神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：2025年是AI智能体元年。本系列文章旨在介绍AI智能体的概念、类型、原理、架构、开发等，为进一步了解AI智能体提供入门知识。本文为系列文章的第三篇，文章来自编译。
1. 引言
智能体框架通过赋能自主系统动态感知、推理和行动，彻底改变了人工智能领域。本节将探讨智能体框架的核心概念，同时强调开源解决方案对现代AI开发创新和可扩展性的重要性。
1.1 什么是智能体框架（Agentic Frameworks）？
智能体框架是人工智能系统设计范式转变的标志。与依赖静态预定义工作流的传统AI应用不同，智能体框架引入了动态、自适应的系统，能够自主感知、推理和行动。这些框架将复杂任务分解为子任务，由协作完成目标的专用智能体处理。通过利用大语言模型（LLM），智能体框架可无缝管理工作流、决策和工具集成，因此非常适合动态决策和实时问题解决等高级应用。
LangGraph与CrewAI等智能体框架就是这种动态做法的体现，开发者得以从单智能体线性工作流转向多智能体协作系统。
1.2 为何如此重要？
从零开始构建智能体并非易事。LangGraph、CrewAI与OpenAI Swarm等框架简化了这一过程，让开发者能够专注于应用逻辑，而非重新实现状态管理、编排和工具集成等基础功能。智能体框架的核心功能包括：
定义智能体和工具的简易方法
编排机制
状态管理
支持复杂应用的其他工具（如持久化存储层、中断处理等）
我们将在后续章节逐一探讨这些功能。
2. 主流智能体框架与工具库
接下来，我们将深入探讨当前最突出的AI智能体框架和工具：
来源：analyticsvidhya
2.1 LangChain框架
LangChain是一个强大且灵活的框架，可简化基于大语言模型（LLM）应用的开发。凭借丰富的工具和抽象层，开发者能设计出具备复杂推理、任务执行及与外部数据源和API交互能力的AI智能体。
在与LLM协作时，开发者常面临保持长对话上下文、整合外部信息和协调多步骤项目等挑战。LangChain通过模块化架构解决这些问题，其组件可灵活组合以支持多样化用途。
https://github.com/langchain-ai/langchain/tree/master/libs/langchain/langchain/agents
Github地址：
文档链接:
2.2 LangGraph框架
LangGraph是LangChain的扩展，支持利用大语言模型（LLM）创建有状态的多角色应用。对构建涉及规划、反思和多智能体协调的复杂交互式AI系统尤其适用。
Github地址：https://github.com/langchain-ai/langgraph
文档链接:
2.3 CrewAI
CrewAI是一个用于编排角色扮演AI智能体的框架。开发者可创建由多个AI智能体组成的“团队”，每个智能体承担特定角色和职责，协作完成复杂任务。该框架尤其适合构建需多领域专业知识和协调合作的协作式AI系统。
Github地址：https://github.com/crewAIInc/crewAI
文档链接:
2.4 Microsoft Semantic Kernel
Microsoft Semantic Kernel旨在弥合传统软件开发与AI能力之间的鸿沟，其关注重点是将大语言模型（LLM）集成到现有应用中。该框架为开发者提供了在不彻底重构现有代码库的前提下整合AI功能的工具。
该框架SDK很轻量，且支持多编程语言，所以可高度适应不同的开发环境。而且它的编排器支持管理复杂的多步骤AI任务，可帮助开发者在应用中创建高级AI驱动工作流。
Github地址：https://github.com/microsoft/semantic-kernel
文档链接:
2.5 Microsoft AutoGen
Microsoft AutoGen是一个开源框架，可用于构建高级AI智能体和多智能体系统。由微软研究院开发，其设计强调模块化、可扩展性和易用性，可帮助开发者高效构建复杂AI系统。
Github地址：
文档链接:
2.6 Smolagents
Smolagents是一个前沿的开源框架，旨在革新AI智能体开发。它为开发者提供构建智能协作多智能体系统的全套工具，强调灵活性与模块化，支持创建独立运行或与人类协同的复杂AI系统。
文档链接
Github地址:
2.7 AutoGPT
AutoGPT基于健壮的GPT-4语言模型，可通过语言输入执行目标导向活动，是自主AI智能体领域的重大突破。这个AI助手将决策能力提升至新高度，超越基础的反射型智能体，能集成高级功能，是多领域应用的有用工具。
Github地址：
文档链接:
2.8 Agno（Phidata）框架
最后一个AI智能体框架是Phidata。它是一个多模态智能体框架，支持开发协作式智能体系统。其设计整合了记忆和工具组件，可令智能体能够自主稳定运行。Phidata智能体默认支持文本、图像和音频等多模态数据，无需依赖外部工具。该框架还提供用于视觉交互的Agentic UI，并率先实现了Agentic RAG，支持智能体搜索知识库。
Github地址：
文档链接:
3. 智能体框架对比
下图对本文讨论的主要AI智能体框架进行了概略对比，旨在突出各框架的独特优势与专注领域，帮助开发者和研究者选择最适合需求的工具。
4. LangGraph深度解析
LangGraph是由LangChain团队构建的库，旨在帮助开发者创建基于图谱的单智能体或多智能体AI应用。作为底层框架，LangGraph可让开发者控制智能体间的交互方式、工具选择及信息流管理。
4.1 什么是Graph？
假设有一组数据可表示为网络，其中每个数据或实体与其他数据或实体存在多种类型关系（如一对一、一对多、多对多）。图的两大核心组件是节点（nodes）与边（edges）。
示例： 交通数据或社交媒体网络中的实体/用户关系可用图直观表示。
图可分为有向图与无向图：
有向图：边有方向（如社交媒体关注）。
无向图：边表示对称关系（如LinkedIn好友）。
来源：ionio
4.2 核心概念
4.2.1 图的结构
LangGraph的核心设计是基于图的工作流表示，包含两大要素：
节点： 工作流的基本单元。每个节点代表一个独立任务（如调用LLM、与API交互）。
边： 引导信息流和控制流。
简单边（Simple Edges）：节点间的直接无条件流转。
边的类型：条件边（Conditional Edges）：根据节点结果（如用户响应）分支工作流。
4.2.2 状态管理
LangGraph通过集中的状态对象管理状态，会记录：
对话历史：支持上下文感知响应。
上下文数据：用户偏好、外部数据。
内部变量：控制智能体行为的标志或计数器。
5. LangGraph实战
5.1 安装
打开终端运行以下命令：
pip install -U langgraph
-U 确保安装的是最新版
5.2 创建一个基础版的聊天机器人
下述代码是理解LangGraph基本概念的一个好的起点。
代码示例：
步骤：
1.导入必要的库
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
2.定义状态结构：
class State(TypedDict):
