附录 C:智能体设计与开发框架速览
LangChain
LangChain 面向由 LLM 驱动的应用开发。亮点是 LangChain 表达式语言(LCEL):像搭管道一样把组件串成链,输出逐步传递,形成易读的线性流水线。典型形态是有向无环图(DAG)——数据沿单一方向推进,不出现回路。
适用于:
- 简单 RAG:检索文档、构造提示、从 LLM 获得答案。
- 摘要:接收用户文本,送入摘要提示并返回输出。
- 抽取:从文本块中提取结构化数据(如 JSON)。
# A simple LCEL chain conceptually # (This is not runnable code, just illustrates the flow)
chain = prompt | model | output_parse(以下代码示例为 Python。)
LangGraph
LangGraph 构建在 LangChain 之上,面向更具“智能体特征”的系统:工作流被建模为图,节点可以是函数或整条 LCEL 链,边则承载条件分支。它的最大优势在于支持回路,使应用能够反复尝试、按需调整工具调用顺序,直至任务收敛。状态由框架显式维护,并在节点之间传递与更新。
适用于:
- 多智能体系统:监督智能体将任务路由给专职工作者,可循环直至目标达成。
- 规划–执行智能体:智能体制定计划、执行一步,再据结果回环更新计划。
- 人在回路中:图可在决定下一节点前等待人类输入。
| 特性 | LangChain | LangGraph |
|---|---|---|
| 核心抽象 | 链(使用 LCEL) | 节点图 |
| 工作流类型 | 线性(有向无环图) | 含环(可循环的图) |
| 状态管理 | 每次运行通常无状态 | 显式且持久的状态对象 |
| 主要用途 | 简单、可预测的序列 | 复杂、动态、有状态的智能体 |
该选哪一个?
- 若应用具有清晰、可预测、线性的步骤流,且能从 A→B→C 定义全过程而无需回环,LangChain 与 LCEL 是合适工具。
- 若需要应用进行推理、规划或在环中运行;若智能体需使用工具、反思结果并可能换思路重试,则需要 LangGraph 的循环与有状态特性。
# Graph state
class State(TypedDict):
topic: str
joke: str
story: str
poem: str
combined_output: str
# Nodes
def call_llm_1(state: State):
"""First LLM call to generate initial joke"""
msg = llm.invoke(f"Write a joke about {state['topic']}")
return {"joke": msg.content}
def call_llm_2(state: State):
"""Second LLM call to generate story"""
msg = llm.invoke(f"Write a story about {state['topic']}")
return {"story": msg.content}
def call_llm_3(state: State):
"""Third LLM call to generate poem"""
msg = llm.invoke(f"Write a poem about {state['topic']}")
return {"poem": msg.content}
def aggregator(state: State):
"""Combine the joke and story into a single output"""
combined = f"Here's a story, joke, and poem about {state['topic']}!\n\n"
combined += f"STORY:\n{state['story']}\n\n"
combined += f"JOKE:\n{state['joke']}\n\n"
combined += f"POEM:\n{state['poem']}"
return {"combined_output": combined}
# Build workflow
parallel_builder = StateGraph(State)
# Add nodes
parallel_builder.add_node("call_llm_1", call_llm_1)
parallel_builder.add_node("call_llm_2", call_llm_2)
parallel_builder.add_node("call_llm_3", call_llm_3)
parallel_builder.add_node("aggregator", aggregator)
# Add edges to connect nodes
parallel_builder.add_edge(START, "call_llm_1")
parallel_builder.add_edge(START, "call_llm_2")
parallel_builder.add_edge(START, "call_llm_3")
parallel_builder.add_edge("call_llm_1", "aggregator")
parallel_builder.add_edge("call_llm_2", "aggregator")
parallel_builder.add_edge("call_llm_3", "aggregator")
parallel_builder.add_edge("aggregator", END)
parallel_workflow = parallel_builder.compile()
# Show workflow
display(Image(parallel_workflow.get_graph().draw_mermaid_png()))
# Invoke
state = parallel_workflow.invoke({"topic": "cats"})
print(state["combined_output"])上述代码定义并运行一个并行运作的 LangGraph 工作流:主要目的是就同一主题并发生成笑话、故事与诗歌,再合并为单一格式化文本输出。
Google ADK
Google 智能体开发套件(ADK)提供高层、结构化的框架,用于构建与部署由多个交互式智能体组成的应用。与 LangChain、LangGraph 相比,它更强调“有主见”、面向生产的智能体协作编排,而非仅提供智能体内部逻辑的基础积木。
LangChain 处于最底层,提供组件与标准化接口以串联操作(例如调用模型并解析输出)。LangGraph 在此基础上带来更灵活、更强大的控制流,把工作流建模为有状态图:开发者显式声明节点(函数或工具)与边(执行路径)。图结构支撑复杂的循环式推理——系统可以回环、重试,并依据在节点之间传递、由框架显式管理的状态对象做决策。你既可以细粒度地塑造单个智能体的“思路”,也可以从第一性原理出发搭建多智能体系统。
