐⭐⭐（2-3 天基础掌握）

注意事项：

  • ❌ 抽象过度，调试困难
  • ⚠️ 建议：理解原理，必要时魔改

5. Swarm ⭐⭐⭐ 学习用途

官网：https://github.com/openai/swarm

核心特点：

  • ✅ OpenAI 官方出品
  • ✅ 代码极简（<500行）
  • ✅ 适合理解 Agent 原理

适合场景：

  • 学习 Agent 设计思想
  • 理解多智能体协作
  • 不建议用于生产

学习成本：⭐（1-2小时读完源码）

6. Parlant ⭐⭐⭐⭐ 指令遵循专家

官网：https://github.com/emcie-co/parlant

核心特点：

  • ✅ 确保指令遵循：不再依赖 LLM"可能"遵循指令，而是"确保"必定遵循
  • ✅ ARQs 技术：Attentive Reasoning Queries（注意力推理查询）
  • ✅ 领域指导优势：通过预定义推理步骤，针对性预防常见失效模式
  • ✅ 高成功率：在 87 个测试场景中，总成功率达 90.2%（高于 CoT 的 86.05%）

核心技术：ARQs（Attentive Reasoning Queries）

ARQs 是一种结构化推理方法，包含三个阶段：

  1. 引导 ARQ 阶段

    • LLM 处理预定义引导问题
    • 恢复关键指令
    • 恢复提示中的重要上下文信息
    • 促进分步推理与中间计算

  2. 响应生成阶段

    • 基于引导 ARQ 阶段的推理结果
    • 生成最终响应

  3. 响应验证阶段（可选）

    • LLM 通过预定义验证问题评估响应
    • 不满足则重新生成并验证
    • 直至符合标准

适合场景：

  • ✅ 有明确领域指南的场景（客户服务、医疗咨询）
  • ✅ 失效模式清晰的场景
  • ✅ 需要高度可控的 Agent 系统
  • ✅ 高风险客户应用

学习成本：⭐⭐⭐（2-3 天理解核心概念）

面试加分点：

"使用 Parlant 框架确保 Agent 的指令遵循，
通过 ARQs 技术实现了领域专用推理步骤，
在客户服务场景中达到 90%+ 的成功率"

关键资源：

vs LangGraph：

  • Parlant 强调确定性控制，LangGraph 强调灵活编排
  • Parlant 适合规则明确的场景，LangGraph 适合复杂工作流

vs DSPy：

  • Parlant 通过预定义推理步骤确保遵循，DSPy 通过优化提示提升性能
  • Parlant 更适合生产环境的可控性需求

7. AgentScope ⭐⭐⭐⭐ 模块化开发框架

官网：https://github.com/agentscope-ai/agentscope

核心特点：

  • ✅ 模块化设计：将 Agent 功能模块化，易于维护和扩展
  • ✅ 灵活集成：与各种外部工具和服务无缝集成
  • ✅ 开发者友好：详细的文档和示例
  • ✅ 企业级支持：阿里云等机构背书

适合场景：

  • 模块化 Agent 系统开发
  • 需要灵活集成的应用
  • 企业级 Agent 应用
  • 快速原型到生产的迁移

学习成本：⭐⭐⭐（2-3 天掌握基础）

面试加分点：

"使用 AgentScope 构建模块化 Agent 系统，
通过清晰的模块划分和灵活的集成能力，
实现了从原型到生产的快速迁移"

🎯 选择建议

按场景选择

你的需求 推荐框架 原因
学习 Agent 原理 Swarm 代码简单，易于理解
快速做 Demo CrewAI 上手快，API 简单
做复杂工作流 LangGraph 状态管理，灵活控制
做 Multi-Agent AutoGen 天然支持，可视化
通用开发 LangChain 生态完善，工具多
高可控场景 Parlant 确保指令遵循，适合客服/医疗
模块化系统 AgentScope 易维护，企业级支持

学习顺序建议

Step 1: Swarm (理解原理，1天)
  ↓
Step 2: LangChain (掌握基础，3天)
  ↓
Step 3: LangGraph 或 AutoGen (深入一个，5天)
  ↓
Step 4: 其他框架按需学习

📚 官方学习指南（必读）

1. Anthropic 构建有效智能体指南 ⭐⭐⭐⭐⭐ 强烈推荐

链接：https://www.anthropic.com/engineering/building-effective-agents

内容：Anthropic 团队总结的 Agent 构建最佳实践

核心观点：

  • Agent 不是万能的，要知道什么时候用、什么时候不用
  • Workflow > Agents：能用工作流解决就不要用 Agent
  • 简单的 Prompt 优化往往比复杂的 Agent 更有效

必读原因：Claude 团队的实战经验，帮助你避免过度设计

2. OpenAI 实用智能体构建指南 ⭐⭐⭐⭐

链接：https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf

内容：OpenAI 官方的 Agent 构建指南

适合人群：想要了解 OpenAI 视角下的 Agent 设计

3. Agentic Design Patterns（中英对照）⭐⭐⭐⭐⭐ 强烈推荐

链接：https://github.com/ginobefun/agentic-design-patterns-cn

内容：《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》中英文对照译本

适合人群：

  • AI 工程师
  • 软件架构师
  • 产品经理
  • 对智能系统设计感兴趣的研究者

核心内容：

  • Agent 设计模式
  • 实践流程
  • 系统架构

4. Anthropic 提示工程指南 ⭐⭐⭐⭐

链接：https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

内容：系统化的 Prompt Engineering 教程

交互式教程：https://github.com/anthropics/prompt-eng-interactive-tutorial

5. Google Gemini 提示指南 ⭐⭐⭐

链接：https://services.google.com/fh/files/misc/gemini-for-google-workspace-prompting-guide-101.pdf

内容：Google 官方的 Prompt Engineering 指南

🎯 学习建议

1. 先学框架原理，再学框架使用

  • 理解 Agent 的本质（规划 + 工具 + 记忆）
  • 手撕简单的 ReAct Agent
  • 再去学习框架的封装

2. 不要过度依赖框架

  • 框架是工具，不是答案
  • 遇到问题要能调试源码
  • 必要时可以魔改或自己实现

3. 多框架对比学习

  • 同一个功能，用不同框架实现
  • 理解每个框架的设计哲学
  • 面试时能说出框架选择的理由

💬 面试中的框架选择问题

常见问题："为什么选择 XX 框架？"

回答模板：

我选择 LangGraph 是因为：
1. 【场景需求】项目需要复杂的状态管理和条件分支
2. 【技术优势】LangGraph 的可视化工作流便于调试
3. 【生态支持】与 LangChain 深度集成，工具链完善
4. 【对比分析】相比 AutoGen，LangGraph 在状态控制上更灵活

关键点：

  • ✅ 从场景需求出发
  • ✅ 说明技术优势
  • ✅ 对比其他方案
  • ✅ 体现深入思考

📝 相关文档

本目录其他资源

AgentGuide 其他章节

👉 返回主文档：AgentGuide README

📌 文档维护

最后更新：2025-11 贡献者：欢迎提交 PR 补充新框架

更新日志：

  • 2025-11：新增 Parlant（指令遵循）和 AgentScope（模块化）框架
  • 2025-11：整合官方学习指南
  • 2025-11：优化框架对比表和选择建议