阶段四：Agent 框架实战
🎯 目标
掌握主流 Agent 开发框架，能用框架快速构建实际应用。
一、框架全景对比
| 框架 | 核心定位 | 适合场景 | 学习难度 |
|---|---|---|---|
| LangChain | 通用 LLM 应用开发 | RAG、Agent、Pipeline | ⭐⭐ |
| LlamaIndex | 数据接入 + RAG | 知识库问答 | ⭐⭐ |
| CrewAI | 多角色 Agent 协作 | 模拟团队协作 | ⭐⭐ |
| AutoGen | 多 Agent 对话 | 复杂推理任务 | ⭐⭐⭐ |
| LangGraph | 状态图 Agent | 复杂工作流 | ⭐⭐⭐ |
| OpenAI Swarm | 极简多 Agent | 学习 Agent 编排 | ⭐ |
二、LangChain 入门
2.1 核心概念
┌────────────────────────────────────┐
│ LangChain 架构 │
│ │
│ Model ─── Prompt ─── Output Parser│
│ │ │
│ Chain（链） │
│ │ │
│ Agent + Tools │
│ │ │
│ Memory（记忆） │
└────────────────────────────────────┘
2.2 构建一个简单 Agent
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool
# 定义工具
@tool
def search(query: str) -> str:
"""搜索互联网获取信息"""
# 实际使用时接入搜索 API
return f"关于 '{query}' 的搜索结果..."
@tool
def calculator(expression: str) -> str:
"""计算数学表达式"""
return str(eval(expression))
# 创建 Agent
llm = ChatOpenAI(model="gpt-4o")
tools = [search, calculator]
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 运行
result = agent_executor.invoke({
"input": "2024年全球人口是多少？人均GDP是多少？"
})2.3 LangChain 核心模块
- Chains：将多个组件串联成流水线
- Agents：根据输入动态选择工具
- Memory：维护对话历史
- Retrievers：检索相关文档（RAG）
- Callbacks：监控和日志
三、LangGraph（重点推荐）
LangGraph 是构建复杂 Agent 的最佳选择。
3.1 为什么选 LangGraph？
- ✅ 基于状态图（State Graph），工作流清晰可视化
- ✅ 支持循环、条件分支、并行
- ✅ 内置人机交互节点
- ✅ 支持持久化状态
3.2 核心概念
State（状态）: Agent 运行中的所有数据
Node（节点） : 处理状态的函数
Edge（边） : 节点之间的转移（可带条件）
3.3 示例：构建一个 Research Agent
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
# 定义状态
class AgentState(TypedDict):
query: str
search_results: list[str]
analysis: str
report: str
iterations: int
# 节点：搜索
def search_node(state: AgentState) -> AgentState:
results = search_api(state["query"])
state["search_results"] = results
state["iterations"] += 1
return state
# 节点：分析
def analyze_node(state: AgentState) -> AgentState:
analysis = llm.analyze(state["search_results"])
state["analysis"] = analysis
return state
# 节点：生成报告
def report_node(state: AgentState) -> AgentState:
report = llm.generate_report(state["analysis"])
state["report"] = report
return state
# 条件边：是否需要继续搜索
def should_continue(state: AgentState) -> str:
if state["iterations"] < 3 and not state.get("analysis"):
return "search"
return "report"
# 构建图
graph = StateGraph(AgentState)
graph.add_node("search", search_node)
graph.add_node("analyze", analyze_node)
graph.add_node("report", report_node)
graph.add_edge("search", "analyze")
graph.add_conditional_edges("analyze", should_continue)
graph.add_edge("report", END)
graph.set_entry_point("search")
app = graph.compile()四、CrewAI 入门
4.1 核心概念
Crew（团队）
├── Agent 1（研究员）：负责搜集信息
├── Agent 2（分析师）：负责分析数据
└── Agent 3（写手） ：负责撰写报告
│
└── Task（任务）：按顺序或并行执行
4.2 示例
from crewai import Agent, Task, Crew
researcher = Agent(
role="市场研究员",
goal="收集 AI Agent 市场的最新信息",
backstory="你是一位经验丰富的市场研究员",
llm=ChatOpenAI(model="gpt-4o")
)
analyst = Agent(
role="数据分析师",
goal="分析市场数据并提取洞察",
backstory="你擅长从数据中发现趋势",
llm=ChatOpenAI(model="gpt-4o")
)
research_task = Task(
description="研究 2024 年 AI Agent 市场规模和主要玩家",
agent=researcher,
expected_output="一份详细的市场调研摘要"
)
analysis_task = Task(
description="基于调研数据，分析市场趋势和机会",
agent=analyst,
expected_output="包含图表建议的市场分析报告"
)
crew = Crew(
agents=[researcher, analyst],
tasks=[research_task, analysis_task],
verbose=True
)
result = crew.kickoff()五、实战项目
项目 1：个人知识助手（LangChain + RAG）
功能：
- 上传 PDF/文档
- 自动构建知识库
- 基于知识库回答问题
- 引用来源
技术栈：LangChain + ChromaDB + OpenAI
项目 2：研究报告生成器（LangGraph）
功能：
- 自动搜索指定主题
- 收集多个来源信息
- 分析对比
- 生成结构化报告
技术栈：LangGraph + Tavily Search + OpenAI
项目 3：团队协作 Agent（CrewAI）
功能：
- 产品经理 Agent 需求分析
- 工程师 Agent 技术方案
- 测试 Agent 质量检查
技术栈：CrewAI + 自定义工具
📚 推荐资源
- 📖 LangChain 官方文档
- 📖 LangGraph 官方教程
- 📖 CrewAI 官方文档
- 📺 DeepLearning.AI - LangChain 短课程
- 💻 LangChain Templates
✅ 阶段完成标准
- 用 LangChain 构建一个带工具的 Agent
- 理解 LangGraph 的状态图模型
- 用 CrewAI 实现多角色协作
- 完成至少 1 个实战项目
- 能根据需求选择合适的框架
上一阶段 ← Agent路线图-03-Agent核心原理 下一阶段 → Agent路线图-05-多Agent系统