Google ADK 将大量底层“手动画图”的工作抽象起来:开发者无须逐一声明节点与边,而是可以直接套用多智能体协作的预制模式。例如,框架内置了 SequentialAgent、ParallelAgent 等组件,用于自动管理智能体之间的调度。整体设计以“团队”为中心,常见范式是由主智能体将子任务分派给专长型子智能体;状态与会话通常也由框架隐式维护。与 LangGraph 相比,这种方式更省事,但控制粒度也更粗一些。可以将二者理解为:LangGraph 更像提供完整布线工具箱,而 ADK 更像一条已经为协作预先配置好的装配线。
from google.adk.agents import LlmAgent
from google.adk.tools import google_Search
dice_agent = LlmAgent(
model="gemini-2.0-flash-exp",
name="question_answer_agent",
description="A helpful assistant agent that can answer questions.",
instruction="""Respond to the query using google search""",
tools=[google_search],
)上述代码创建一个搜索增强型智能体。收到问题时,它不仅依赖既有知识,还会按指令使用 Google Search 工具从网络获取相关实时信息,并据此构造回答。
Crew.AI
CrewAI 通过强调协作角色与结构化流程,提供构建多智能体系统的编排框架。它比基础工具包抽象层次更高,概念模型贴近人类团队:开发者定义参与者与分工,由 CrewAI 管理交互,而非把细粒度逻辑流画成图。
三大构件是 Agent、Task 与 Crew:Agent 由角色、目标与背景故事刻画,用以约束行为与沟通风格;Task 为可验收的工作单元,含清晰描述与预期产出,并指派给特定 Agent;Crew 聚合 Agents 与 Tasks,按预定义 Process 执行——常见为顺序式(前一任务输出作为后一任务输入),或层级式(管理者型智能体委派与协调其他智能体)。
相较其他框架,CrewAI 的定位十分鲜明:它刻意弱化 LangGraph 式的底层显式状态管理与逐条连线的控制流设计,更强调先定义清晰的“团队宪章”。Google ADK 面向智能体全生命周期的生产级平台,而 CrewAI 则更专注于协作逻辑本身,以及对“专家团队”式分工方式的模拟。
@crew
def crew(self) -> Crew:
"""Creates the research crew"""
return Crew(
agents=self.agents,
tasks=self.tasks,
process=Process.sequential,
verbose=True,
)上述代码为一队智能体配置顺序工作流:按既定顺序处理任务列表,并启用详细日志以监视进展。
其他智能体开发框架
Microsoft AutoGen: AutoGen 以通过对话协调多智能体解题为中心。其架构使能力各异的智能体相互交互,支持复杂问题分解与协作求解。主要优势是灵活、对话驱动的动态多智能体交互。但对话范式也可能使执行路径较难预测,并需较高明的提示工程以保证任务高效收敛。
LlamaIndex: 本质上是连接大语言模型与外部、私有数据源的数据框架,擅长构建复杂的数据摄取与检索流水线,对能做 RAG 的“有知识”智能体至关重要。其索引与查询在构建语境感知智能体上很强,但相较“智能体优先”的框架,原生的复杂智能体控制流与多智能体编排工具较弱。当核心技术挑战是检索与综合数据时,LlamaIndex 尤为合适。
Haystack: Haystack 是开源框架,用于构建可扩展、可投产、由语言模型驱动的搜索系统。架构由可互操作的模块化节点组成流水线,覆盖文档检索、问答与摘要。主要优势是大规模信息检索的性能与可扩展性,适合企业级应用。潜在取舍是:为搜索流水线优化的设计,在实现高度动态、创意型智能体行为时可能较僵硬。
MetaGPT: 基于预定义标准作业程序(SOP)分配角色与任务以实现多智能体系统。协作结构模仿软件开发公司,智能体扮演产品经理、工程师等以完成复杂任务。SOP 驱动带来高度结构化、连贯的输出,在代码生成等专业领域优势明显。主要局限是专业化程度高,在其核心设计之外的通用智能体任务上适应性较弱。
SuperAGI: 开源框架,为自主智能体提供完整生命周期管理,包含供给、监控与图形界面等,旨在提升执行可靠性。关键是面向生产的就绪度:内置处理循环等常见故障模式的机制,并提供可观测性。潜在缺点是平台化全面可能带来比轻量库式框架更多的复杂性与开销。
Semantic Kernel: 微软开发的 SDK,通过“插件”与“规划器”将大语言模型与传统程序代码集成,使 LLM 可调用原生函数并编排工作流,把模型当作更大应用中的推理引擎。主要优势是与现有企业代码库(尤其 .NET 与 Python)的无缝集成。插件与规划器架构的概念负担,相比更直白的智能体框架,学习曲线可能更陡。
Strands Agents: AWS 的轻量灵活 SDK,采用模型驱动方式构建与运行智能体,设计简单且可扩展,从基础对话助手到复杂多智能体自主系统均可支持。框架与模型无关,广泛支持各 LLM 提供商,并原生集成 MCP 以便接入外部工具。核心优势是简单灵活、可定制的智能体循环、易上手。潜在取舍是轻量设计意味着开发者可能需自行补齐更多周边运维基础设施(如高级监控或生命周期管理),而更全面框架可能开箱即有。
结语
智能体框架谱系很宽:既有刻画内部逻辑的底层库,也有专注多智能体编排的上层平台。底座上,LangChain 适合笔直的流水线,LangGraph 则用带状态、可回环的图承载更曲折的推理。再往上,CrewAI、Google ADK 等强调“按角色组团队”;LlamaIndex 一类则把精力放在数据接入与检索。核心权衡在于:要 LangGraph 式的细粒度可控,还是要 ADK 式平台的省事上手。选型时先想清楚——你需要的是线性脚本、会反思的循环,还是一支分工明确的虚拟团队。生态仍在快速演进,开发者可以按项目所需的抽象层级,拼装出越来越复杂的 AI 系统。
参考文献
以下条目附中文说明,并保留产品名称与原始链接:
- LangChain:智能体与大语言模型应用开发框架。https://www.langchain.com/
- LangGraph:用于构建有状态智能体工作流的图编排框架。https://www.langchain.com/langgraph
- Google's ADK:Google 智能体开发工具包(Agent Development Kit)。https://google.github.io/adk-docs/
- Crew.AI:基于角色分工的多智能体协作框架。https://docs.crewai.com/en/introduction