Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

agent框架对比

Answer

以下是一些常见的 Agent 框架对比：

  • 对于新人而言，Coze 框架可免费使用各种大语言模型。
  • 对于进阶且熟悉 API 开发的人员，常见的框架有 neuflow、Agently、AutoGPT、MetaGPT、Langchain、Langflow、Guidance、ModelScope-Agent、魔搭 agent 实操。
  • 开源的 Agent 框架呈现百花齐放的态势。
  • 像 Coze、Dify 这样的平台，带来了可视化 workflow 的便捷操作和 LLMops 的基建支持，但存在一些想法无法实现的情况，比如循环、并行分支等。
  • Langchain 基于图的概念推出的全新 Agent 框架 Langgraph 很灵活，但对于只想简单入手写个 Agent 的人来说，门槛略高。
  • 相比之下，莫欣老师的 Agently 框架更受推荐，写一次就可能爱上，只需专注于构思 Agent 的实现，其余的 coding 可交给框架。
Content generated by AI large model, please carefully verify (powered by aily)

References

框架: 挑选合适的 Agent 框架

|技能需求|Agent框架|框架特点简介|<br>|-|-|-|<br>|新人|Coze|免费使用各种大语言模型|<br>|进阶熟悉API开发| ||<br>|程序员熟悉python|neuflow Agently AutoGPT[MetaGPT](https://github.com/geekan/MetaGPT)[Langchain](https://github.com/langchain-ai/langchain)[Langflow](https://docs.langflow.org)[Guidance](https://github.com/guidance-ai/guidance?tab=readme-ov-file#basic-generation)[ModelScope-Agent](https://github.com/modelscope/modelscope-agent/blob/master/README_CN.md)[魔搭agent实操](https://modelscope.cn/search?page=1&search=Agent%E5%AE%9E%E6%93%8D&type=headline)||除此之外,开源Agent框架已经是百花齐放:来自:https://github.com/e2b-dev/awesome-ai-agents

AI Agent 产品经理血泪史（二）-欲知方圆，则必规矩【Workflow篇】

读到这里如果还有问题的同学，我大概能猜到是什麼样的问题。像coze、dify这样的平台，虽然带来了可视化workflow的便捷操作和LLMops的基建支持，但还有很多想法实现不了，对吧？比如循环，再比如并行分支...等等，这个时候我会建议你开始写代码。其实去年底的时候langchain就基于图的概念推出了全新的Agent框架Langgraph，很灵活，但是仍旧会有一些问题，Langchain上的问题同样被带到了Langgraph，对于只想简单入手写个Agent的，门槛略高。相比之下，会更推荐莫欣老师的Agently框架，客观公正地评价一下，写一次你就会爱上那种感觉，你只需要专注于构思Agent的实现，剩下的coding，交给框架。（本篇不是软文），附上官网和langgraph的比较。

AI Agent 产品经理血泪史（二）-欲知方圆，则必规矩【Workflow篇】

读到这里如果还有问题的同学，我大概能猜到是什麼样的问题。像coze、dify这样的平台，虽然带来了可视化workflow的便捷操作和LLMops的基建支持，但还有很多想法实现不了，对吧？比如循环，再比如并行分支...等等，这个时候我会建议你开始写代码。其实去年底的时候langchain就基于图的概念推出了全新的Agent框架Langgraph，很灵活，但是仍旧会有一些问题，Langchain上的问题同样被带到了Langgraph，对于只想简单入手写个Agent的，门槛略高。相比之下，会更推荐莫欣老师的Agently框架，客观公正地评价一下，写一次你就会爱上那种感觉，你只需要专注于构思Agent的实现，剩下的coding，交给框架。（本篇不是软文），附上官网和langgraph的比较。

