推荐语

探索AI Agent开发框架的流行度、案例与选择指南。

核心内容：
1. 基于GitHub Star数、社区活跃度等指标的AI Agent开发框架流行度排序
2. LangChain、Auto-GPT、LlamaIndex三大框架的特点、优势与劣势解析
3. 从工具声明、调用案例出发，给出AI Agent开发框架的理性选择建议

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

       随着大型语言模型（LLM）的快速发展，AI Agent 技术逐渐成为热门方向。为了简化 AI Agent 的开发，各种框架应运而生。本文将从流行度出发，对当前主流的 AI Agent 开发框架进行梳理，并通过工具声明和调用的案例，帮助开发者更直观地了解它们的特点，最后给出理性的总结和建议。

一、AI Agent 开发框架流行度排序

（注意：流行度是一个动态的概念，以下排序基于当前 GitHub Star 数、社区活跃度、搜索指数等综合指标，仅供参考，并不代表绝对排名。）

1. LangChain:

流行度： 毋庸置疑的领头羊，GitHub Star 数遥遥领先，社区非常活跃，被广泛应用于各种 AI Agent 项目。

特点： 提供了丰富的模块化组件，涵盖了模型调用、提示词管理、工具集成、记忆模块、链式调用等功能。支持多种 LLM 模型，扩展性强。

优势： 生态完善，功能强大，学习资源丰富。

劣势： 学习曲线相对较陡峭，代码结构较为复杂，可能存在过多的抽象。

Auto-GPT:

流行度： 自主 Agent 框架的代表，GitHub Star 数很高，引发了广泛关注，但由于功能较新，更新速度也很快。

特点： 基于目标驱动，能够自主规划和执行任务，无需详细的 prompt 指令。支持多种工具集成。

优势： 具有很高的自主性，能够执行复杂的多步骤任务。

劣势： 可能不够稳定，有时会出现目标漂移的情况，学习曲线较陡峭，需要一定的使用经验。

LlamaIndex (GPT Index):

流行度： 专注于数据索引和检索的框架，GitHub Star 数较高，在 RAG（Retrieval-Augmented Generation）领域应用广泛。

特点： 提供了强大的数据索引和检索功能，能够将 LLM 连接到外部知识库。支持多种数据格式，易于集成。

优势： 适用于需要知识检索的场景，能够提升 LLM 的准确性和可靠性。

劣势： 相对 LangChain 来说，组件较少，更专注于 RAG。

Haystack:

流行度： 开源的 NLP 框架，GitHub Star 数较高，被广泛应用于文档处理、问答系统等场景。

特点： 提供了完善的 NLP 组件，涵盖了文本预处理、文档检索、问答模型、生成模型等功能。

优势： 适用于 NLP 任务，生态完善，性能优秀。

劣势： 对 LLM 的支持相对 LangChain 来说较弱，使用略显复杂。

CrewAI:

流行度： 近期兴起的多 Agent 协作框架，GitHub Star 数增长迅速。

特点： 侧重于让多个 Agent 协同完成任务，每个 Agent 都有自己的角色、目标和工具。

优势： 可以更好地模拟团队协作，让不同的 Agent 执行不同的角色。

劣势： 相对较新，生态不如 LangChain 完善，需要一定的使用经验。

BabyAGI:

流行度： 轻量级的自主 Agent 框架，GitHub Star 数较高，易于上手。

特点： 基于任务迭代的思想，不断循环执行任务。代码简洁易懂，方便开发者学习。

优势： 学习曲线低，代码结构简单，适合快速原型开发。

劣势： 自主性没有 Auto-GPT 那么强，功能相对简单。

Semantic Kernel:

流行度： Microsoft 发布的 AI Agent 开发框架，GitHub Star 数较高，背靠微软资源。

特点： 提供了 Kernel、Skills 等核心概念，支持多种 LLM 模型，并可以与 Azure 服务集成。

优势： 整合了微软的 AI 技术，功能强大，易于与 Azure 服务集成。

劣势： 主要面向 .NET 开发者，对其他语言的开发者来说，学习曲线较陡峭。

二、工具声明和调用案例对比

以下部分案例展示了如何使用他们声明一个工具，并通过 Agent 调用该工具：

1. LangChain (Python):

2.AutoGPT：自主规划与任务执行

3，CrewAI：多Agent协作与分配任务

4.Semantic Kernel (.NET):

三、总结与建议

• LangChain:
   功能强大、生态完善，适合需要灵活定制和复杂逻辑的场景。 建议初学者从 LangChain 入手，熟悉 AI Agent 的基本概念和流程。
• Auto-GPT:
   自主性强，适合需要长期运行和自主规划的场景。 建议有一定 AI Agent 开发经验的开发者尝试，探索 autonomous agent 的可能性。
• LlamaIndex:
   专注于数据索引和检索，适合需要连接外部知识库的场景。 建议需要 RAG 功能的开发者使用。
• Haystack:
   适用于 NLP 任务，适合需要文本处理、文档检索、问答等功能的场景。
• CrewAI:
   适合需要多 Agent 协作的场景。建议需要模拟团队协作的开发者使用。
• BabyAGI:
   轻量级，适合快速原型开发和学习。 建议初学者或需要简单自主 Agent 的开发者使用。
• Semantic Kernel:
   适合 .NET 开发者，或需要与 Azure 服务集成的场景。

如何选择框架：

• 简单任务与工具调用
        如果你的任务较为简单，主要是与外部工具交互，那么LangChain和最近hugging face发布的SmolAgents可能是最佳选择。
• 复杂任务链与多工具集成
        如果你需要处理复杂的多步骤任务链，Langchain将是一个强大的工具。
• 自主任务执行与长期运行
        如果你的任务是长期持续执行并自动化的，AutoGPT会更适合你。
• 多Agent协作与资源调度
       如果你的任务需要多Agent协作，那么CrewAI是一个非常合适的框架。

理性选择：

• 根据需求选择：
        不要盲目追随流行，应该根据自己的具体需求和技能水平选择合适的框架。
• 从小处着手：
        先从简单的任务开始，逐步积累经验。
• 多方尝试：
        可以尝试多个框架，比较它们的优缺点，选择最适合自己的。
• 关注社区：
        积极参与社区讨论，学习其他开发者的经验，共同进步。