網(wǎng)站建設(shè)三合一 500元,北京建設(shè)工程信息網(wǎng)站,四川省住房和城鄉(xiāng)建設(shè)廳網(wǎng)站首頁,局域網(wǎng)站開發(fā)本文全面介紹了2025年最優(yōu)秀的11個AI Agent框架#xff0c;包括LangChain、AutoGen、CrewAI等主流開源工具。詳細(xì)分析了各框架的特性、優(yōu)勢、劣勢及適用場景#xff0c;并提供代碼示例。文章對比了開源與商業(yè)解決方案差異#xff0c;提供框架選擇標(biāo)準(zhǔn)#xff0c;幫助開發(fā)者…本文全面介紹了2025年最優(yōu)秀的11個AI Agent框架包括LangChain、AutoGen、CrewAI等主流開源工具。詳細(xì)分析了各框架的特性、優(yōu)勢、劣勢及適用場景并提供代碼示例。文章對比了開源與商業(yè)解決方案差異提供框架選擇標(biāo)準(zhǔn)幫助開發(fā)者根據(jù)項目需求和技術(shù)水平構(gòu)建智能、自主的AI應(yīng)用系統(tǒng)是開發(fā)者掌握大模型應(yīng)用開發(fā)的實用指南。最近筆者在找智能體框架看到一個文章https://ai.plainenglish.io/11-best-ai-agent-frameworks-for-software-developers-afa1700644bc在此翻譯翻譯給大家。人工智能 Agent智能體徹底改變了軟件開發(fā)者構(gòu)建智能應(yīng)用的方式。這些 AI Agent 框架提供了所需的基礎(chǔ)設(shè)施、工具集和方法論用以創(chuàng)建能夠以最少的人工干預(yù)進(jìn)行推理、規(guī)劃并執(zhí)行復(fù)雜任務(wù)的自主系統(tǒng)。進(jìn)入 2025 年AI Agent 已從簡單的聊天機(jī)器人演變?yōu)槟苓M(jìn)行多步推理、工具使用和協(xié)同解決問題的復(fù)雜系統(tǒng)。對于希望利用這項技術(shù)的開發(fā)者來說選擇合適的框架對于項目成功至關(guān)重要。本指南將深入探討當(dāng)前最優(yōu)秀的 11 個 AI Agent 框架比較它們的特性、優(yōu)勢、劣勢以及理想的應(yīng)用場景幫助您為下一個項目做出明智的決定。什么是 AI Agent 框架AI Agent 框架是軟件平臺使開發(fā)者能夠構(gòu)建具備以下能力的自主人工智能系統(tǒng)理解和處理自然語言輸入- 對復(fù)雜問題進(jìn)行推理基于現(xiàn)有信息做出決策采取行動以達(dá)到特定目標(biāo)通過互動進(jìn)行學(xué)習(xí)并不斷改進(jìn)這些框架通常利用大型語言模型LLM作為其認(rèn)知引擎并結(jié)合專門的組件來處理記憶、工具使用、規(guī)劃和執(zhí)行。11 個最佳 AI Agent 框架1. LangChainLangChain 是一個開源框架已成為構(gòu)建 AI 驅(qū)動應(yīng)用最受歡迎的選擇之一。它將語言模型與各種工具、API 和外部數(shù)據(jù)源連接起來以創(chuàng)建強(qiáng)大的 AI Agent。LangChain 最受歡迎的特點(diǎn)在于它能夠無縫地將多個大型語言模型LLM調(diào)用串聯(lián)起來并將其與外部數(shù)據(jù)源、工具和API 集成。這種模塊化、可組合的方法使得開發(fā)者能夠比直接使用原始 LLM API 更靈活、更輕松地構(gòu)建復(fù)雜的、多步驟的 AI 應(yīng)用例如聊天機(jī)器人、Agent 和檢索增強(qiáng)生成RAG系統(tǒng)。### 主要特性智能系統(tǒng)設(shè)計處理復(fù)雜任務(wù)游刃有余精細(xì)控制 Agent 工作流支持多 Agent 交互允許人工干預(yù)Human-in-the-loop無縫集成外部工具和 API優(yōu)勢強(qiáng)大且靈活的框架開源且擁有強(qiáng)大的社區(qū)支持支持處理復(fù)雜任務(wù)能夠?qū)崟r獲取信息提供對 AI Agent 的精細(xì)控制劣勢需要扎實的編程功底設(shè)計復(fù)雜 Agent 時復(fù)雜度較高依賴底層 LLM 的能力應(yīng)用場景開發(fā)智能應(yīng)用- 創(chuàng)建自主的任務(wù)解決系統(tǒng)構(gòu)建復(fù)雜的多步工作流 Agent將 AI 能力集成到現(xiàn)有軟件中代碼示例from langchain.agents import Tool, AgentExecutor, create_react_agent from langchain.tools.ddg_search import DuckDuckGoSearchRun from langchain_openai import ChatOpenAI # 定義 Agent 可以使用的工具 search_tool DuckDuckGoSearchRun() tools [ Tool(nameSearch, funcsearch_tool.run, descriptionUseful for searching the internet for current information ) ] # 初始化語言模型 llm ChatOpenAI(modelgpt-4) # 使用 React 框架創(chuàng)建 Agent agent create_react_agent(llm, tools, You are a helpful AI assistant.) # 創(chuàng)建 Agent 執(zhí)行器 agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 運(yùn)行 Agent response agent_executor.invoke({input: What are the latest developments in AI agent frameworks?}) print(response[output])2. AutoGen (微軟)AutoGen LogoAutoGen 是微軟研究院開發(fā)的一個開源編程框架專為構(gòu)建和管理具有高級協(xié)作能力的 AI Agent 而設(shè)計。