Others are asking
有关 ai agent 的科普文章
以下是为您提供的关于 AI Agent 的科普内容： AI Agent 是一个融合了多学科精髓的综合实体，包括语言学、心理学、神经学、逻辑学、社会科学和计算机科学等。它不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。 目前，关于 AI Agent 存在一些情况。例如，网络上对其的介绍往往晦涩难懂，让人感觉神秘莫测，其自主性、学习能力、推理能力等核心概念，以及如何规划和执行任务、理解并处理信息等方面，都像是笼罩在一层神秘面纱之下。 另外，以国与国之间的外交为例来解释相关协议。假设每个 AI 智能体（Agent）就是一个小国家，它们各自有自己的语言和规矩。各国大使馆试图互相沟通、做生意、交换情报，但现实中存在诸多问题，如协议各异、要求不同等。 如果您想了解更多关于 AI Agent 的详细内容，可访问： 。
2025-04-15
，AI agent 发展趋势，技术状态，商业模式
以下是关于 AI Agent 的发展趋势、技术状态和商业模式的相关信息： 发展趋势： 2024 年内，办公场景“AI 助手”开始有良好使用体验，实时生成的内容开始在社交媒体内容、广告中出现。 2025 2027 年，接近 AGI 的技术出现，人与 AI 配合的工作方式成为常态，很多日常决策开始由 AI 来执行。 技术状态： 目标实现基于 ReAct、SFT、RAG、强化学习等实现自主规划能力的 AI Agent，构建具备认知、决策智能的 Agent 智能体框架。 专注文本/多模态大模型、AI Agent 技术创新与应用。 商业模式： 依据不同类型销售市场的特点，结合一站式 AI 搭建平台将销售部署的产品化和模版化，让企业更容易落地和应用 AI 能力。 销售智能体 Blurr.AI 占位交易环节，解决 2B 销售获客的痛点，且具有向前后端环节延展的势能。
2025-04-13
ai agent有哪些技术
AI Agent 涉及的技术包括以下方面： 1. 长期任务执行技术：能够将复杂、跨度长的任务分解为小步骤，并在执行中保持目标导向和适时调整策略。 2. 多模态理解技术：能同时理解文字、图像、声音等多种交流方式，通过多种感官理解世界和任务上下文。 3. 记忆与行动技术：通过先进的记忆机制积累经验，记住对话、操作步骤和效果，使行动更精准高效。 4. 自适应学习技术：从每次交互中吸取经验，不断完善策略，实现“智慧成长”。 在技术层面，AI Agent 的发展有两条技术路线： 1. 以自主决策为核心的 LLM 控制流，代表了 AGI 的探索方向。 2. 以工作流（Workflow）编排为重点的工具集成系统，加速了 AI 落地应用。 特别值得关注的是 Anthropic 提出的 MCP（Model Context Protocol），其本质是一个通用接口协议，能解决让 AI 模型以标准化、可扩展方式与外部世界交互的问题。 此外，强化学习（RL）也是 AI Agent 的重要技术，起初主要依托策略搜索和价值函数优化等算法，如 Qlearning 和 SARSA。随着深度学习技术兴起，深度神经网络与强化学习结合形成深度强化学习，赋予 Agent 从高维输入中学习复杂策略的能力，如 AlphaGo 和 DQN 等。但强化学习面临训练周期长、采样效率低和稳定性等问题。其特点是通过试错学习最优行为策略以最大化累积奖励，时间始于 20 世纪 90 年代至今，技术包括 Qlearning、SARSA、深度强化学习（结合 DNN 和 RL），优点是能够处理高维状态空间和连续动作空间，缺点是样本效率低、训练时间长。
2025-04-09
AI chatbot、agent、copilot区别
AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署 Copilot 到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。
2025-04-07
有没有可以抓取公众号文章的 agent
