本文介绍了六款主流的AI Agent开发框架包括LangChain/LangGraph、CrewAI、AutoGen、Dify、Coze/扣子和Google ADK并提供了选型决策树帮助读者快速定位适合的框架。此外文章还通过100行Python代码展示了如何从零实现一个能自主思考、调用工具、循环执行的真·ReAct Agent并探讨了Agent走向生产环境需要克服的可靠性、成本和评估标准等挑战。上篇我们搞懂了 Agent 的核心架构——Planning、Tool Use、Memory、Multi-Agent。这篇进入实战六款主流开发框架谁更适合你选型决策树帮你一分钟定位。然后我们直接写代码——不依赖任何框架100 行 Python 实现一个能自主思考、调用工具、循环执行的真·ReAct Agent。一、六框架全景对比别再选择困难2025-2026 年AI Agent 开发框架已经百花齐放。我选了 6 个最有代表性的一张表讲清楚框架一句话定位核心亮点适合谁LangChain / LangGraph通用 Agent 开发框架生态最全图结构支持复杂流程比 CrewAI 快 2.2 倍需要强流程控制的团队CrewAI多 Agent 角色协作用 role/goal/backstory 定义 Agent新手最友好快速原型、模拟团队协作AutoGen微软多 Agent 对话协作Agent 间自动开会讨论人机混合决策企业级人机混合场景Dify低代码 LLMOps 平台可视化拖拽 内置 RAG 开源可自部署GitHub 121k 星需要快速落地的团队Coze / 扣子云端 Bot 构建平台零门槛Bot 商店生态个人/小团队快速试错Google ADKCode-First 官方 SDKGemini 深度集成MCP 原生支持多语言Google Cloud 生态用户选型决策树你是技术团队还是业务团队 ├─ 业务团队 / 快速落地 │ ├─ 需要私有化部署 → Dify │ └─ 可以云端使用 → Coze (扣子) │ └─ 技术团队 / 高度定制 ├─ 复杂流程控制 → LangChain LangGraph ├─ 多 Agent 对话协作 → AutoGen ├─ 角色模拟 / 快速原型 → CrewAI └─ Google 生态为主 → Google ADK两个重点框架深度看LangChain / LangGraph —— 生态之王LangChain 的生态壁垒无人能及——几乎所有主流 LLM 和工具都有官方集成。但它的真正王牌是 LangGraph用有向图graph编排 Agent 的执行流程支持循环、分支、并发、状态持久化。代价是学习曲线较陡——你需要理解 node、edge、state、conditional edge 这些图概念。CrewAI —— 最像人类团队的框架CrewAI 的设计哲学极接地气像组建真实团队一样搭建 Agent。每个 Agent 有 role角色、goal目标、backstory背景故事代码可读性极强。已被 Uber 等企业采用。缺点是执行速度偏慢——Agent 调用工具前有额外的思考步骤。 我的建议如果你的目标是先跑通一个能解决问题的 Agent从 CrewAI 或 Dify 开始。别一上来就选最复杂的——先跑通再迭代。二、实战100 行代码从零写一个 ReAct Agent理论够了上代码。这个 Agent 不依赖任何框架只用 OpenAI SDK让你看清底层到底发生了什么。import json import re from openai import OpenAI client OpenAI(api_keyyour-api-key) # ═══ 第一步定义工具 ═══ def search_web(query: str) - str: 模拟网页搜索实际项目中替换为真实搜索 API knowledge_base { 天气: 今天北京晴气温 15-25°C空气质量良。, AI Agent: AI Agent 是能够自主感知、推理和行动的智能系统。, Python: Python 3.13 是 2024 年发布的最新主要版本。, } for key, value in knowledge_base.items(): if key in query: return value return f未找到关于「{query}」的信息。 def calculate(expression: str) - str: 执行数学计算 try: result eval(expression, {__builtins__: {}}) return f计算结果{result} except Exception as e: return f计算出错{str(e)} TOOLS { search_web: { function: search_web, description: 搜索网络信息。参数 query (str)搜索关键词。, }, calculate: { function: calculate, description: 执行数学计算。参数 expression (str)数学表达式。, }, } # ═══ 第二步System Prompt ═══ SYSTEM_PROMPT 你是一个 AI Agent能使用工具完成用户的任务。 工作流程 1. **分析用户需求** 2. **如需获取信息或执行操作使用** tool_call {tool: 工具名, params: {参数名: 参数值}} /tool_call 3. **根据工具返回结果继续推理** 4. **能给出最终答案时使用** final_answer 你的最终答案 /final_answer 可用工具 - search_web: 搜索网络信息。参数 query (str)。 - calculate: 执行数学计算。参数 expression (str)。 每次只能调用一个工具。 # ═══ 第三步Agent 主循环 ═══ def run_agent(user_query: str, max_steps: int 10) - str: messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_query}, ] for step in range(max_steps): response client.chat.completions.create( modelgpt-4o, messagesmessages, temperature0.0 ) reply response.choices[0].message.content messages.append({role: assistant, content: reply}) # 检查最终答案 final re.search(rfinal_answer(.