AutoGen 基于 Actor 的架構(gòu)和對 Agent 協(xié)作的專注經(jīng)常被認(rèn)為是具有變革性的它在業(yè)務(wù)流程自動化、金融、醫(yī)療健康等領(lǐng)域?qū)崿F(xiàn)了新型 AI 驅(qū)動解決方案。這種對專業(yè)化、可對話和可定制 Agent 的編排被廣泛認(rèn)為是 AutoGen 最受用戶贊賞的特性因為它使得構(gòu)建復(fù)雜、可擴(kuò)展且可靠的 AI 應(yīng)用變得更加容易。主要特性支持多 Agent 協(xié)作包括人工參與和完全自主模式集成大型語言模型 (LLM)支持代碼執(zhí)行與調(diào)試可擴(kuò)展性與分布式計算異步消息傳遞自主和交互式工作流優(yōu)勢精簡了 AI Agent 系統(tǒng)的創(chuàng)建與管理流程簡化了協(xié)作與推理型 AI 系統(tǒng)的構(gòu)建允許 Agent 間交互以解決復(fù)雜問題劣勢框架相對較新仍在持續(xù)開發(fā)中設(shè)置多 Agent 交互較為復(fù)雜性能可能因 Agent 配置而異應(yīng)用場景軟件開發(fā)復(fù)雜任務(wù)求解交互式 AI 系統(tǒng)設(shè)計研究與開發(fā)環(huán)境代碼示例import autogen # 定義LLM 配置 llm_config { config_list: [{model: gpt-4, api_key: your-api-key}] } # 創(chuàng)建一個 AssistantAgent assistant autogen.AssistantAgent( nameassistant, llm_configllm_config, system_messageYou are a helpful AI assistant. ) # 創(chuàng)建一個 UserProxyAgent user_proxy autogen.UserProxyAgent( nameuser_proxy, human_input_modeTERMINATE, # 任務(wù)完成后自動回復(fù) TERMINATE max_consecutive_auto_reply10,is_termination_msglambda x: x.get(content, ).rstrip().endswith(TERMINATE), code_execution_config{work_dir: coding} ) # 在 Agent 之間發(fā)起對話 user_proxy.initiate_chat( assistant, messageWrite a Python function to calculate the Fibonacci sequence. )3. CrewAICrewAI LogoCrewAI 是一個用 Python 構(gòu)建的開源多 Agent 編排框架旨在構(gòu)建像真實團(tuán)隊一樣協(xié)同工作的協(xié)作式 AI Agent 系統(tǒng)。主要特性Agent 協(xié)作具有特定角色、工具和目標(biāo)可通過定義角色進(jìn)行 Agent 定制提供高級別的簡易性和精確的低級別控制支持跨行業(yè)的自動化工作流與各種 LLM 和云平臺兼容優(yōu)勢Agent 設(shè)計靈活實現(xiàn)簡單支持完成復(fù)雜的協(xié)作任務(wù)Agent 架構(gòu)模塊化且可重用劣勢需要具備 Python 編程知識框架相對較新社區(qū)支持可能有限設(shè)計復(fù)雜的 Agent 交互時復(fù)雜度較高應(yīng)用場景工作流自動化 -支持機(jī)器人創(chuàng)建復(fù)雜研究與分析任務(wù)專業(yè)團(tuán)隊模擬業(yè)務(wù)流程優(yōu)化代碼示例from crewai import Agent, Task, Crew from langchain_openai import ChatOpenAI # 初始化語言模型 llm ChatOpenAI(modelgpt-4) # 定義具有特定角色的 Agent researcher Agent( roleResearch Analyst, goalDiscover and analyze the latest trends inAI technology, backstoryYou are an expert in AI research with a keen eye for emerging trends, verboseTrue, llmllm ) writer Agent( roleTechnicalWriter, goalCreate comprehensive reports based on research findings, backstoryYou are a skilled technical writer who can explain complex concepts clearly, verboseTrue, llmllm )# 為每個 Agent 定義任務(wù) research_task Task( descriptionResearch the latest developments in AI agent frameworks, expected_outputA comprehensive analysis of current AI agent frameworks, agentresearcher )writing_task Task( descriptionWrite a detailed report on AI agent frameworks based on the research, expected_outputA well-structured report on AI agent frameworks, agentwriter, context[research_task] # 寫作任務(wù)依賴于研究任務(wù) ) # 創(chuàng)建一個包含 Agent 和任務(wù)的 Crew crew Crew( agents[researcher, writer], tasks[research_task, writing_task], verboseTrue ) # 執(zhí)行 Crew 的任務(wù) result crew.kickoff() print(result)4. Semantic Kernel (微軟)Semantic Kernel Logo微軟的 Semantic Kernel 允許用戶使用 C#、Python 或 Java 構(gòu)建 AI Agent 并集成最新的 AI 模型。