精选 AI Agent 开发的核心资源（只推荐最重要的！）
- ✅ 只收录 Agent 开发直接相关的资源
- ✅ 只推荐面试会考、项目会用的
- ✅ 每个资源都标注适合场景和学习难度
🔗 需要更全面的资源？
查看作者的另一个项目：Awesome-Awesome-LLM
（涵盖 LLM 全栈的 200+ Awesome 系列资源）
⭐ 本文档持续更新，欢迎贡献！
详细框架对比见：Agent 开发框架推荐
- 链接：https://github.com/langchain-ai/langgraph
- Stars：15k+
- 简介：LangChain 团队出品，用图结构构建弹性 Agent
- 特点：状态管理、可视化工作流、灵活编排
- 适合场景：复杂 Agent 工作流、Multi-Agent 系统
- 学习难度：⭐⭐⭐⭐
- AgentGuide 教程：LangGraph 核心概念
- 链接：https://github.com/microsoft/autogen
- Stars：30k+
- 简介：微软开源的多智能体对话框架
- 特点：Multi-Agent 协作、可视化 Studio、代码执行
- 适合场景：多智能体系统、角色扮演型 Agent
- 学习难度：⭐⭐⭐
- 官网：https://autogen-studio.com/
- 链接：https://github.com/joaomdmoura/crewAI
- Stars：20k+
- 简介：角色扮演型自主 AI Agent 框架
- 特点：角色定义、任务分工、简单易用
- 适合场景：明确角色分工的协作系统
- 学习难度：⭐⭐⭐
- 链接：https://github.com/geekan/MetaGPT
- Stars：40k+
- 简介：软件公司多角色协作框架
- 特点：模拟软件公司流程（PM、工程师、测试）
- 适合场景：软件开发流程自动化
- 学习难度：⭐⭐⭐
- 链接：https://github.com/openai/swarm
- 简介：OpenAI 官方的轻量级 Multi-Agent 框架
- 特点：极简设计，适合学习
- 适合场景：学习 Agent 基础概念
- 学习难度：⭐⭐
- 链接：https://github.com/Significant-Gravitas/AutoGPT
- Stars：160k+
- 简介：早期的自主 Agent 框架
- 特点：完全自主，目标驱动
- 学习难度：⭐⭐⭐
- 链接：https://github.com/microsoft/agent-framework
- 简介：微软官方框架，支持 Python 和 .NET
- 特点：企业级、跨语言
- 适合场景：企业级应用
- 学习难度：⭐⭐⭐⭐
- 链接：https://github.com/camel-ai/owl
- 简介：优化工作流学习框架
- 特点：任务自动化、工作流优化
- 学习难度：⭐⭐⭐
- 链接：https://github.com/emcie-co/parlant
- 简介：确保 Agent 指令遵循的框架，不再依赖 LLM"可能"遵循，而是"确保"必定遵循
- 核心技术：ARQs（Attentive Reasoning Queries - 注意力推理查询）
- 特点：
- 通过预定义推理步骤确保指令遵循
- 在 87 个测试场景中成功率达 90.2%（高于 CoT 的 86.05%）
- 针对性预防领域常见失效模式
- 适合场景：有明确领域指南的场景（客户服务、医疗咨询）
- 学习难度：⭐⭐⭐
- 关键资源：
- 链接：https://github.com/agentscope-ai/agentscope
- 简介：面向 Agent 的模块化编程框架
- 特点：
- 模块化设计，易于维护和扩展
- 灵活的集成能力
- 企业级支持（阿里云等背书）
- 详细的文档和示例
- 适合场景：模块化 Agent 系统、企业级应用
- 学习难度：⭐⭐⭐
- 链接：https://github.com/OpenBMB/ToolBench
- 简介：工具学习基准测试
- 包含：16000+ 真实 API、工具调用数据集
- 适合场景：工具调用评估和测试
- 链接：https://github.com/ShishirPatil/gorilla
- 简介：大模型 API 调用优化
- 特点：专注于提升工具调用准确性
- 适合场景：提升 Agent 工具调用能力
- 链接：https://github.com/OpenBMB/ToolLLM
- 简介：工具学习的 LLM 训练
- 适合场景：训练专门的工具调用模型
详细记忆系统设计见：Agent 记忆系统
- 链接：https://github.com/mem0ai/mem0
- Stars：20k+
- 简介：轻量级 Agent 记忆模块
- 特点：简单易用、支持多种后端
- 适合场景：快速集成记忆功能
- 注意：社区反馈有稳定性问题，使用前需验证
- 链接：https://github.com/cpacker/MemGPT
- 简介：长期记忆管理系统
- 特点：虚拟内存机制
- 适合场景：需要长期记忆的 Agent
- 链接：https://github.com/getzep/zep
- 简介：长期记忆存储
- 特点：企业级、可扩展
- 适合场景：生产环境的记忆管理
- 文档：https://python.langchain.com/docs/modules/memory/
- 简介：LangChain 内置记忆模块
- 特点：多种记忆类型
- 适合场景：LangChain 生态内使用
- 链接：https://github.com/mnotgod96/AppAgent
- 简介：移动应用 Agent
- 特点：自主操作手机应用
- 适合场景：移动端自动化
- 链接：https://github.com/OSU-NLP-Group/SeeAct
