Agent框架权衡

Agent 框架让你快速构建多步骤、多工具的 LLM 应用。但每个框架都有自己的权衡——灵活性 vs 简单性，控制力 vs 便捷性。选择错误的框架比不用框架更糟糕。

类型： 概念 前置条件： Phase 11 Lesson 09（函数调用） 预计时间： ~45 分钟

学习目标

• 理解 Agent 框架的核心设计维度
• 对比主流框架：LangChain、CrewAI、AutoGen、LangGraph
• 分析何时使用框架、何时自己构建
• 理解 Agent 的可控性和可靠性权衡

框架对比

设计维度

1. 控制流：硬编码 vs LLM 决策

硬编码（LangGraph）:
  Step 1 → Step 2 → Step 3（固定流程）

LLM 决策（ReAct Agent）:
  Step 1 → LLM 决定下一步 → ???（不可预测）

权衡： 硬编码可控但不够灵活；LLM 决策灵活但不可预测。生产应用应优先选择硬编码，仅在必要时让 LLM 做决策。

2. 状态管理：隐式 vs 显式

# 隐式状态（LangChain Agent）
# 状态隐藏在 Agent 内部，难以检查和调试
agent = initialize_agent(tools, llm, agent="zero-shot-react")
result = agent.run("查询天气并预订餐厅")

# 显式状态（LangGraph）
# 状态明确定义，可检查、可恢复
class State(TypedDict):
    weather: str
    restaurant: str
    booking_confirmed: bool

3. 错误处理：静默 vs 显式

何时使用框架

使用框架的场景：

• 原型验证，快速迭代
• 标准化工作流（RAG、ReAct）
• 不需要深度定制

自建的场景：

• 生产级应用，需要完全控制
• 性能敏感，框架开销不可接受
• 需要自定义的错误处理和监控
• 框架的抽象与你的需求不匹配

自建最小 Agent

class MinimalAgent:
    """最小化 Agent 实现"""

    def __init__(self, llm_fn, tools, max_iterations=10):
        self.llm_fn = llm_fn
        self.tools = {t['name']: t for t in tools}
        self.max_iterations = max_iterations

    def run(self, user_message):
        """运行 Agent"""
        messages = [
            {"role": "system", "content": self._build_system_prompt()},
            {"role": "user", "content": user_message},
        ]

        for _ in range(self.max_iterations):
            response = self.llm_fn(messages)

            # 检查是否有工具调用
            tool_calls = self._extract_tool_calls(response)

            if not tool_calls:
                return response  # 最终回答

            # 执行工具调用
            messages.append({"role": "assistant", "content": response})
            for call in tool_calls:
                result = self._execute_tool(call)
                messages.append({
                    "role": "tool",
                    "content": result,
                })

        return "达到最大迭代次数"

    def _build_system_prompt(self):
        tool_descriptions = "\n".join(
            f"- {t['name']}: {t['description']}"
            for t in self.tools.values()
        )
        return f"你是一个助手，可以使用以下工具：\n{tool_descriptions}"

    def _execute_tool(self, call):
        tool = self.tools.get(call['name'])
        if tool:
            return tool['execute'](**call['arguments'])
        return f"未知工具: {call['name']}"

关键术语

延伸阅读

• LangChain 文档 — LangChain 官方文档
• CrewAI 文档 — CrewAI 官方文档
• AutoGen 文档 — Microsoft AutoGen 文档
• LangGraph 文档 — LangGraph 官方文档