Semantic Kernel 是一個開源開發(fā)工具包用于構(gòu)建支持多種編程語言并能夠集成 AI 模型和服務(wù)的 AI Agent。主要特性集成多個 AI 服務(wù)提供商OpenAI、Azure OpenAI、Hugging Face支持多種 Agent 類型的 Agent 框架輕量級且靈活的架構(gòu)企業(yè)級支持多 Agent 系統(tǒng)能力優(yōu)勢模塊化架構(gòu)易于使用的開發(fā)方法支持創(chuàng)建復(fù)雜的工作流能夠?qū)?AI 嵌入到現(xiàn)有開發(fā)流程中劣勢框架相對較新需要理解 AI 集成概念對于不熟悉 AI框架的開發(fā)者可能存在學(xué)習(xí)曲線應(yīng)用場景企業(yè)級 AI 解決方案自定義 AI Agent 開發(fā)工作流自動化AI 驅(qū)動的應(yīng)用集成代碼示例import semantic_kernel assk from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion # 初始化內(nèi)核 kernel sk.Kernel() # 添加 OpenAI 服務(wù) api_key your-api-key model gpt-4 kernel.add_chat_service(chat_completion, OpenAIChatCompletion(model, api_key)) # 使用自然語言創(chuàng)建語義函數(shù) prompt Generate a creative story about {{$input}}. The story should be engaging and approximately 100 words. # 在內(nèi)核中注冊函數(shù) story_function kernel.create_semantic_function(prompt, max_tokens500)# 執(zhí)行函數(shù) result story_function(a robot learning to paint) print(result) # 使用 Semantic Kernel 創(chuàng)建簡單 Agent from semantic_kernel.planning import ActionPlanner # 定義規(guī)劃器 planner ActionPlanner(kernel) # 執(zhí)行計劃 # 注意aiohttp 版本沖突可能導(dǎo)致此處需要異步運(yùn)行示例代碼展示了同步方式實際應(yīng)用可能需調(diào)整 # plan await planner.create_plan(Write a poem aboutartificial intelligence) # result await plan.invoke() # print(result) # 為了示例的同步執(zhí)行這里省略了實際的 planner 運(yùn)行僅展示創(chuàng)建語義函數(shù)的部分。 # 如果需要運(yùn)行 planner需配置異步環(huán)境。5. LangGraphLangGraph LogoLangGraph 是 LangChain 創(chuàng)建的一個開源 AI Agent 框架用于構(gòu)建和管理復(fù)雜的生成式 AI 工作流。主要特性先進(jìn)的 Agentic 模式工具調(diào)用、React 方法論、Self-Ask 方法支持節(jié)點(diǎn)LLM和邊緣工具的可視化表示對工作流流程和狀態(tài)進(jìn)行細(xì)粒度控制構(gòu)建有狀態(tài)應(yīng)用的靈活框架支持復(fù)雜的多 Agent 場景優(yōu)勢專為基于語言的 AI Agent 設(shè)計的基礎(chǔ)架構(gòu)能夠創(chuàng)建精密的、相互關(guān)聯(lián)的 Agent 系統(tǒng)支持復(fù)雜工作流的設(shè)計與管理劣勢-復(fù)雜度較高可能需要高級開發(fā)者技能主要專注于基于語言的工作流應(yīng)用場景對話式 Agent復(fù)雜任務(wù)自動化自定義 LLM 支持的工作流專注于語言處理的AI Agent 開發(fā)代碼示例from typing import TypedDict, Annotated, Sequence from langgraph.graph import StateGraph, END from langchain_openai import ChatOpenAI from langchain_core.messagesimport HumanMessage, AIMessage # 定義狀態(tài)結(jié)構(gòu) classAgentState(TypedDict): messages: Annotated[Sequence[HumanMessage | AIMessage], The messages in the conversation] next_step: Annotated[str, The next step to take] # 初始化語言模型 llm ChatOpenAI(modelgpt-4) # 定義節(jié)點(diǎn)工作流中的步驟 defresearch(state: AgentState) - AgentState:messages state[messages] response llm.invoke(messages [HumanMessage(contentResearch this topic thoroughly.)]) return {messages: state[messages] [response], next_step: analyze} defanalyze(state: AgentState) - AgentState: messages state[messages] response llm.invoke(messages [HumanMessage(contentAnalyze the research findings.)])return {messages: