啥是AI Agent！2025年值得推荐入坑AI Agent的五大工具框架！（新手科普篇）

最新推荐文章于 2025-03-29 09:59:01 发布

deepseek大模型

最新推荐文章于 2025-03-29 09:59:01 发布

阅读量2.5k

点赞数 13

文章标签：人工智能大数据算法学习产品经理深度学习机器学习

本文链接：https://blog.csdn.net/kaka0722ww/article/details/145499471

版权

在AI技术飞速发展的今天，AI Agent已经成为了一个热门的研究和应用领域。无论是企业还是个人开发者，都希望能够借助AI Agent来提升工作效率、优化业务流程或创造全新的用户体验。然而，从零开始构建一个AI Agent并非易事，幸运的是，市面上有许多优秀的框架可以帮助我们快速入坑。今天，就让我们一起来看看2025年值得入坑的五大AI Agent框架吧！

1、先来理解AI Agent是个啥？

AI Agent目前我见到的最多的翻译是“智能体”，但是直译过来是“智能代理”。

它是一种能够感知环境、自主决策并执行任务以实现特定目标的智能系统。它以大型语言模型（LLM）为核心，赋予机器自主性、适应性和交互性，使其能在复杂多变的环境中独立运作。简单来说，AI Agent 就像是一个拥有独立思考和行动能力的智能助手，能够理解你的需求，并通过调用各种工具和资源，为你完成一系列复杂的任务。

就像一位能干的私人助理，它不仅能执行指令，更重要的是能够理解任务背景、制定执行计划，并在遇到问题时灵活调整策略。

AI Agent 的核心在于其自主学习和决策能力，它能够通过不断积累经验来优化自己的行为模式。

AI Agent智能体，通常具备以下特点：

自主性： AI Agent能够自主决策和执行任务，无需人类干预。
适应性： 能够根据环境变化调整自己的行为。
交互性： 能够与人类或其他AI Agent进行交流与合作。
学习能力： 通过学习不断优化自己的行为和决策。

在当今数字化时代，AI Agent 正逐渐成为推动各行业发展的重要力量。它广泛应用于客户服务、医疗诊断、股市交易、智能交通、教育辅导等多个领域，为我们的生活和工作带来了极大的便利和效率提升。而 AI Agent 框架，则是构建和开发这些智能代理的关键工具，它为 AI Agent 的创建、部署和管理提供了全方位的支持。接下来，让我们一起深入了解 2025 年值得入坑的五大 AI Agent 框架。

2、框架一：AutoGen

AutoGen是微软发布的一个智能体协作框架，由微软与宾夕法尼亚州立大学和华盛顿大学团队合作，于 2023 年 10 月发布。其设计旨在帮助开发者创建基于大语言模型（LLM）的复杂应用程序，通过多个智能体之间的协作与交互，实现更加智能和灵活的任务处理。

2.1 主要特点

多智能体协作：支持整合不同的大语言模型，AutoGen允许创建代理网络，每个代理都可以独立工作或与其他代理协作。
代码自动生成与执行：代理可以自动生成、执行和调试代码，对软件工程和数据分析任务非常有用。
外部工具集成：代理可以与外部工具、服务和API交互，显著扩展其功能。
可插拔组件：系统支持通过可插拔组件进行自定义，包括自定义代理、工具、内存和模型。

2.2 基本使用

AutoGen支持Python和.NET，开发人员可以配置代理，在执行特定任务之前请求人类用户的指导或批准。代理通过异步消息进行通信，支持事件驱动和请求/响应交互模式。

1、以Python为例，使用 pip 安装pyautogen库，命令如下：

pip install pyautogen

2、核心组件使用 ConversableAgent：用于管理每个角色的行为，是会话的基类。一般不直接使用，而是作为其他类的父类。它能保持对话状态、历史记录，并调用其他工具。例如创建一个 AssistantAgent（继承自 ConversableAgent）：

from autogen import AssistantAgent      # 创建一个AssistantAgent，设置系统消息   assistant = AssistantAgent(       name="assistant",       system_message="你是一个乐于助人的AI助手"   )

3、UserProxyAgent：用于模拟用户输入和执行代码等，充当用户角色。比如：

from autogen import UserProxyAgent         # 创建一个UserProxyAgent，设置代码执行配置   user_proxy = UserProxyAgent(       name="user_proxy",       code_execution_config={"work_dir": "coding", "use_docker": False}   )

4、GroupChat：用于管理多个智能体的协作，所有智能体参与到一个对话线程中并共享相同的上下文。示例如下：

from autogen import GroupChat, GroupChatManager      # 创建多个智能体   agent1 = AssistantAgent("agent1", system_message="智能体1的任务描述")   agent2 = AssistantAgent("agent2", system_message="智能体2的任务描述")      # 创建GroupChat，添加智能体   groupchat = GroupChat(agents=[agent1, agent2], messages=[])   # 创建GroupChatManager管理GroupChat   manager = GroupChatManager(groupchat=groupchat)

