1. 主流Agent框架 #
| 框架 | 优势 | 适用场景 |
|---|---|---|
| LangChain+LangGraph | 全能型框架，管道式编排与丰富生态 | 企业级复杂应用、RAG + 工具混合 |
| AutoGen | 对话式多 Agent | 科研、代码生成、多角色辩论 |
| Qwen-Agent | 针对中文场景优化，对长文本友好 | 私有化部署、对接通义千问 / 阿里云生态 |
| Coze/Dify | 低代码可视化 | 业务人员快速搭建应用 |
这里仅仅列举了几个不同类型的框架，另外还有CrewAI、Semantic Kernel等一系列框架，不再一一列举。
2. Agent框架功能 #
一个Agent框架需要有哪些功能，解决哪些核心问题？
1.1 LLM层适配 #
LLM是Agent框架的大脑，一个Agent框架首先要具有LLM适配功能。一般来说，框架都具有以下特性：
- 统一调用方式
- 统一了参数配置（如 temperature）
- 输出格式（统一转为 Message 对象）
具体例子可以查看上一篇，这里不再赘述如何调用LLM。简单来说，就是各家LLM都定义了自己的一套API接口，如果要开发者自己去集成这些API，会花费很多功夫，所以这些框架都会在API层的基础上再包装一层，以适配不同的LLM。当开发者需要修改模型时，只需要修改对应的参数即可。
LangChain demo
1.2 工具注册与调度 #
当LLM需要使用外部功能时，就需要使用工具。工具是Agent框架的双手，目前市面流行的MCP、RAG、Skills，都可以抽象为工具调用。从框架设计的角度出发，一个工具应该尽可能高内聚低耦合，即开发者只关心工具的逻辑，而不用去关心工具的定义、使用等。
LangChain demo
如上，在LangChain框架中，用户只需要使用@tool装饰器，就可以完成一个工具的开发。
1.3 Context管理 #
一个用户的问题通常需要多轮对话才能解决，但LLM本身是无记忆性的，这就要求框架本身能附带上下文记忆的功能。关于上下文管理，框架通常需要提供以下能力：
- 对话历史截断
- 滑动窗口策略
- 避免Token爆炸
LangChain demo
1.4 控制流编排 #
复杂的任务通常不能一次性完成，通常需要用ReAct的方式拆解多个流程步骤来完成，可以说控制流是框架的中枢。当然，Agent框架支持你以什么样的流程来完成任务。
| 模式 | 说明 | 适用场景 |
|---|---|---|
| 管道模式 (Pipeline) | 类似LangChain 的 prompt | llm 链式调用 | 线性处理流程 |
| 单人模式 (Loop) | 经典 ReAct 循环：思考 -> 行动 -> 观察 | 单 Agent 完成任务 |
| 多人模式 (DAG) | 接力赛：明确的执行顺序 | 流程化任务 (如投资决策) |
| 多人模式 (Chat) | 圆桌会议：自由讨论 | 开放式协作 |