state[messages] [response], next_step: conclude} defconclude(state: AgentState) - AgentState: messages state[messages] response llm.invoke(messages [HumanMessage(contentProvide a conclusion based on the analysis.)]) return {messages: state[messages] [response], next_step: end} # 創(chuàng)建圖workflow StateGraph(AgentState) # 添加節(jié)點(diǎn) workflow.add_node(research, research) workflow.add_node(analyze, analyze) workflow.add_node(conclude, conclude)# 添加邊緣 workflow.add_edge(research, analyze) workflow.add_edge(analyze, conclude) workflow.add_edge(conclude, END) # 設(shè)置入口點(diǎn) workflow.set_entry_point(research) # 編譯圖 agent workflow.compile() # 執(zhí)行工作流 result agent.invoke({ messages: [HumanMessage(contentTell me about AI agent frameworks)], next_step: research }) # 打印最終消息 for message in result[messages]: print(f{message.type}: {message.content} )6. LlamaIndexLlamaIndex LogoLlamaIndex 是一個靈活的開源數(shù)據(jù)編排框架專注于為 LLM 應(yīng)用集成私有和公共數(shù)據(jù)。主要特性AI Agent 功能可作為“自動化推理和決策引擎”函數(shù)調(diào)用能力與各種格式的數(shù)據(jù)交互工具集成支持多模態(tài)應(yīng)用文本、圖像及其他數(shù)據(jù)類型優(yōu)勢框架簡單靈活支持集成各種數(shù)據(jù)源能夠進(jìn)行自定義 AI Agent 開發(fā) -開源且適應(yīng)性強(qiáng)劣勢復(fù)雜度可能需要高級技術(shù)知識需要理解 LLM 和 Agent 開發(fā)概念應(yīng)用場景企業(yè)知識助手自主 AI Agent復(fù)雜數(shù)據(jù)交互與分析構(gòu)建生產(chǎn)級 AI 應(yīng)用代碼示例from llama_index.core.agent import FunctionCallingAgentWorker from llama_index.core.tools import FunctionTool from llama_index.llms.openai import OpenAI # 定義一個簡單的工具函數(shù) defsearch_documents(query: str) - str: Search for information in the document database. # 在實際應(yīng)用中這里會查詢文檔存儲 returnfHere are the search results for: {query} # 創(chuàng)建一個函數(shù)工具 search_tool FunctionTool.from_defaults( namesearch_documents, fnsearch_documents, descriptionSearch for information in the document database ) # 初始化語言模型 llm OpenAI(modelgpt-4) # 創(chuàng)建 Agent agent FunctionCallingAgentWorker.from_tools( [search_tool], llmllm, verboseTrue ) # 運(yùn)行 Agent response agent.chat(Find information about AI agent frameworks) print(response)7. OpenAI Agents SDKOpenAI LogoOpenAI Agents SDK 是一個基于 Python 的工具包用于構(gòu)建能夠推理、規(guī)劃和采取行動以完成復(fù)雜任務(wù)的智能自主系統(tǒng)。主要特性Agent 循環(huán)功能處理工具調(diào)用將結(jié)果發(fā)送給 LLM工具集成將 Python 函數(shù)轉(zhuǎn)換為 Agent 可用的工具支持跟蹤功能可視化 Agent 工作流優(yōu)勢精簡的 Agent 開發(fā)方法內(nèi)置Agent 工作流可視化功能步步跟蹤 Agent 行動劣勢依賴 OpenAI 的基礎(chǔ)設(shè)施需要扎實的 Python 編程功底可能受 OpenAI 當(dāng)前技術(shù)限制應(yīng)用場景客戶支持自動化多步研究流程內(nèi)容生成復(fù)雜任務(wù)管理代碼示例from openai import OpenAI import json # 初始化 OpenAI 客戶端 client OpenAI(api_keyyour-api-key) # 定義一個工具 tools [ { type: function, function: { name: search_weather, description: Get the current weather in a given location, parameters: { type: object, properties: { location: { type: string, description: The city and state, e.g., San Francisco, CA } }, required: [location] } } } ] # 處理天氣查詢工具的函數(shù) defsearch_weather(location): # 在實際應(yīng)用中這里會調(diào)用天氣 API returnfThe weather in {location} is currently sunny with a temperature of 72°F. # 創(chuàng)建使用該工具的 Agent messages [{role: user, content: Whats the weather like in Boston?