*?)/final_answer, reply, re.DOTALL) if final: return final.group(1).strip() # 检查工具调用 tool re.search(rtool_call(.*?)/tool_call, reply, re.DOTALL) if tool: try: data json.loads(tool.group(1)) func TOOLS[data[tool]][function] result func(data[params]) messages.append({ role: user, content: f[工具返回] {data[tool]}{result}, }) except (json.JSONDecodeError, KeyError): messages.append({ role: user, content: 错误工具调用格式不正确请重试。, }) else: messages.append({ role: user, content: 请继续需要信息就调工具能回答就给出最终答案。, }) return Agent 在达到最大步数后未能完成任务。 # ═══ 测试 ═══ if __name__ __main__: result run_agent(今天北京天气怎么样另外156×2389 等于多少) print(result)代码解读Agent 到底做了什么当你运行run_agent(今天北京天气怎么样另外156×2389 等于多少)时Agent 的思维链是这样的第 1 步分析用户问题发现需要天气信息 → 调用search_web(天气)第 2 步收到天气结果发现还需要计算 → 调用calculate(156*2389)第 3 步整合两个工具结果 → 输出最终答案就这么简单——LLM 决策 工具执行 循环迭代 Agent。 没有魔法。生产级升级路径组件当前极简版升级方向工具调用正则解析原生 Function CallingOpenAI/Anthropic记忆无短期消息列表 长期向量数据库错误处理基础 try/except自动重试、降级、超时规划LLM 隐式决策Plan-and-Solve ReAct 混合多 Agent无CrewAI / LangGraph 多角色协作可观测性printLangSmith / LangFuse 全链路追踪建议路径极简版 → Function Calling → LangChain → 多 Agent。每一步都跑通再升级别跳跃。三、下一步让 Agent 走向生产到这里你已经掌握了选型框架和基础实战。但把 Agent 推向生产环境还有三道坎要过可靠性怎么保证Agent 链条越长越容易出错成本怎么控制多 Agent Token 指数级消耗好不好怎么衡量行业还没有统一评估标准如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
收藏必备！小白程序员轻松入门：六款主流AI Agent框架选型决策树+100行Python实战ReAct Agent
本文介绍了六款主流的AI Agent开发框架包括LangChain/LangGraph、CrewAI、AutoGen、Dify、Coze/扣子和Google ADK并提供了选型决策树帮助读者快速定位适合的框架。此外文章还通过100行Python代码展示了如何从零实现一个能自主思考、调用工具、循环执行的真·ReAct Agent并探讨了Agent走向生产环境需要克服的可靠性、成本和评估标准等挑战。上篇我们搞懂了 Agent 的核心架构——Planning、Tool Use、Memory、Multi-Agent。这篇进入实战六款主流开发框架谁更适合你选型决策树帮你一分钟定位。然后我们直接写代码——不依赖任何框架100 行 Python 实现一个能自主思考、调用工具、循环执行的真·ReAct Agent。一、六框架全景对比别再选择困难2025-2026 年AI Agent 开发框架已经百花齐放。我选了 6 个最有代表性的一张表讲清楚框架一句话定位核心亮点适合谁LangChain / LangGraph通用 Agent 开发框架生态最全图结构支持复杂流程比 CrewAI 快 2.2 倍需要强流程控制的团队CrewAI多 Agent 角色协作用 role/goal/backstory 定义 Agent新手最友好快速原型、模拟团队协作AutoGen微软多 Agent 对话协作Agent 间自动开会讨论人机混合决策企业级人机混合场景Dify低代码 LLMOps 平台可视化拖拽 内置 RAG 开源可自部署GitHub 121k 星需要快速落地的团队Coze / 扣子云端 Bot 构建平台零门槛Bot 商店生态个人/小团队快速试错Google ADKCode-First 官方 SDKGemini 深度集成MCP 原生支持多语言Google Cloud 生态用户选型决策树你是技术团队还是业务团队 ├─ 业务团队 / 快速落地 │ ├─ 需要私有化部署 → Dify │ └─ 可以云端使用 → Coze (扣子) │ └─ 技术团队 / 高度定制 ├─ 复杂流程控制 → LangChain LangGraph ├─ 多 Agent 对话协作 → AutoGen ├─ 角色模拟 / 快速原型 → CrewAI └─ Google 生态为主 → Google ADK两个重点框架深度看LangChain / LangGraph —— 生态之王LangChain 的生态壁垒无人能及——几乎所有主流 LLM 和工具都有官方集成。但它的真正王牌是 LangGraph用有向图graph编排 Agent 的执行流程支持循环、分支、并发、状态持久化。代价是学习曲线较陡——你需要理解 node、edge、state、conditional edge 这些图概念。CrewAI —— 最像人类团队的框架CrewAI 的设计哲学极接地气像组建真实团队一样搭建 Agent。每个 Agent 有 role角色、goal目标、backstory背景故事代码可读性极强。已被 Uber 等企业采用。缺点是执行速度偏慢——Agent 调用工具前有额外的思考步骤。 我的建议如果你的目标是先跑通一个能解决问题的 Agent从 CrewAI 或 Dify 开始。