【AI大模型】AI Agents入门教程之不同的开源智能体框架，小白收藏这一篇就够了！！

我们都听说过CrewAI和AutoGen，但您知道吗？目前市面上已有数十种开源智能体框架——其中许多都是过去一年内发布的。

我简单测试了几款较热门的框架，初步感受了它们的工作原理和上手难度。接下来就让我们逐一剖析这些框架的特色功能。

本文将重点评测LangGraph、Agno、SmolAgents、Mastra、Pydantic AI和Atomic Agents六大框架，并与CrewAI和AutoGen进行横向对比。我们将解析各框架的核心功能、设计理念以及技术路线等。

代理式人工智能（Agentic AI）的核心，是围绕大语言模型（LLM）构建系统，使其具备精准的知识储备、数据访问能力和执行功能。你可以将其理解为：用自然语言来自动化流程和任务。

利用自然语言处理（NLP）实现自动化并非新鲜事——多年来我们一直用NLP来提取和处理数据。真正的突破在于，如今我们可以赋予语言模型更高的自由度，让它们动态处理模糊信息并自主决策。

但要注意：LLM能理解语言，不等于它们拥有”代理能力”（agency），甚至未必能真正领会你想自动化的任务。正因如此，构建可靠的智能体系统需要大量工程化设计。

智能体框架的核心功能在于辅助提示词工程（prompt engineering），并管理LLM的输入输出数据流——但它们还提供了更高层次的抽象，大幅降低了开发门槛。

假设你要从头构建一个系统，让LLM调用不同的API工具，传统做法是在系统提示词中硬编码这些规则。你需要要求LLM在返回答案时，必须附带它想调用的工具名称，这样系统才能解析并执行对应的API调用。

本质上，我们讨论的是提示词工程（prompt engineering）——这是所有框架的底层基础。一般来说，框架通常通过两种方式提供帮助：一是合理构建提示（prompt），确保大型语言模型（LLM）以正确的格式回应；二是解析模型的响应，将其路由到正确的工具（API、文档或其他资源）。

在构建知识库时，框架也可以帮助进行文档的分块（chunking）、嵌入（embedding）和存储。这些内容会作为上下文加入到提示中，就像我们构建标准的检索增强生成（RAG）系统一样。此外，框架还能处理错误捕获、结构化输出、结果验证、系统监控、部署管理等任务，并通过代码组织能力支持更复杂的系统构建（例如多智能体协作架构）。

然而，许多人认为使用完整的框架可能有些“杀鸡用牛刀”。

问题在于：如果LLM没有正确使用工具，或者出现故障，这种抽象可能变成负担，因为你很难调试。换模型时也可能出现问题——系统提示（prompt）可能针对某个模型量身定制，转到其他模型时效果不佳。

因此，一些开发者会重写框架的部分内容，例如在 LangGraph 中的 create_react_agent，以获得更好的控制。一些框架较轻便，另一些则功能更丰富，提供额外的特性，但它们都有社区支持，能帮助你入门。一旦掌握了其中一种（包括其底层工作原理），学习其他框架也会变得更容易。

我们确实需要参考社区的实际案例来评估框架的表现，但最流行的框架未必总是最优选。

大家常听说的有 CrewAI 和 AutoGen。

• CrewAI 是一个高度抽象的框架，可以通过隐藏底层细节，帮助你快速构建代理系统。
• AutoGen 则专注于自主、异步的智能体协作，智能体们可以根据自身需要自由合作，这使得它更适合用于测试和研究。

• LangGraph 仍然是一个比较知名的系统，但值得被强调为开发者的主要框架之一。它采用基于图的方式，构建节点并通过代理连接它们。相比前两个，LangGraph 提供了更严格的工程控制，不假设智能体会拥有较强的自主性。

  需要指出的是，很多人觉得 LangGraph 在抽象层次上过于复杂，调试起来比较困难。其思想是学习曲线较陡，但一旦掌握了基本原理，使用起来会变得更容易。

此外，我还想介绍一些较新的框架。

• Agent 智能体

  下一个是 Agno（之前叫 Phi-Data），它专注于提供极佳的开发者体验，也有我见过最清晰的文档之一。它非常即插即用，配备丰富的内置功能，组织成合理、清晰的抽象结构，便于快速上手。

• SmolAgents 是一个非常简洁的框架，它引入了一个代理—— CodingAgent——通过代码（而非JSON）路由数据。它还可以直接访问整个 Hugging Face 模型库。

  

关于一些不常提及的开源框架：

• PydanticAI： 基于 Pydantic，抽象层极少，提供一个高度透明的基础框架。非常适合需要严格类型安全、可预测验证输出的场景，便于细粒度控制和调试
• Atomic Agents 由一位个体开发者构建，采用基于架构的构建块，像乐高一样连接，强调结构和控制。它诞生的背景是市场上缺乏能够有效实践的解决方案。

PydanticAI 和 Atomic Agents 的共同目标是摆脱“黑箱”式的独立行为AI，实现更可控、更透明的系统。

最后，Gatsby 团队打造的 Mastra，是一款面向前端开发者的 JavaScript 框架，旨在让开发者可以在自己生态系统中轻松构建代理。

我们接下来会详细介绍每个框架提供的内容以及它们之间的区别。

大多数框架都包含相同的核心构建模块：支持不同模型、工具、记忆体和RAG（检索增强生成）。

大多数开源框架或多或少都具备模型无关性。这意味着它们被设计为支持多种供应商的模型。然而，如前所述，每个框架都有自己独特的系统提示结构——这种结构可能更适合某些模型而非其他模型。

