文章目录
- 一、为什么需要智能体框架
- 二、smolagents：代码优先的轻量智能体框架
- 2.1 核心设计理念
- 2.2 smolagents 的两类 Agent
- 2.3 模型（Model）接入
- 2.4 快速开始：第一个 smolagents Agent
- 2.5 关键参数说明
- 三、smolagents 实战：工具创建与默认工具集
- 3.1 用 `@tool` 装饰器创建工具
- 3.2 用 `Tool` 类创建复杂工具
- 3.3 工具的自动文档化：写好 docstring
- 3.4 默认工具集
- 3.5 工具的分享与导入
- 四、smolagents 进阶：检索智能体、多智能体与视觉智能体
- 4.1 检索增强智能体（Agentic RAG）
- 4.2 多智能体系统（Multi-Agent Systems）
- 4.3 视觉智能体（Vision Agents）
- 4.4 浏览器智能体（Browser Agents）
- 4.5 smolagents 单元知识检查（Quiz）要点
- 五、LlamaIndex：数据框架中的智能体生态
- 5.1 框架定位
- 5.2 核心组件概览
- 5.3 快速开始：创建 LlamaIndex Agent
- 5.4 LlamaHub：海量工具与数据连接器
- 六、LlamaIndex 实战：工具、Agent 与 Workflow
- 6.1 四种工具封装方式
- 6.2 AgentWorkflow：构建多步 Agent 应用
- 6.3 记忆与会话管理
- 6.4 LlamaIndex 单元知识检查（Quiz）要点
- 七、LangGraph：图状态机驱动的 Agent 编排
- 7.1 框架定位
- 7.2 核心构建模块
- 7.3 图的基础结构：节点、边与状态
- 7.4 条件边：让图具备决策能力
- 7.5 LangGraph 与 LangChain 生态
- 八、LangGraph 实战：Alfred 邮件分类管家
- 8.1 问题建模
- 8.2 实现代码
- 8.3 运行流程解析
- 8.4 进阶：加入工具调用与 ReAct 循环
- 九、LangGraph 实战：文档分析智能体
- 9.1 场景设定
- 9.2 将 RAG 融入图流程
- 9.3 实现代码
- 9.4 生产级增强方向
- 9.5 LangGraph 单元知识检查（Quiz）要点
- 十、三大框架对比与选型建议
- 10.1 核心特性对比
- 10.2 选型建议
- 10.3 迁移学习：概念是相通的
- 十一、常见问题解答（FAQ）
- Q1：CodeAgent 和 ToolCallingAgent 到底选哪个？
- Q2：三个框架能混用吗？
- Q3：我的知识库是 PDF/网页/数据库，用哪个框架？
- Q4：LangGraph 学习成本高吗？
- Q5：Agent 的迭代次数怎么设置？
- Q6：如何调试 Agent 的工具调用？
- Q7：多智能体一定能提升效果吗？
- Q8：框架版本更新快，文档怎么看？
- 十二、总结与下一步
一、为什么需要智能体框架
在上一篇中，我们手写了一个 Dummy Agent Library，理解了智能体的核心循环。但在生产环境中，仅靠手写循环远远不够，我们还需要解决：
- 模型接入：统一管理不同厂商（OpenAI、Anthropic、Hugging Face Inference、本地模型）的 API。
- 工具生态：大量现成的工具封装（搜索、网页访问、Python 执行、向量检索）。
- 循环可靠性：解析容错、重试机制、最大迭代限制。
- 状态管理：多步骤执行中的状态保存、恢复与可视化。
- 可观测性：日志、追踪（Trace）、评估。
智能体框架正是为解决这些问题而生的工程化封装。Hugging Face《Agents Course》Unit 2 精心挑选了三个具有代表性的框架，覆盖了 Agent 开发的三种主流范式：
| 框架 | 出品方 | 核心范式 | 适合场景 |
|---|---|---|---|
| smolagents | Hugging Face | 代码优先（Code-first） | 轻量快速、深度集成 HF 生态 |