5、发起对话：通过initiate_chat方法发起智能体之间的对话，示例如下：

# 发起用户代理与助手代理之间的对话   user_proxy.initiate_chat(assistant, message="请帮我写一篇关于人工智能发展的文章大纲")

上述代码中，首先创建了一个助手代理assistant和一个用户代理user_proxy，然后通过user_proxy发起与assistant的对话，请求生成一篇关于人工智能发展的文章大纲。在实际应用中，你可以根据具体需求，调整智能体的配置、数量和对话内容，以实现各种复杂的任务。

2.3 应用场景

AutoGen 的应用场景广泛，在多个领域都能发挥重要作用：

软件开发： 可以自动生成代码，帮助开发人员快速实现各种功能。通过智能体之间的协作，能够完成从需求分析到代码编写、测试等一系列软件开发任务，提高开发效率，减少开发周期。
数据分析： 协助用户自动生成数据分析模型和算法。通过多个智能体的分工协作，能够快速完成数据预处理、特征选择、模型训练和评估等工作，为数据分析提供有力支持。
智能客服： 多个智能体可以协同工作，更好地理解用户问题，提供准确、快速的回答。能够处理复杂的客户咨询，提供个性化的服务，提升客户满意度。
教育领域： 用于创建智能辅导系统，根据学生的学习情况和问题，智能体之间相互协作，提供针对性的辅导和解答，帮助学生更好地学习和掌握知识。

3、框架二：LangGraph

LangGraph是一个专注于自然语言处理的框架，它通过循环控制、状态管理和人机交互等技术，帮助开发者构建复杂的AI Agent。适用于多种应用场景，如智能客服、智能投资顾问等。

3.1 主要特点

循环控制：能够处理复杂的循环任务，确保Agent在多轮对话中保持连贯性和一致性。
状态管理：有效管理Agent的状态，使其能够根据不同的上下文和用户输入做出合理的响应。
人机交互：提供了丰富的人机交互功能，使得Agent能够更好地理解和满足用户的需求。
多Agent通信和协作：支持多智能体之间的通信和协作，共同完成复杂任务。
高度可定制：可以根据具体需求进行定制化开发，满足个性化功能要求，拥有丰富的插件、工具和第三方服务支持，方便功能扩展和优化。

3.2 基本使用

使用LangGraph时，你需要首先安装LangGraph框架,使用 pip 安装langgraph库，命令如下：

pip install -U langgraph

安装时可能还需要安装其他相关依赖，如langchain等，具体可根据实际情况和报错信息进行安装。

2、然后，定义Agent的名称、功能和语言模型等。通过设置循环控制和状态管理，可以创建能够处理复杂任务的Agent。在开发过程中，你可以利用LangGraph提供的工具和接口来测试和优化Agent的性能。

3.3 应用场景

LangGraph 的应用场景广泛，能够在多个领域发挥重要作用：

交互式叙事： 用于创建具有丰富情节和多分支剧情的交互式故事、游戏等。通过循环和分支能力，根据用户的选择动态生成不同的故事发展，提供个性化的叙事体验。
智能客服与售后支持： 在处理复杂的客户问题时，能够根据客户的反馈和问题状态，灵活调整对话流程，提供更加精准和贴心的服务。例如通过循环询问获取更多信息，以解决客户的疑难问题。
自动化任务流程优化： 对于需要多次迭代和反馈的自动化任务，如数据分析流程中的数据清洗、模型训练与优化等环节，可利用 LangGraph 的循环计算和状态管理能力，实现流程的自动化和优化。
多智能体协作系统： 支持多智能体之间的复杂协作，通过图模型清晰地定义智能体之间的交互关系和协作流程。例如在一个智能城市管理系统中，多个智能体分别负责交通、环境、能源等不同领域，LangGraph 可协调它们之间的工作。

4、框架三：Phidata

Phidata是一个基于Python的框架，能够将大型语言模型（LLM）转化为AI产品中的Agent。

它支持多种主流的大厂闭源和开源LLM，如OpenAI、Anthropic、Cohere、Ollama和Together AI等。通过其对数据库和向量存储的支持，我们可以轻松地将AI系统连接到Postgres、PgVector、Pinecone、LanceDb等。