这也正是为什么理想情况下，大家需要能够访问系统提示并根据需要对其进行调整。

所有智能体框架都支持工具集成，因为工具对于构建能够执行行动的系统至关重要。它们还通过简单的抽象使自定义工具的定义变得容易。如今，大多数框架都正式或通过社区解决方案支持MCP。

需要注意的是，并非所有模型都内置了函数调用功能，而这是使用工具所必需的。要确定哪些模型最适合作为基础大语言模型（LLM），大家可以参考Hugging Face的智能体排行榜。

网址：https://huggingface.co/blog/pratikbhavsar/agent-leaderboard

为了使智能体能够在LLM调用之间保留短期记忆，所有框架都利用了状态（state）机制。状态帮助LLM记住早期步骤或对话部分的内容。

大多数框架还提供了简单的选项，用于设置与不同数据库的RAG，以便为智能体提供知识支持。

最后，几乎所有框架都支持异步调用、结构化输出、流式处理等。

在某些方面，不同的框架会有差异，比如支持多模态输入、长期记忆和多智能体系统的支持。有些框架内置了这些功能，而另一些则需要开发者自行实现。

首先，一些框架内置了多模态处理方案——也就是说，支持文本、图像和语音等多种输入。只要模型支持，这些功能都可以通过自行实现来完成。

正如前面所说，短期记忆（状态）是框架的标准配置——没有它，就无法构建使用工具的系统。然而，长期记忆的实现更为复杂，这也是不同框架之间的差异所在。有的框架提供了内置解决方案，而有些则需要开发者自行集成其他解决方案。多智能体能力在不同框架中的实现方式也有所不同。多智能体系统允许大家构建协作式或分层式架构，让多个智能体通过监督者（supervisor）相互连接。

大多数框架建议保持智能体的专注性——即限定其工具集和任务范围。这意味着在复杂工作流中，你可能需要构建多个智能体团队。虽然所有框架都支持单层团队，但在扩展到多层、多层级系统时，部分框架会变得复杂。

• LangGraph在这方面表现突出——你可以构建节点，将它们连接到不同的监督者，并可视化不同团队的交互方式。在构建大规模多智能体系统时，它显然是最灵活的
• Agno最近增加了对协作式和分层式团队的支持，但目前缺乏更复杂的多层架构示例。
• SmolAgents允许将智能体连接到监督者，但随着系统规模扩大，复杂度会上升。它的团队结构与 CrewAI 类似。Mastra 在这方面也类似。
• PydanticAI和 Atomic Agents 则需要开发者手动编排智能体团队，因此协调工作完全由开发者负责。

不同开源框架在抽象程度、赋予代理的控制权以及实现功能所需的编码量方面各不相同。

首先，有些框架会尽可能多地内置各种功能，使得快速上手变得非常容易。

我认为，Mastra、CrewAI，以及在一定程度上，Agno都是设计为即插即用的。LangGraph也有相当程度的抽象，但它采用基于图的系统，需要手动连接各个节点。这提供了更大的控制权，但也意味着你必须自己设置和管理每个连接，学习难度相对较高。

接下来是低层次抽象的框架，比如PydanticAI、SmolAgents和Atomic Agents。这些框架强调透明性，但通常需要你自己构建调度与协调的流程。这为你提供了完全的控制，也方便调试，但同时也会延长开发时间。

另一个差异点在于框架假设智能体应该拥有的自主性。有些框架的理念是让大型语言模型（LLMs）足够聪明，能够自主完成任务。其他一些则倾向于严格控制—只赋予智能体一个明确的任务，并一步步指导其操作。

AutoGen和SmolAgents属于前者，而其他大多偏向于控制型。这一点值得考虑：当开发者构建偏向严格控制的框架时，往往是因为还没有找到让智能体自主工作的可靠方法。

这个领域也逐渐像工程开发一样，需求借助编码技能。

如果你打算构建这类系统，理解编码基础是必要的。关键在于这些框架在技术要求上差异有多大。如果你经验较少，选择CrewAI、Agno或Mastra可能是个不错的主意。

对于简单的用例，SmolAgents也相对直接。

而使用PydanticAI、Atomic Agents或LangGraph，你可能需要自己编写更多逻辑代码。当然，构建智能体来帮你梳理和结构化代码也是可行的。

如果你是编程新手，可以考虑Flowise或Dify。

最后，值得关注的是这些框架的开发者体验。据我所知，大多数开发者觉得CrewAI和AutoGen在调试方面比较困难。SmolAgents的CodeAgent提出了一种新颖的方法——由智能体输出代码来路由数据，这点很酷，但并不总是能按预期工作。

尤其是LangGraph（配合LangChain使用）学习曲线陡峭，抽象概念有时令人困惑，可能需要反复拆解重建。

PydanticAI和Atomic Agents普遍受到开发者的好评，但它们都需要你自己实现调度流程。

Agno和Mastra虽然是不错的选择，但在调试遇到循环调用等问题时可能比较困难。

入门的最好方式就是直接尝试一下。不过，我希望这份介绍能为你提供一个关于现有开源框架的基本概览 — 以及哪些可能适合你。

不过，这只是对每个框架的粗略介绍，因为我没有涉及企业级的可扩展性或操作的鲁棒性等方面。如果你正打算为这些目标构建系统，可能需要另外进行专门的研究。

一些开发者认为，AI智能体框架是最差的抽象形式之一——它们常常让事情变得比直接使用官方大型语言模型（LLM）提供商的SDK更加复杂。

至于这个观点是否成立，就留给大家自行判断了。

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】