}] response client.chat.completions.create( modelgpt-4,messagesmessages, toolstools, tool_choiceauto ) # 處理響應(yīng) response_message response.choices[0].message messages.append(response_message) #檢查模型是否想調(diào)用函數(shù) if response_message.tool_calls: # 處理每個工具調(diào)用 for tool_call in response_message.tool_calls: function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) # 調(diào)用函數(shù) if function_name search_weather: function_response search_weather(function_args.get(location)) # 將函數(shù)響應(yīng)添加到消息列表 messages.append({ tool_call_id: tool_call.id, role: tool, name: function_name, content: function_response }) # 從模型獲取新響應(yīng) second_response client.chat.completions.create( modelgpt-4, messagesmessages) print(second_response.choices[0].message.content) else: print(response_message.content)8. Atomic AgentsAtomic Agents LogoAtomic Agents 的 GitHub 倉庫。Atomic Agents 是一個輕量級、模塊化的框架用于構(gòu)建 AI Agent 流水線強(qiáng)調(diào) AI Agent 開發(fā)的原子性。主要特性模塊化允許組合小型、可重用的組件使用 Pydantic 通過清晰的輸入/輸出模式實現(xiàn)可預(yù)測性可擴(kuò)展性用于集成新組件支持多 Agent 系統(tǒng)開發(fā)優(yōu)勢輕量級架構(gòu)Agent 構(gòu)建靈活性高對 AI Agent 組件的控制精細(xì)開源且對開發(fā)者友好劣勢框架相對較新生態(tài)系統(tǒng)仍在演變應(yīng)用場景構(gòu)建復(fù)雜的 AI 應(yīng)用開發(fā)多 Agent 系統(tǒng) -創(chuàng)建模塊化 AI 流水線研究與分析任務(wù)代碼示例from pydantic import BaseModel, Field from typing import List import os # 這是一個基于 Atomic Agents 方法的簡化示例# 在實際實現(xiàn)中你需要從 atomic_agents 包導(dǎo)入 # 定義輸入/輸出模式 classResearchQuery(BaseModel): topic: str Field(descriptionThe topic to research) depth: int Field(descriptionThe depth of research required (1-5)) classResearchResult(BaseModel): findings: List[str] Field(descriptionKey findings from the research) sources: List[str] Field(descriptionSources of information) # 定義一個原子 Agent 組件 classResearchAgent: def__init__(self, api_key: str): self.api_key api_key # 初始化任何必要的客戶端或工具 defprocess(self, input_data: ResearchQuery) - ResearchResult: # 在實際實現(xiàn)中這里會使用 LLM 執(zhí)行研究 print(fResearching {input_data.topic} at depth {input_data.depth}) # 模擬研究結(jié)果 findings [ fFinding 1 about {input_data.topic}, fFinding 2 about {input_data.topic}, fFinding 3 about {input_data.topic} ] sources [ https://github.com/e2b-dev/awesome-ai-agents,https://github.com/e2b-dev/awesome-ai-agents ] return ResearchResult(findingsfindings, sourcessources) # 使用示例 if __name__ __main__:# 創(chuàng)建 Agent agent ResearchAgent(api_keyos.environ.get(OPENAI_API_KEY, default-key)) # 創(chuàng)建輸入數(shù)據(jù) query ResearchQuery(topicAIagent frameworks, depth3) # 處理查詢 result agent.process(query) # 顯示結(jié)果 print( Research Findings:) for i, finding in enumerate(result.findings, 1): print(f{i}. {finding}) print( Sources:) for source in result.sources: print(f- {source})9. RasaRasa LogoRASA 是一個開源機(jī)器學(xué)習(xí)框架專注于構(gòu)建對話式 AI 應(yīng)用側(cè)重于文本和語音助手。