4.1 主要特点

多LLM支持：支持主流大厂的闭源和开源LLM，如OpenAI、Anthropic等。
数据库支持：通过其对数据库和向量存储的支持，可以轻松地将AI系统连接到Postgres、PgVector等。
监控关键指标：提供会话快照、API调用、token使用情况，并支持设置调整和Agent改进。
内置Agent UI：Phidata提供了一个现成的用户界面，用于本地或云端运行Agent项目，并在后台管理会话。
模板支持：通过预配置的代码库模板，加速AI代理的开发和生产过程。
部署灵活：你可以将Agent发布到GitHub或任何云服务，也可以连接AWS账户将其部署到生产环境。

4.2 基本使用

要使用Phidata，首先需要安装Phidata及其工具，使用Phidata时，开发人员可以构建基础Agent，也可以通过函数调用、结构化输出和微调来创建高级Agent。Phidata与AWS无缝集成，可以在AWS账户上运行完整的应用程序。

pip install -U phidata

安装完成后，可以运行命令创建一个新的Phidata项目。在项目中，你可以定义Agent的名称、功能和语言模型等，然后通过函数调用、结构化输出和微调来创建高级Agent。

5、框架四：OpenAI Swarm

Swarm是OpenAI发布的一个实验性多智能体编排框架，旨在简化多智能体系统的构建、编排和管理。用于创建和管理多个AI Agent。

5.1 主要特点

轻量级设计：框架结构简洁高效，易于理解和使用。
高度可控：提供了精确的代理协调和执行控制，开发者可以轻松地管理Agent的行为和任务分配。
客户端运行：几乎完全在客户端执行，减少了服务器端的负担，提高了响应速度。
无状态设计：类似Chat Completions API的无状态特性，使得Agent之间的交互更加灵活和高效。

5.2 基本使用

1、使用 pip 命令安装 Swarm 框架，命令如下：

pip install git+ssh://git@github.com/openai/swarm.git

2、使用OpenAI Swarm时，需要创建一个客户端实例。首先导入 Swarm 类，并实例化一个 Swarm 客户端，示例如下：

from swarm import Swarm      # 实例化Swarm客户端   client = Swarm()

2、定义智能体，例如创建两个智能体，智能体 A 负责接收用户消息并转接给智能体 B，智能体 B 以特定格式回复：

from swarm import Agent      # 定义一个函数，用于将对话交接给智能体B   def transfer_to_agent_b():       return agent_b      # 定义智能体A   agent_a = Agent(name="Agent A", instructions="你是一个乐于助人的智能体，负责将用户消息转交给智能体B", functions=[transfer_to_agent_b])      # 定义智能体B   agent_b = Agent(name="Agent B", instructions="请用三句话回答用户问题，每句话不超过10个字")

3、使用 Swarm 客户端的run函数，传入智能体和用户消息，接收并处理消息，示例如下：

# 运行Swarm，并传入用户消息   response = client.run(agent=agent_a, messages=[{"role": "user", "content": "请给我推荐一本好书"}])   print(response.messages[-1]["content"])

上述代码中，首先实例化了 Swarm 客户端client。然后定义了两个智能体agent_a和agent_b，agent_a通过函数transfer_to_agent_b将对话交接给agent_b。最后，使用client.run方法运行 Swarm，传入智能体agent_a和用户消息，获取智能体agent_b的回复并打印。在实际应用中，你可以根据具体需求，增加智能体的数量，定义更复杂的指令和函数，实现各种复杂的多智能体协作任务。

5.3 应用场景

快速搭建演示项目： 由于其简化智能体创建和轻量级的特点，非常适合快速搭建一些演示项目，用于展示多智能体系统的概念和功能，帮助开发者快速验证想法。
教育领域： 可以用于创建教学案例和实验项目，帮助学生更好地理解多智能体系统的原理和应用，提升学生的实践能力和创新思维。
客户服务场景： 构建多智能体系统，如接待员 AI 负责初步接待客户，技术支持 AI 解答技术问题，售后 AI 处理售后相关事宜等，这些智能体通过 Swarm 框架无缝配合，为客户提供全方位、高效的服务体验。
内容创作： 在内容创作方面，不同的智能体可以分别负责创意构思、素材收集、内容撰写、编辑审核等工作，通过智能体之间的协作，实现文章、视频脚本等内容的自动生成，提高创作效率和质量。
数据分析： 能够处理大量独立的功能和指令，这些功能和指令难以编码到单个提示中。Swarm 可以帮助开发者构建多智能体系统，实现数据的自动化处理和分析，例如数据清洗、特征提取、模型训练等任务可以由不同的智能体协同完成。

6、框架五：CrewAI

CrewAI是最受欢迎的基于Agent的AI框架之一，能够快速构建AI Agent并将其集成到最新的LLM和代码库中。

由 OpenAI 于 2023 年 8 月发布。它允许开发者创建由 AI Agent 组成的 “Crew”，每个 Agent 都有特定的角色和职责，共同完成复杂的任务。该框架尤其适用于构建协作式人工智能系统，以解决需要不同专业知识和协调工作的问题。