- 简介：视觉理解 + 网页操作
- 特点：GPT-4V 驱动
- 适合场景：多模态 Web Agent
- 链接：https://github.com/princeton-nlp/WebShop
- 简介：在线购物 Agent 基准测试
- 适合场景：电商场景的 Agent 评估
- 链接：https://github.com/OSU-NLP-Group/Mind2Web
- 简介：网页任务理解数据集
- 适合场景：Web Agent 训练和评估
- 链接：https://webarena.dev/
- 简介：Web Agent 评估基准
- 适合场景：综合评估 Web Agent 能力
| Benchmark | 简介 | 链接 |
|---|---|---|
| GAIA | 通用 AI Agent 评估，测试真实任务完成能力 | 论文 |
| AgentBench | Agent 综合能力评估，涵盖多种任务类型 | GitHub |
| WebArena | Web Agent 评估，真实网站交互测试 | 官网 |
| ToolBench | 工具使用评估，测试 API 调用能力 | GitHub |
- 论文：Synergizing Reasoning and Acting in Language Models
- 必读原因：Agent 架构基础，推理与行动的结合
- 核心思想：将推理（Reasoning）和行动（Acting）交织进行
- 发表会议：ICLR 2023
- 论文：Reflexion: Language Agents with Verbal Reinforcement Learning
- 必读原因：自我反思机制，让 Agent 从错误中学习
- 核心思想：通过语言反馈进行自我改进
- 发表会议：NeurIPS 2023
- 论文：Toolformer: Language Models Can Teach Themselves to Use Tools
- 必读原因：工具调用的开创性工作
- 核心思想：LLM 自学使用外部工具
- 论文：HuggingGPT: Solving AI Tasks with ChatGPT and its Friends
- 必读原因：大模型作为控制器调度其他模型
- 核心思想：LLM 作为任务规划器和模型调度器
- 论文：Attentive Reasoning Queries: A Systematic Method for Optimizing Instruction-Following in Large Language Models
- 代码：https://github.com/emcie-co/parlant/tree/arqs-a-systematic-method-for-optimizing-instruction-following-in-llms
- 必读原因：系统性方法确保 LLM 指令遵循
- 核心思想：
- 通过领域专用推理步骤引导 LLM
- 使用结构化 JSON 模式的目标查询
- 三阶段流程：引导 ARQ → 响应生成 → 响应验证
- 实验效果：在 87 个测试场景中成功率达 90.2%（高于 CoT 的 86.05%）
- 适用场景：有明确领域指南、失效模式清晰的场景（客服、医疗）
- 文档：ai-agent-production-challenges.md
- 核心内容：基于 12+ 个生产级 Agent 的实战经验
- 关键点：误差累积、成本问题、工具工程、系统集成
- 适合人群：想要构建生产级 Agent 的开发者
- 必读原因：揭示 Agent 的数学局限性和工程最佳实践
- 链接：https://www.anthropic.com/engineering/building-effective-agents
- 核心观点：何时该用 Agent，何时不该用
- 重点内容：Agent 设计模式、工作流编排
- 必读原因：Claude 团队的实战经验总结
- 链接：https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
- 核心内容：实用的 Agent 构建指南
- 必读原因：OpenAI 官方最佳实践
- 链接：https://github.com/ginobefun/agentic-design-patterns-cn
- 核心内容：Agent 设计模式详解
- 必读原因：系统性介绍各种 Agent 架构模式
- 链接：https://github.com/langchain-ai/rag-from-scratch
- 简介：从零开始学习 RAG
- 适合人群：想要深入理解 RAG 的开发者
- 链接：https://github.com/liaokongVFX/LangChain-Chinese-Getting-Started-Guide
- 简介：LangChain 中文入门指南
- 适合人群：中文开发者快速上手
- 链接：https://github.com/rasbt/LLMs-from-scratch
- 简介：从零构建大语言模型
- 适合人群：想要深入理解 LLM 原理的开发者
- Agent 开发框架对比 - 详细的框架选型指南
- Agent 记忆系统设计 - 记忆模块实现方案
- RAG 资源大全 - RAG 技术栈完整资源
- AI 开发工具箱 - 开发工具和平台推荐
🙏 欢迎贡献：如果你发现好的 Agent 相关资源，欢迎提 PR！
- 资源必须与 Agent 开发直接相关
- 提供清晰的简介和使用场景
- 标注学习难度（⭐~⭐⭐⭐⭐⭐）
- 优先推荐面试会考、项目会用的资源
本文档采用 CC BY-SA 4.0 协议。
💡 提示：本文档专注于 Agent 开发的核心资源。如需更全面的 LLM 资源，请访问 Awesome-Awesome-LLM。
⭐ Star 支持：如果这个资源对你有帮助，欢迎给项目点个 Star！