AI Agent 是通过编程，能够执行特定任务、做出决策和协作达成共同目标的智能体。

每个智能体都拥有独特的技能和角色，利用 LLMs 作为推理引擎，允许进行高级决策和高效完成任务。它们的自主性和适应性对于多智能体系统中的动态交互和流程至关重要。

并且能够调用外部工具进行能力的扩展。从简单的数据检索（来自 API 或知识库）到复杂的分析，能够执行各种任务。

但是，就像人类一样，单一的智能体毕竟能力有限。所以多智能体系统则越来越受到关注。

多智能体可以通过 Agent 之间的合作，提高 AI Agent 能力，就像模仿人类团队中的合作。

打造多智能体系统类似于组建一个功能团队，每个成员（智能体）扮演不同的角色，共同完成一个预定义的项目。让我们分解构成这些复杂系统的关键组件。

如果您使用过 Coze 或者腾讯的元器开发平台，就能发现在 Agent 开发中，流程是最关键的一项。

流程定义了在多智能体系统中任务应该如何协调，确保任务分配的高效和与目标的一致性。流程可以定义为智能体如何与工具交互，或与其他智能体进行交互多的过程。

为了便于开发，现在出现了各种多智能体开发框架，我们又该如何进行选择呢？

通常来讲，选择框架主要需要衡量三个因素：系统的可扩展性、自主性和开发人员能够控制的精度。

目前比较火的有微软的 AutoGen 、CrewAI 和 LangGraph，在吴恩达最近发布的课程中，AutoGen 和 CrewAI 都有专门的课程。而 LangGraph 作为LangChain 最近一直在增强的组件，也有大量的文档和案例。

• AutoGen

AutoGen 专注于对话智能体，提供对话作为多智能体协作的能力。它的设计理念围绕着模拟小组讨论，智能体发送和接收消息以启动或继续对话。

• CrewAI

CrewAI 结合了 AutoGen 的自主性和结构化的角色扮演方法，促进了复杂的智能体交互。

它旨在平衡自主性和结构化流程，使其既适用于开发阶段，也适用于生产阶段。

AutoGen 和 CrewAI 在高度自主性方面相似，而 CrewAI 通过摆脱 AutoGen 的 “ 通过消息交互 ” 的限制，提供了更多的灵活性。

• LangGraph

LangGraph 与其说是一个多智能体框架，不如说是一个图框架，允许开发人员将复杂的智能体交互定义为图。

它专注于构建有状态的多参与者应用程序，并对智能体交互进行细粒度控制。可以将其视为用于构建基于LLM的工作流的框架，可以用来手工制作个体智能体和多智能体交互。

这三个框架主要功能点对比如下：

所有上述框架都可以自定义每个智能体使用哪个LLM，或者在 LangGraph 的情况下，每个执行节点使用哪个。

CrewAI 是尝试不同智能体类型和工作流的绝佳起点，探索阶段对于识别智能体行为的复杂性至关重要，也为过渡到更复杂的框架，如 LangGraph 铺平了道路。

LangGraph 需要有一个学习的过程，建议从CrewAI开始起步，看看它是否符合您的需求。当您需要开发更多的能力时，可以切换到LangGraph。

然而，为您的生成式AI应用程序保持可扩展的架构至关重要，需要在设计时就考虑跟大模型模块解耦，因为系统不断发展。这种方法确保了可扩展性、适应性和架构的演进，并可以最大化提升资源的利用率。

结论

多智能体框架代表了 AI 开发的前沿，为复杂的问题解决和决策提供了可扩展和复杂的解决方案。

通过选择合适的多智能体开发框架，开发人员可以做出明智的决策，选择最适合他们需求的平台。

随着该领域的不断发展，不断整合新的工具和提升 Agent 协作能力将是发挥多智能体系统全部潜力的关键。