6.1 主要特点

支持多种模型：支持与多种大型语言模型（LLMs）集成，包括 OpenAI 以及像 Ollama 等本地开源模型，为开发者提供了更多选择，能够根据项目需求和预算挑选最适合的模型。
可扩展性强：支持集成700多种应用程序，包括Notion、Zoom、Stripe、Mailchimp、Airtable等。
角色专业化：采用基于角色的代理设计，开发者可以为每个代理自定义具体的角色、目标和工具。
自主委派与协作：代理可以自主地委派任务并相互询问，提高解决问题的效率。当一个代理遇到无法独自解决的问题时，能够主动寻求其他具有相关专业知识的代理的帮助，实现高效的协作。
灵活的任务管理：使用可自定义的工具定义任务，并动态地分配给代理。开发者可以根据任务的需求和代理的能力，灵活调整任务的分配，确保任务能够得到最合适的处理。
流程驱动：目前主要支持顺序任务执行和层级流程，例如在一个项目管理场景中，任务可以按照先后顺序依次由不同的代理完成，前一个任务的输出作为后一个任务的输入。

6.2 基本使用

1、使用 pip 安装crewai库，命令如下：

pip install crewai

若要安装带工具的完整版，包括额外的代理辅助工具，执行：pip install 'crewai[tools]'

2、定义具有角色和目标的代理。例如创建一个负责市场分析的代理：

from crewai import Agent   # 创建一个市场分析师代理   market_analyst = Agent(       role='市场分析师',       goal='分析市场趋势，提供有价值的市场洞察',       backstory='一位经验丰富的市场分析师，拥有多年的行业经验',       tools=[],  # 可根据需求添加工具       verbose=True   )

3、为代理创建任务。例如为上述市场分析师代理创建一个分析市场趋势的任务：

from crewai import Task   # 创建一个市场趋势分析任务   market_task = Task(       description='对当前市场的主要趋势进行深入分析，包括市场规模、增长趋势、竞争格局等方面',       agent=market_analyst   )

4、实例化团队并采用顺序处理。例如创建一个包含市场分析师和策略制定者的团队，并分配任务：

from crewai import Crew   # 创建一个策略制定者代理   strategy_maker = Agent(       role='策略制定者',       goal='根据市场分析结果制定相应的市场策略',       backstory='擅长根据市场情况制定有效的策略',       tools=[],       verbose=True   )   # 创建一个任务，要求根据市场分析结果制定策略   strategy_task = Task(       description='根据市场分析师提供的市场分析报告，制定一套切实可行的市场策略',       agent=strategy_maker   )   # 实例化团队，设置代理和任务，并指定顺序处理   crew = Crew(       agents=[market_analyst, strategy_maker],       tasks=[market_task, strategy_task],       verbose=2  # 可设置为1或2以获得不同的日志记录级别   )

5、让团队开始工作，执行任务：

# 启动团队任务   result = crew.kickoff()   print(result)

上述代码中，首先创建了市场分析师和策略制定者两个代理，分别设置了它们的角色、目标、背景故事等。然后为每个代理创建了相应的任务。接着，通过Crew实例化了团队，将代理和任务添加到团队中，并设置了日志记录级别。最后，使用kickoff方法启动团队任务，执行任务并输出结果。在实际应用中，你可以根据具体需求，进一步扩展和优化代码，例如添加更多的代理和任务，调整任务的分配和执行顺序等，以实现各种复杂的协作任务。

6.3 应用场景

CrewAI 的应用场景丰富多样，尤其适用于以下场景：

构建协作式 AI 系统： 如智能客服团队，不同的代理可以分别负责不同领域的问题解答，协同合作以提供全方位的服务；多智能体研究团队，模拟和优化研究团队的协作过程，提高研究效率。
项目管理： 模拟项目管理团队，不同的代理可以处理调度、资源分配和风险评估等任务，实现项目的高效管理。
内容创作： 多个代理共同合作进行内容创作，包括研究员收集资料、撰稿人撰写内容、编辑进行审核和优化等，提高内容创作的质量和效率。
数据分析： 在数据分析场景中，不同的代理可以分别负责数据收集、清洗、分析和可视化等任务，通过协作完成复杂的数据分析工作。

7、小结

以上就是2025年值得入坑的五大AI Agent框架。每个框架都有其独特的特点和优势，适用于不同的开发场景和需求。无论你是初学者还是资深开发者，都可以根据自己的项目需求选择合适的框架，快速构建出高效、智能的AI Agent。希望这篇文章能帮助大家在新的一年里更好地了解和应用AI Agent技术，共同推动人工智能行业的发展。