别一上来就选最复杂的——先跑通再迭代。二、实战100 行代码从零写一个 ReAct Agent理论够了上代码。这个 Agent 不依赖任何框架只用 OpenAI SDK让你看清底层到底发生了什么。import json import re from openai import OpenAI client OpenAI(api_keyyour-api-key) # ═══ 第一步定义工具 ═══ def search_web(query: str) - str: 模拟网页搜索实际项目中替换为真实搜索 API knowledge_base { 天气: 今天北京晴气温 15-25°C空气质量良。, AI Agent: AI Agent 是能够自主感知、推理和行动的智能系统。, Python: Python 3.13 是 2024 年发布的最新主要版本。, } for key, value in knowledge_base.items(): if key in query: return value return f未找到关于「{query}」的信息。 def calculate(expression: str) - str: 执行数学计算 try: result eval(expression, {__builtins__: {}}) return f计算结果{result} except Exception as e: return f计算出错{str(e)} TOOLS { search_web: { function: search_web, description: 搜索网络信息。参数 query (str)搜索关键词。, }, calculate: { function: calculate, description: 执行数学计算。参数 expression (str)数学表达式。, }, } # ═══ 第二步System Prompt ═══ SYSTEM_PROMPT 你是一个 AI Agent能使用工具完成用户的任务。 工作流程 1. **分析用户需求** 2. **如需获取信息或执行操作使用** tool_call {tool: 工具名, params: {参数名: 参数值}} /tool_call 3. **根据工具返回结果继续推理** 4. **能给出最终答案时使用** final_answer 你的最终答案 /final_answer 可用工具 - search_web: 搜索网络信息。参数 query (str)。 - calculate: 执行数学计算。参数 expression (str)。 每次只能调用一个工具。 # ═══ 第三步Agent 主循环 ═══ def run_agent(user_query: str, max_steps: int 10) - str: messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_query}, ] for step in range(max_steps): response client.chat.completions.create( modelgpt-4o, messagesmessages, temperature0.0 ) reply response.choices[0].message.content messages.append({role: assistant, content: reply}) # 检查最终答案 final re.search(rfinal_answer(.*?)/final_answer, reply, re.DOTALL) if final: return final.group(1).strip() # 检查工具调用 tool re.search(rtool_call(.*?)/tool_call, reply, re.DOTALL) if tool: try: data json.loads(tool.group(1)) func TOOLS[data[tool]][function] result func(data[params]) messages.append({ role: user, content: f[工具返回] {data[tool]}{result}, }) except (json.JSONDecodeError, KeyError): messages.append({ role: user, content: 错误工具调用格式不正确请重试。, }) else: messages.append({ role: user, content: 请继续需要信息就调工具能回答就给出最终答案。, }) return Agent 在达到最大步数后未能完成任务。 # ═══ 测试 ═══ if __name__ __main__: result run_agent(今天北京天气怎么样另外156×2389 等于多少) print(result)代码解读Agent 到底做了什么当你运行run_agent(今天北京天气怎么样另外156×2389 等于多少)时Agent 的思维链是这样的第 1 步分析用户问题发现需要天气信息 → 调用search_web(天气)第 2 步收到天气结果发现还需要计算 → 调用calculate(156*2389)第 3 步整合两个工具结果 → 输出最终答案就这么简单——LLM 决策 工具执行 循环迭代 Agent。 没有魔法。生产级升级路径组件当前极简版升级方向工具调用正则解析原生 Function CallingOpenAI/Anthropic记忆无短期消息列表 长期向量数据库错误处理基础 try/except自动重试、降级、超时规划LLM 隐式决策Plan-and-Solve ReAct 混合多 Agent无CrewAI / LangGraph 多角色协作可观测性printLangSmith / LangFuse 全链路追踪建议路径极简版 → Function Calling → LangChain → 多 Agent。每一步都跑通再升级别跳跃。三、下一步让 Agent 走向生产到这里你已经掌握了选型框架和基础实战。但把 Agent 推向生产环境还有三道坎要过可靠性怎么保证Agent 链条越长越容易出错成本怎么控制多 Agent Token 指数级消耗好不好怎么衡量行业还没有统一评估标准如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