主要特性先進(jìn)的自然語言理解 (NLU) 能力提供靈活性和控制力構(gòu)建上下文感知的對話 Agent機(jī)器學(xué)習(xí)能力用于構(gòu)建、測試和部署 AI 應(yīng)用優(yōu)勢高度可定制強(qiáng)大的機(jī)器學(xué)習(xí)框架文檔完善豐富支持復(fù)雜的對話場景劣勢與無代碼平臺相比需要更多技術(shù)專業(yè)知識對于初學(xué)者來說學(xué)習(xí)曲線較陡峭可能需要大量開發(fā)資源應(yīng)用場景聊天機(jī)器人開發(fā)虛擬助手客戶服務(wù)界面 -語音交互系統(tǒng)企業(yè)級對話式 AI 解決方案代碼示例# RASA 項目結(jié)構(gòu)示例 # 這通常會分布在 RASA 項目的多個文件中 # domain.yml - 定義助手的領(lǐng)域 version: 3.1 intents: - greet - goodbye - ask_about_ai_frameworks responses: utter_greet: - text: Hello! How can I help you with AI frameworks today? utter_goodbye: - text: Goodbye! Feel free to ask about AI frameworks anytime. utter_about_frameworks: - text: There are several popular AI agent frameworks including LangChain, AutoGen, CrewAI, and more. Which one would you like to know about? entities: - framework_name slots: framework_name: type: text mappings: - type: from_entity entity: framework_name # data/nlu.yml - 用于 NLU 的訓(xùn)練數(shù)據(jù) version: 3.1nlu: - intent: greet examples: | - hey - hello - hi - hello there - good morning - intent: goodbye examples: | - bye -goodbye - see you around - see you later - intent: ask_about_ai_frameworks examples: | - tell me about AI frameworks - what are the best AI agent frameworks- I need information about [LangChain](framework_name) - How does [AutoGen](framework_name) work? - Can you explain [CrewAI](framework_name)? # data/stories.yml - 用于對話管理的訓(xùn)練數(shù)據(jù) version: 3.1 stories: - story: greet and ask about frameworks steps: - intent: greet - action: utter_greet- intent: ask_about_ai_frameworks - action: utter_about_frameworks - story: ask about specific framework steps: - intent: ask_about_ai_frameworks entities: - framework_name: LangChain - action: action_framework_info # actions/actions.py - 自定義操作 from typing import Any, Text, Dict,List from rasa_sdk import Action, Tracker from rasa_sdk.executor import CollectingDispatcher class ActionFrameworkInfo(Action): def name(self) - Text: return action_framework_infodef run(self, dispatcher: CollectingDispatcher, tracker: Tracker, domain: Dict[Text, Any]) - List[Dict[Text, Any]]: framework tracker.get_slot(framework_name) if framework.lower() langchain: dispatcher.utter_message(textLangChain is an open-source framework for building applications using large language models.) elif framework.lower() autogen: dispatcher.utter_message(textAutoGen is a framework from Microsoft Research that enables the development of LLM applications using multiple agents.) elif framework.lower() crewai:dispatcher.utter_message(textCrewAI is a framework for orchestrating role-playing autonomous AI agents.) else: dispatcher.utter_message(textfI dont have specific information about {framework}, but it might be one of the emerging AI agent frameworks.) return [] # 要訓(xùn)練和運(yùn)行 RASA 助手 # rasa train # rasa run10. MetaGPTMetaGPT LogoMetaGPT 由 Chenglin Wu 創(chuàng)立是最受歡迎的開源 Agent 框架之一。