以下是一些可以抓取公众号文章的方法和相关信息： 1. 可以通过读 SQLiteDB 或者获取 RSS XML 页面（http://127.0.0.1:4000/feeds/all.atom）来获取更新的公众号。个人选择在公众号订阅不太多时，建议使用分析 XML 页面，比较简单。可以写个程序获得公众号的更新文章，由于本地部署，无法直接将文章同步到 Coze，所以选择使用多维表格（当在线数据库，事实飞书多维表格后台也是使用类似 redis 或 TiDB 这样的数据库实现的）及飞书机器人 API 的方式来实现中间数据的传递。只要在多维表格中设置一个状态转换，就可以知道文章是否已经被解读和推送。 2. 可以通过文章链接订阅公众号，定时推送情报消息，并实现情报 CoT 问答。例如使用 Docker 浏览器打开：http://127.0.0.1:4000 也可以 http://wewerss 服务的 IP:端口为上面设置的外部端口。先点帐号管理，然后点“添加读书帐号”（即使用微信读书来实现公众号订阅），扫码添加帐号。然后在公众号源上，点添加。然后将想订阅的公众号的一篇文章链接粘贴并点确定即可订阅公众号文章。但建议不要短时间订阅太多公众号（经测试最好不要超 40 个）。 3. 瓦斯阅读平台可以抓取公众号的内容，但平台上公众号不太全。 4. GitHub 上的 WeWe RSS 工具可以通过微信读书的方式订阅公众号。
2025-04-05
dify工作流中agent节点怎么使用
在 Dify 工作流中使用 Agent 节点的步骤如下： 1. 搭建工作流框架： 进入 Coze，点击「个人空间工作流创建工作流」，打开创建工作流的弹窗。 根据弹窗要求自定义工作流信息，点击确认完成新建。 左侧「选择节点」模块中，根据子任务需要，实际用上的有插件（提供能力工具拓展 Agent 能力边界）、大模型（调用 LLM 实现文本内容生成）、代码（支持编写简单脚本处理数据）。 按照流程图在编辑面板中拖入对应的 LLM 大模型、插件、代码节点完成框架搭建。 2. 测试 Agent 节点功能： 完成任何一个节点的配置后，都需要进行试运行测试以验证节点的运行效果。 步骤一：点击「测试该节点」。 步骤二：按格式要求输入待测试的输入内容，如果是 array 等其他格式，请自行对话 AI 或搜索网络确认格式要求。 步骤三：点击「展开运行结果」，检查输入、输出项是否有误。如果有误，请依次检查“测试输入内容”、“节点配置”是否有误，以及优化“提示词”以提升对生成内容的约束力。当多次测试时输入与输出都符合预期，就可以进入下一个子任务的配置。
2025-04-05
prompt 框架
以下是关于 prompt 框架的相关内容： 格式： 常见的格式包括 Markdown（兼容性强，适用于写公众号文章、百家号文章等）、无序列表、有序列表、表格（更清晰直观，适用于对比数据等）、图片（具有随机性，可搭配生成 PPT）、二维码（将链接以二维码图片展示）、Latex 公式（面对数学问题时使用，能渲染出美观的公式，但目前官网对于行内公式的渲染不稳定）、代码（适合程序员指定需要撰写的代码，也方便复制内容）、JSON 格式（ChatGPT 可以以结构化数据形式输出信息，方便应用程序处理和解析，常用于程序员开发应用程序调用 API 时）。 关键框架： ICIO 框架：包括指令（执行的具体任务）、背景信息（提供执行任务的背景和上下文）、输入信息（大模型需要用到的信息）、输出信息（明确输出的具体要求，如字数、风格、格式）。 BROKE 框架：通过 GPT 的设计提示提升整体反馈效率，包括提供足够背景信息、角色设定、目标明确、结果定义、调整。 CRISPIE 框架：包括能力和角色（期望大模型扮演的角色洞察，提供幕后洞察力、背景信息和上下文）、声明（简洁明了的说明希望完成的任务）、个性（回应的风格、个性或者方式）、实验（提供多个回答的示例）。 律师使用 Prompt 的建议框架及格式： CRISPE 框架： Capacity and Role（能力与角色）：例如，你是一名专注于民商事法律领域的律师，擅长案例研究、法律条文检索以及案件策略分析。 Insight（洞察）：提供背景信息和上下文，如处理一起复杂的合同纠纷案件，向 AI 提供案件的关键事实、相关法律以及案件涉及的背景。 Statement（陈述）：直接明确期望 AI 完成的任务，如要求 AI 总结此案件中双方的诉求、检索法条、预测可能的判决结果。 Personality（个性）：明确希望 AI 以什么风格或方式回答。 Experiment（举例）。 零样本思维链（Zero Shot Chain of Thought，ZeroshotCoT）：研究了 CoT prompting 的后续发展，引入了一种简单的零样本提示方法。在问题结尾添加相关提示词，能让大语言模型生成回答问题的思维链，并从中提取出更准确的答案。
