智能体 (AI Agents)

LangChain：构建 LLM 应用的编排框架

LangChain 提供构建 LLM 应用的标准组件：Chains（将多个 LLM 调用串联成工作流）、Agents（动态决策调用哪些工具）、Memory（对话历史管理）、Callbacks（日志、监控集成）。支持 ReAct（推理+行动交替）、Plan-and-Execute（先制定计划再执行）、Structured Chat（结构化输出解析）等 Agent 类型。是构建复杂 LLM 应用的首选框架。

见：LangChain 官网 | ReAct Agent 基准测试 | LangChain Agents 教程

LlamaIndex：数据增强的 Agent 开发框架

LlamaIndex 专注于"数据增强的 Agent"——连接 LLM 与私有数据。提供 100+ Data Connectors（PDF、SQL、API 等数据源）、多种 Index Types（向量索引、树索引、图索引）、Query Engines（RAG、多文档问答）。Workflow 机制允许定义复杂的 Agent 协作流程，结合工具调用与检索能力，是 RAG 和知识库应用的首选。

见：LlamaIndex 官网 | LlamaIndex RAG 指南 | Document Agents 工作流

CrewAI：多 Agent 协作框架

CrewAI 将 Agent 定义为具有角色、目标和工具的"数字员工"，通过定义任务依赖实现协作。支持 Role-Playing Agents（专业化角色设定）、Autonomous Collaboration（自主协作）、Task Delegation（任务委托）。适合研究报告生成、代码审查流水线、客户服务自动化等需要多角色协作的场景。

见：CrewAI 官网 | CrewAI 文档 | CrewAI 实战指南

AutoGPT：自主 Agent 先驱

AutoGPT 是首个引发广泛关注的自主 Agent 项目，展示了 LLM 独立完成任务的可能性：目标分解将大目标拆分为可执行步骤、自主循环（观察-思考-行动-记忆）、工具使用（文件操作、网络搜索、代码执行）。但也面临循环陷阱、成本失控、可靠性等现实挑战，更多用于探索性任务。

见：AutoGPT GitHub

Agent 的记忆问题

AI 记忆层次的缺陷

人类记忆层次包括感觉记忆、短期记忆和长期记忆，可随时将短期记忆巩固为长期记忆。但 AI 系统仅有两种记忆：上下文作为短期记忆（任务结束即清除）、模型权重作为长期记忆（需昂贵训练才能更新）。这种缺失限制了 Agent 的持续学习和个性化能力。

为什么记忆对 Agent 至关重要

想象一下：如果软件工程师每天醒来后对公司代码库一无所知，又要重新开始入职培训；如果每次与朋友聊天都忘记之前的对话内容。这正是当前 AI Agent 的处境——缺乏将短期经验转化为长期记忆的灵活机制。ChatGPT 的"记忆功能"尝试通过提取用户偏好摘要来解决这一问题，但仍显初级。

持续学习评估的缺失

学术界面临的核心挑战不是缺少方法，而是缺少合适的评估基准。当研究者尝试让 Agent 从过往任务中学习时，审稿人往往质疑"这对其他方法不公平"。这种评估困境阻碍了持续学习 Agent 的发展。真正的突破需要重新设计评估设定，从评估"现有能力"转向评估"学习能力"。

见：The Second Half - 长期记忆

框架选择指南

LangChain 适合复杂 LLM 应用，学习曲线中等；LlamaIndex 适合 RAG 和知识库，学习曲线平缓；CrewAI 适合多角色协作场景，学习曲线平缓；AutoGPT 适合探索性任务，学习曲线陡峭。实际项目中常组合使用，如 LlamaIndex 负责数据检索，LangChain 负责工具编排，CrewAI 负责多 Agent 协作。

见：2025 主流 AI Agent 框架调研 | LangChain vs LlamaIndex vs CrewAI 对比

多 Agent 架构模式

通用智能体 + 业务领域 Agent

一种适用于企业级多业务系统的分层架构模式：

角色划分：

• 通用主 Agent：负责意图识别、对话管理、任务分发
• 业务领域 Agent：专注特定业务领域（如订单、库存、客服）
• 后端服务：通过 OpenAPI 提供业务逻辑，经 FunctionAI Toolset 接入

优势：

• 业务解耦：各业务线独立开发部署自己的 Agent
• 协议标准化：通过 A2A 等协议实现跨系统协作
• 低摩擦集成：现有 REST API 可快速转化为 Agent 工具

典型案例：

• 希希咖啡店 - 基于 Google ADK + A2A 协议的咖啡点单与配送协同

Agent 协议选择

见：A2A 协议详解 | MCP 规范