# 'messages' will store the chatbot conversation history.
# The 'add_messages' function ensures new messages are appended to the list.
messages: Annotated[list, add_messages]
# Create an instance of the StateGraph, passing in the State class
graph_builder = StateGraph(State)
3.初始化大语言模型：
#pip install -U langchain_anthropic
from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
4.创建Chatbot节点：
def chatbot(state: State):
# Use the LLM to generate a response based on the current conversation history.
response = llm.invoke(state["messages"])
# Return the updated state with the new message appended
return {"messages": [response]}
# Add the 'chatbot' node to the graph,
graph_builder.add_node("chatbot", chatbot)
5.定义入口与出口：
# For this basic chatbot, the 'chatbot' node is both the entry and finish point
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
6.编译：
graph = graph_builder.compile()
7.可视化：
from IPython.display import Image, display
try:
display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
# This requires some extra dependencies and is optional
pass
8.运行：
while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
print("Goodbye!")
break
# Process user input through the LangGraph
for event in graph.stream({"messages": [("user", user_input)]}):
for value in event.values():
print("Assistant:", value["messages"][-1].content)
这个代码片段演示了LangGraph聊天机器人的基本结构，引入更复杂的状态管理和不同的LLM模型，或者连接上外部工具和API就可以进行拓扩展。关键是要定义清楚承担不同任务的节点，用边来建立希望达成的信息流，并且做好机器人内部的控制。
5.3 高级LangGraph技巧
工具集成：集成工具进LangGraph可显著增强智能体的能力。
下面就用工具集成来增强前面那个基础版机器人的能力
我们修改一下，把一个可以在web上搜索信息的工具纳入进来。用的是langchain_community.tools.tavily_search的TavilySearchResults工具。当然，你得配置Tavily API key。
#pip install -U tavily-python langchain_community
from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
class State(TypedDict):
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
tool = TavilySearchResults(max_results=2)
tools = [tool]
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
llm_with_tools = llm.bind_tools(tools)
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
graph_builder.add_node("chatbot", chatbot)
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges(
"chatbot",
tools_condition,
)
# Any time a tool is called, we return to the chatbot to decide the next step
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
graph = graph_builder.compile()
6. 给Chatbot添加记忆功能
记忆功能对创建可参与会话的聊天机器人十分关键，因为机器人得记住过去的互动。
LangGraph的检查点系统通过thread_id来保存状态，支持跨会话的连续性。
实现方法：
# ... (Previous code to define State, graph_builder, nodes, and edges)
from langgraph.checkpoint.memory import MemorySaver
# Create a MemorySaver object to act as the checkpointer
memory = MemorySaver()
# Compile the graph, passing in the 'memory' object as the checkpointer
graph = graph_builder.compile(checkpointer=memory)
# ... (Rest of the code to run the chatbot)
7.人在回路
对于希望将人类监督、验证或决策纳入到AI应用的情况来说，人在回路（Human-in-the-loop）工作流是必不可少的。
用中断实现人在回路
下述代码演示的是利用LangGraph的interrupt_before 或 interrupt_after功能实现人在回路：
from typing import Annotated
from langchain_anthropic import ChatAnthropic
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
class State(TypedDict):
messages: Annotated[list, add_messages]
graph_builder = StateGraph(State)
tool = TavilySearchResults(max_results=2)
tools = [tool]
llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
llm_with_tools = llm.bind_tools(tools)
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
graph_builder.add_node("chatbot", chatbot)
tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges(
"chatbot",
tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
memory = MemorySaver()
graph = graph_builder.compile(
checkpointer=memory,
# This is new!
interrupt_before=["tools"],
# Note: can also interrupt __after__ actions, if desired.
# interrupt_after=["tools"]
)
8. 真实世界用例
智能客服： 支持记忆和人工转接的聊天机器人。
AI研究助手： 文献搜索与总结。
个性化学习： 自适应教育平台。
高效业务： 自动化工作流与数据分析。
9. 结论
智能体框架正在彻底改变AI系统的运作方式，让其得以通过智能、自主的智能体实现动态推理、规划和交互。本文探讨了智能体框架的重要性，梳理了主流工具库并对比了各自优势。实战部分展示了LangGraph在构建记忆功能、人类介入流程和可扩展应用方面的能力。
随着AI的持续发展，LangGraph、LangChain和CrewAI等框架将在塑造下一代智能应用中发挥关键作用。现在正是开始实验与创新的最佳时机。
祝编程愉快！
延伸阅读：
译者：boxi。