2025-04-10
分析程序员在AI能力上的不同维度，比如AI框架，AIPrompt等
以下是对程序员在 AI 能力上不同维度的分析，包括 AI 框架和 AI Prompt 等方面： AI 框架： PromptPal：专为 AI 领域中的初创公司和个人开发者设计的提示管理工具，是一个集中化平台，便于在 AI 项目中管理提示，实现协作和工作流程优化。具有本地部署和云原生、简易设置、数据库支持、SDK 支持、提示跟踪与分析、协作工具等特点。开发指向： ChainForge：开源的可视化编程环境，专门用于测试大型语言模型（LLMs）的提示。允许用户进行快速而有效的提示想法测试和变化，具有多模型测试、响应质量比较、评估指标设置、多对话管理等特点。开发指向： AI Prompt： Promptknit：为 AI Prompts 测试提供服务的平台，可能提供工具和资源来帮助用户设计、测试和优化 AI 模型的提示。网站： 对于律师等法律人写好 Prompt 的建议： 明确 Prompt 是给人工智能（AI）系统提供的信息或问题，用来引导其产生特定回答或执行特定任务。 建议框架及格式：CRISPE 包括 Capacity and Role（能力与角色）、Insight（洞察）、Statement（陈述）、Personality（个性）、Experiment（举例）。例如，在处理合同纠纷案件时，为 AI 赋予角色和能力，提供背景信息和上下文，明确期望其完成的任务，设定回答风格等。
2025-04-09
提示词框架
以下是关于提示词框架的相关内容： 一、Vidu Prompt 基本构成 1. 提示词基础架构 主体/场景 场景描述 环境描述 艺术风格/媒介 调整句式和语序，避免主体物过多/复杂、主体物分散的句式描述。 避免模糊的术语表达，尽可能准确。 使用更加流畅准确的口语化措辞，避免过度文学化的叙述。 丰富、准确和完整的描述才能生成特定艺术风格、满足需求的视频。 2. 提示词与画面联想程度的说明 为了帮助更好地理解，使用单帧图像作为例子介绍提示词与画面联想的关系。 基础词：玻璃桌上的咖啡杯，杯子外面写着单词 LOVE。 适度联想扩充：花园里（具体的位置描述）的透明（材质描述）玻璃桌上的咖啡杯，杯子外面写着单词 LOVE，周围满是盛开的鲜花（具体的位置描述/环境描述），和煦的阳光洒满整个花园（环境描述），Claude Monet（艺术家风格），印象派风格（艺术流派风格）。 联想关键点： 具体详实的位置描述/环境描述：笼统来讲就是在进行构图，可以帮助构建画面的基本呈现效果。 艺术风格描述：进一步提升效果和氛围，统一画面风格。 二、小七姐：Prompt 喂饭级系列教程小白学习指南（二） 如果拿到由四个词语组成的提示词框架无从下手，可以这样做： 恭喜你，写出了第一个提示词，它是： 请告诉我如何用下列四个词编写一个框架性的提示词（prompt）？ 情境: 任务: 行动: 结果: 请回忆写出这条提示词的过程。 最后复习本节课的三步走： 1. 懂原理 2. 找需求 3. 用框架 下课啦~ 我是 prompt 学习者和实践者小七姐，欢迎链接我交流 prompt 相关知识：se7en319
2025-04-01
形成指令让AI根据我的论文框架写论文
以下是为您提供的让 AI 根据论文框架写论文的相关指导： 1. 提供详细的背景信息：如您的个人经历、研究主题等，类似于“我来自西班牙巴塞罗那。尽管我的童年经历了一些创伤性事件，比如我 6 岁时父亲去世，但我仍然认为我有一个相当快乐的童年……”这样具体且全面的描述。 2. 结构化组织内容：使用编号、子标题和列表来使论文条理清晰，例如规定概述内容解读结语的结构，或者分标题阐述不同部分。 3. 明确文章结构：包括开门见山且能引起目标群体悬念的标题，说清楚要解决的问题及背景、可能导致的损失的第一部分，以案例引入的第二部分，对案例进一步分析的第三部分，以及给出具体操作建议的第四部分。 4. 丰富细化内容：先让 AI 写故事概要和角色背景介绍并做修改，然后一段一段进行细节描写，可采用让 AI 以表格形式输出细节描述的技巧，确保内容具体且前后一致。 5. 注意语言风格：可以自己定义，也可以根据文章生成对应语言风格关键词让 AI 遵循。 6. 遵循相关要求：比如某些比赛对作品的字数、修改限制等。 需要注意的是，虽然可以利用 AI 辅助写作，但并非提倡这是道德的使用方式。同时，如果是接收方，最好为组织准备好迎接各种 AI 生成的内容。