MetaGPT 是一個開源的多 Agent 框架利用 LLM 編排 AI Agent 來模擬協(xié)作解決問題。MetaGPT 由 Chenglin Wu 創(chuàng)立其 GitHub倉庫已獲得超過 5.6 萬星標(biāo)這表明開發(fā)者們非常喜愛這款靈活且易于使用的開源 Agentic 框架。主要特性僅憑單行需求即可生成全面的項目材料- 模擬軟件開發(fā)團(tuán)隊結(jié)構(gòu)為 Agent 分配不同的基于 GPT 的角色能夠進(jìn)行復(fù)雜的協(xié)作解決問題優(yōu)勢復(fù)刻人類的程序性知識優(yōu)化多 Agent 系統(tǒng)交互 -自動化全面的軟件開發(fā)工作流可模擬整個團(tuán)隊的角色劣勢設(shè)置復(fù)雜度較高依賴大型語言模型的能力多 Agent 交互可能存在不一致性應(yīng)用場景-自動化軟件開發(fā)項目生成復(fù)雜多 Agent 協(xié)作解決問題高級 AI 驅(qū)動的研究與分析模擬組織決策過程代碼示例from metagpt.roles import (ProjectManager, ProductManager, Architect, Engineer ) from metagpt.team import Team import asyncio asyncdefmain(): # 定義項目需求 requirement Create a web application that allows usersto search for and compare AI agent frameworks # 創(chuàng)建具有不同角色的團(tuán)隊成員 product_manager ProductManager() project_manager ProjectManager() architect Architect() engineer Engineer()# 組建一個包含這些的團(tuán)隊 team Team( nameAI Framework Explorer Team, members[product_manager, project_manager, architect, engineer] ) # 讓團(tuán)隊開始處理需求 await team.run(requirement) # 團(tuán)隊將生成 # 1. PRD (產(chǎn)品需求文檔) # 2. 設(shè)計文檔 # 3. 架構(gòu)圖 # 4. 實現(xiàn)代碼 # 5. 測試 if __name__ __main__: asyncio.run(main())11. Camel-AI (CAMEL)CAMEL LogoCamel-AI (CAMEL — Communicative Agents for Machine Learning) 是一個開源多 Agent 框架使自主 Agent 能夠協(xié)作、溝通并解決復(fù)雜任務(wù)。主要特性支持多 Agent 協(xié)作支持 Agent 系統(tǒng)的持續(xù)演進(jìn)- 為多 Agent 應(yīng)用提供通用基礎(chǔ)架構(gòu)集成用于文本和圖像任務(wù)的 AI 模型優(yōu)勢開源框架靈活支持集成各種 AI 模型能夠?qū)崿F(xiàn)自主 Agent通信劣勢作為一個較新的框架其文檔和特性可能仍在發(fā)展中應(yīng)用場景autónoma 任務(wù)求解數(shù)據(jù)生成與分析模擬環(huán)境復(fù)雜計算問題求解代碼示例from camel.agents import ChatAgent from camel.messages import BaseMessage from camel.typing import ModelType import asyncio asyncdefmain(): # 創(chuàng)建兩個具有不同角色的 Agent user_agent ChatAgent( model_typeModelType.GPT_4, system_messageYou are a user who needs help analyzing data about AI frameworks. ) assistant_agent ChatAgent( model_typeModelType.GPT_4, system_messageYou are an AI assistant specialized in data analysis and AI frameworks. ) # 用戶 Agent 發(fā)出的初始消息 user_message BaseMessage.make_user_message( role_nameUser, contentI need to compare different AI agent frameworks for my project. Can you help me analyze their features?) # 開始對話 assistant_response await assistant_agent.step(user_message) print(fAssistant: {assistant_response.content} ) # 繼續(xù)對話for _ in range(3): # 模擬幾個回合的對話 user_response await user_agent.step(assistant_response) print(fUser: {user_response.content} )assistant_response await assistant_agent.step(user_response) print(fAssistant: {assistant_response.content} ) if __name__ __main__: asyncio.run(main())開源框架與商業(yè)解決方案開源框架公開且免費(fèi)使用可定制性強(qiáng)社區(qū)驅(qū)動開發(fā)示例LangChain、CrewAI、AutoGen、LangGraph商業(yè)框架通常提供更完善的企業(yè)級功能提供專門的技術(shù)支持可能具備更強(qiáng)大的基礎(chǔ)設(shè)施示例Salesforce Agentforce、Einstein GPT、OpenAI Agents SDK 的部分功能AI Agent 框架的關(guān)鍵評估標(biāo)準(zhǔn)評估 AI Agent 框架時請考慮以下重要因素易用性靈活性社區(qū)支持集成能力性能- 可擴(kuò)展性AI Agent 框架的新興趨勢AI Agent 領(lǐng)域正在快速發(fā)展呈現(xiàn)出以下幾個顯著趨勢越來越側(cè)重于多 Agent 系統(tǒng)更復(fù)雜的推理能力工具和記憶集成得到增強(qiáng)開發(fā)接口更加簡化對低代碼和簡化 AI Agent 開發(fā)的關(guān)注日益增長如何選擇合適的 AI Agent 框架為您的項目選擇 AI Agent 框架時請考慮- 您的特定項目需求首選的編程語言可擴(kuò)展性需求集成能力社區(qū)支持和文檔需要對 Agent 行為控制的程度實現(xiàn)的復(fù)雜性所需特性預(yù)算長期可擴(kuò)展性結(jié)論AI Agent 框架格局正在快速演變其中開源解決方案在創(chuàng)新性和靈活性方面遙遙領(lǐng)先。對于希望構(gòu)建復(fù)雜 AI 應(yīng)用的開發(fā)者來說這些框架提供了創(chuàng)建智能、自主系統(tǒng)所需的工具和基礎(chǔ)設(shè)施。無論您需要用于構(gòu)建對話 Agent、多 Agent 協(xié)作系統(tǒng)還是復(fù)雜工作流自動化的框架本指南介紹的 11 個框架都提供了多種選擇以滿足不同的需求和技術(shù)專業(yè)水平。隨著 AI Agent 技術(shù)的不斷發(fā)展了解這些框架的能力和局限性對于希望在應(yīng)用中充分發(fā)揮 AI 潛力的開發(fā)者來說至關(guān)重要。在大模型時代我們?nèi)绾斡行У娜W(xué)習(xí)大模型現(xiàn)如今大模型崗位需求越來越大但是相關(guān)崗位人才難求薪資持續(xù)走高AI運(yùn)營薪資平均值約18457元AI工程師薪資平均值約37336元大模型算法薪資平均值約39607元。掌握大模型技術(shù)你還能擁有更多可能性? 成為一名全棧大模型工程師包括PromptLangChainLoRA等技術(shù)開發(fā)、運(yùn)營、產(chǎn)品等方向全棧工程? 能夠擁有模型二次訓(xùn)練和微調(diào)能力帶領(lǐng)大家完成智能對話、文生圖等熱門應(yīng)用? 薪資上浮10%-20%覆蓋更多高薪崗位這是一個高需求、高待遇的熱門方向和領(lǐng)域? 更優(yōu)質(zhì)的項目可以為未來創(chuàng)新創(chuàng)業(yè)提供基石?！禔I大模型從0到精通全套學(xué)習(xí)包》如果你想要提升自己的能力卻又沒有方向想學(xué)大模型技術(shù)去幫助就業(yè)和轉(zhuǎn)行又不知道怎么開始那么這一套**《AI大模型零基礎(chǔ)入門到實戰(zhàn)全套學(xué)習(xí)大禮包》以及《大模型應(yīng)用開發(fā)視頻教程》**一定可以幫助到你限免0元1全套AI大模型應(yīng)用開發(fā)視頻教程包含深度學(xué)習(xí)、提示工程、RAG、LangChain、Agent、模型微調(diào)與部署、DeepSeek等技術(shù)點(diǎn)2大模型入門到實戰(zhàn)全套學(xué)習(xí)大禮包01大模型系統(tǒng)化學(xué)習(xí)路線作為學(xué)習(xí)AI大模型技術(shù)的新手方向至關(guān)重要。 正確的學(xué)習(xí)路線可以為你節(jié)省時間少走彎路方向不對努力白費(fèi)。這里我給大家準(zhǔn)備了一份最科學(xué)最系統(tǒng)的學(xué)習(xí)成長路線圖和學(xué)習(xí)規(guī)劃帶你從零基礎(chǔ)入門到精通02大模型學(xué)習(xí)書籍文檔學(xué)習(xí)AI大模型離不開書籍文檔我精選了一系列大模型技術(shù)的書籍和學(xué)習(xí)文檔電子版它們由領(lǐng)域內(nèi)的頂尖專家撰寫內(nèi)容全面、深入、詳盡為你學(xué)習(xí)大模型提供堅實的理論基礎(chǔ)。03AI大模型最新行業(yè)報告2025最新行業(yè)報告針對不同行業(yè)的現(xiàn)狀、趨勢、問題、機(jī)會等進(jìn)行系統(tǒng)地調(diào)研和評估以了解哪些行業(yè)更適合引入大模型的技術(shù)和應(yīng)用以及在哪些方面可以發(fā)揮大模型的優(yōu)勢。04大模型項目實戰(zhàn)配套源碼學(xué)以致用在項目實戰(zhàn)中檢驗和鞏固你所學(xué)到的知識同時為你找工作就業(yè)和職業(yè)發(fā)展打下堅實的基礎(chǔ)。05大模型大廠面試真題面試不僅是技術(shù)的較量更需要充分的準(zhǔn)備。在你已經(jīng)掌握了大模型技術(shù)之后就需要開始準(zhǔn)備面試我精心整理了一份大模型面試題庫涵蓋當(dāng)前面試中可能遇到的各種技術(shù)問題讓你在面試中游刃有余。*這些資料真的有用嗎*這份資料由我和魯為民博士(北京清華大學(xué)學(xué)士和美國加州理工學(xué)院博士)共同整理現(xiàn)任上海殷泊信息科技CEO其創(chuàng)立的MoPaaS云平臺獲Forrester全球’強(qiáng)勁表現(xiàn)者’認(rèn)證服務(wù)航天科工、國家電網(wǎng)等1000企業(yè)以第一作者在IEEE Transactions發(fā)表論文50篇獲NASA JPL火星探測系統(tǒng)強(qiáng)化學(xué)習(xí)專利等35項中美專利。本套AI大模型課程由清華大學(xué)-加州理工雙料博士、吳文俊人工智能獎得主魯為民教授領(lǐng)銜研發(fā)。資料內(nèi)容涵蓋了從入門到進(jìn)階的各類視頻教程和實戰(zhàn)項目無論你是小白還是有些技術(shù)基礎(chǔ)的技術(shù)人員這份資料都絕對能幫助你提升薪資待遇轉(zhuǎn)行大模型崗位。06以上全套大模型資料如何領(lǐng)取用微信加上就會給你發(fā)無償分享遇到掃碼問題可以私信或評論區(qū)找我