从零开始构建AI Agent框架（一）：打造功能强大的开放Agent编辑平台

前言

之前我们讲过了想将LLM能力在具体的应用中实践，最好的方法是做成一个agent，具体参考[大模型应用]。

本系列我们就从零写一个agent框架，方便我们构造和运行agent。

coze dify 等agent编排框架探索

动手之前先看看目前比较好的这些agent编排框架。

首先我认为最好的是字节的coze:https://www.coze.com它以bot(agent)为主体，在其上增加了一些RAG，workflow等等功能。并且提供了single和multi两种模式。

用起来很简单，只需要少量的编辑，就能够快速将应用搭建起来。

当然这种设计也导致它的编排能力非常弱，尤其是对于CoT这种场景。它的workflow也不支持嵌入bot，只提供了一些简单节点。多bot的场景只能用multi agent模式，但这个模式也只是简单的编排。做一些复杂操作非常勉强。

但我最喜欢的是它的workflow能嵌workflow，属实是能力无限。

dify:[github地址]

可以理解为开源，低配版coze

其他有 FlowiseAI，kuafu，Boxcars等等

还有一个比较另类的Stable Diffusion，我非常喜欢他的ComfyUI，这也算是一种workflow，非常的比较open，且能够导来导入，且不拘一格，可以任意流转。

目标

那我们这个ai_agent框架目标如下：

1. 编排式agent，不应该拘泥于某一范式来编排agent，而应该是一个开放的能力。这主要是因为在解决复杂问题时固定范式会限制我们的思路。
2. BaaS Solution 服务和编排分离，基于一个的中间层的协议通信。在应用发布后，只需要调用服务的api即可。
3. 能力无限 workflow和agent都可以作为一个新的agent的子节点。

架构设计

简略的划分为两个模块，agent服务和webui，一个用来运行agent，一个用来编排agent。

• webui：用来编排agent的ui界面，编排后的结果是一个执行计划plan。
• agent serve：agent服务，能够加载各种service(llm，workflow等)，并根据plan执行这些service。
• python_rt: python运行环境，就是说可以直接将py代码作为service执行，以后还会有wasm_rt等等。
• agent_rt: agent运行时，是调度plan的核心。

快速体验

项目地址 [传送门]

启动服务

启动需要示例

• python_rt : 是为了能够远程调用python，并保证一个安全和沙盒环境，版本使用的3.11.9
• webui : 用的wasm制作的编辑器，需要trunk绑定，[trunk安装教程]
• openai：我这里llm主要用的openai，如果你需要llm能力，则需要先设置appkey到环境变量中。

// 启动python运行时，我这里直接打包成了docker，python版本3.11.9
docker run -itd -p 50001:50001 wdshihaoren/python_rt:16896997

//运行实例，就是起一个rpc服务，能够运行plan
cd example
cargo run --bin serve

//运行webui
cd webui/server
go run main.go

cd webui
trunk serve 

加载plugin

project->LOAD，从webui/server中加载所有的plugin插件，[插件地址]，其实就是一堆json，定义插件的视图长啥样。

到这里可以自己拖拽一些节点制作workflow了。

upload plugin

我们这里直接上传一个做好的agent： single agent。将内容粘贴到plan-text-view窗口中，up plugin上传。可以看到所有的流程节点。

执行流程

打开work-flow-view视图，可以看到single agent执行流程非常简单。

• 注意： 一个流程总是以start节点开始，以end节点结束。

1. 根据用户输入，调用llm，
2. 如果需要调用tool，则用python执行tool，然后将结果追加到llm的上下文中。继续调用llm。
3. 如果不需要执行tool，则流程结束，返回答案answer。

debug

点击debug，查看关键流程的执行结果是否符合预期。

至此，一个简单的流程就体验完了。

尾语

我会继续完善这个项目相关的文档，每个模块都会有一篇文章介绍，同时诚邀感兴趣的小伙伴们的参与，一个人工作量有点大。

项目目前刚开始做，还有很多功能没有完善，之后可能会有大的改动。

关于能力无限，其实上面这个workflow可以导出来作为一个workflow被其他的agent调用。可以在workflow->custom_workflow中体验。

如果不想用webui这么复杂的东西，可以直接用rust，引用crate.io上的agent_rt和wd_agentlib，然后编码体验。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