2025-03-30
问题定义： 1. 核心问题陈述：创作一份个人参赛的、以光伏业务中财务工作与AI结合进行业务赋能为主题的展示类参赛方案框架。 2. 关键上下文信息：公司举办AI创新大赛，个人参赛，主题方向为工作和AI结合限定在业务赋能，公司业务是光伏领域。 3. 问题的具体范围界定：聚焦光伏业务中财务工作与AI结合进行业务赋能的展示方案框架创作。 答案要求： 1. 内容范围： - 必须包含：整体参赛方案思路、光伏财务业务与AI结合的具体方向、展示方案大致框架。
很抱歉，您提供的知识库内容中没有与光伏业务中财务工作与 AI 结合进行业务赋能的参赛方案框架相关的信息。但以下是为您生成的一个可能的参赛方案框架示例： 一、整体参赛方案思路 本次参赛方案旨在探索如何将 AI 技术应用于光伏业务中的财务工作，以实现更高效、精准和智能化的业务赋能。通过深入分析光伏行业的特点和财务工作的需求，结合先进的 AI 技术，提出创新的解决方案，提升财务工作的效率和质量，为公司的光伏业务发展提供有力支持。 二、光伏财务业务与 AI 结合的具体方向 1. 财务预测与分析 利用机器学习算法对光伏项目的成本、收益进行预测，为投资决策提供数据支持。 分析市场趋势和政策变化对财务状况的影响，提前制定应对策略。 2. 风险评估与管理 运用大数据和人工智能技术，对光伏项目的风险进行实时监测和评估。 建立风险预警模型，及时发现潜在的财务风险。 3. 成本优化与控制 通过智能算法优化供应链管理，降低采购成本。 分析生产过程中的能耗数据，实现成本的精细化控制。 4. 财务报表自动化生成与审计 利用自然语言处理技术自动生成财务报表，提高工作效率。 运用 AI 辅助审计，提高审计的准确性和效率。 三、展示方案大致框架 1. 项目背景与目标 介绍光伏行业的发展现状和公司的业务情况。 阐述将财务工作与 AI 结合的目标和意义。 2. 技术方案与实现 详细介绍所采用的 AI 技术和算法。 展示技术方案的实现过程和关键步骤。 3. 应用案例与效果 分享实际应用案例，展示 AI 在财务工作中的具体应用场景。 分析应用效果，如成本降低、效率提升、风险控制等方面的成果。 4. 未来展望与挑战 展望 AI 在光伏财务领域的未来发展趋势。 探讨可能面临的挑战及应对策略。 5. 总结与结论 总结方案的核心内容和创新点。 强调对公司光伏业务的价值和贡献。 以上框架仅供参考，您可以根据实际情况进行进一步的细化和完善。
2025-03-28
详细讲解一下ragflow框架，同时对比一下ragflow与常规知识库有什么优势，在graphrag的实现方面ragflow又是怎么做的？
RAG（检索增强生成）是一种有效的解决方案，下面为您详细讲解： RAG 工作流程： 1. 检索（Retrieval）：如同在图书馆中，系统会从知识库或文档集合中找出与用户问题相关的内容。 2. 增强（Augmented）：对检索到的信息进行筛选和优化，挑出最相关和有用的部分。 3. 生成（Generation）：将整合的信息生成自然流畅、易于理解的回答。 RAG 类似于一个超级智能的图书馆员，综合起来： 1. 检索：从庞大知识库中找到相关信息。 2. 增强：筛选优化确保找到最相关部分。 3. 生成：整合信息给出连贯回答。 RAG 的优势： 1. 成本效益：相比训练和维护大型专有模型，实现成本更低。 2. 灵活性：能利用多种数据源，包括结构化和非结构化数据，迅速适应不同领域和变化的数据。 3. 可扩展性：随时增加或更新知识库内容，无需重新训练模型。 RAG 与常规知识库的对比优势： 常规知识库可能存在知识更新不及时、数据来源单一等问题。而 RAG 能够从多种数据源获取信息，并且可以根据用户的实时需求进行检索和优化，生成更贴合需求的回答。 在 GraphRAG 的实现方面，目前提供的内容中未明确提及相关具体实现方式。 同时需要注意的是，RAG 也存在一些缺点，比如相比于专有模型的方案，回答准确性可能不够。
2025-03-28