AI-AGENT概念解析 - Agent框架
·
打算按这个结构来组织回答：先理解两个框架的本质区别，然后用UML类图展示核心架构，再设计一个完整的实战项目——AI旅行规划助手，最后附上项目文件组织和扩展学习建议。
关于LangGraph vs LangChain v1的关系，搜索结果中没有明确说明，将会根据自己对LangChain生态的了解来解释：LangGraph是LangChain的子项目，LangChain v1简化了Agent创建流程。
下面开始组织这份完整的Agent开发指南。
AI Agent开发完整指南：从框架选型到动手实践
你这个问题问得非常到位——理解概念是一回事，动手实现是另一回事。在这份指南中，我会帮你建立一个完整的AI Agent开发认知框架，涵盖框架对比、架构设计、实战案例和项目组织。
一、框架对比：LangChain vs AutoGPT
在选择开发框架之前，必须先理解两者的本质区别：
| 对比维度 | LangChain | AutoGPT |
|---|---|---|
| 设计理念 | 模块化构建，开发者控制流程 | 自主智能体，模型自动执行任务 |
| 控制粒度 | 高，可定义每一步逻辑 | 低，由模型主导每步行为 |
| 使用方式 | 需要开发者手动构建链条和逻辑 | 用户只需提供目标，自动执行 |
| 适用场景 | 生产级应用、RAG系统、企业客服 | 实验探索、自主任务执行、AI研究 |
| 稳定性 | 高，便于测试与调试 | 弱，出错难以定位 |
| 典型用户 | 企业开发者、技术团队 | AI爱好者、研究者 |
简单类比：
- LangChain 就像用Python写脚本——你可以掌控每一个细节
- AutoGPT 更像是告诉AI“去完成一个目标”，然后看它如何自己摸索
技术架构差异：
LangChain架构：
用户输入 → LLM → Chain(任务链) → Agent(任务决策) → Tools(工具调用) → Memory → 输出
AutoGPT架构：
用户目标 → 任务生成器 → Agent Executor → 工具 → 反馈 → 再规划
选择建议：
- 选择 LangChain：构建定制化AI产品，需要生产级部署
- 选择 AutoGPT：实验自主性AI能力，研究多步推理
- 两者可结合：用LangChain编排框架，用AutoGPT的任务生成逻辑辅助拆解
二、核心架构设计
2.1 总体架构图
2.2 核心类图
2.3 ReAct模式工作流程
ReAct（Reasoning + Acting）是Agent的核心工作模式：
三、实战案例：AI旅行规划助手
下面通过一个完整的项目来串联所有概念。我们将构建一个能够规划旅行行程的AI Agent。
3.1 项目概述
目标：构建一个旅行规划助手，能够：
- 查询目的地天气
- 搜索景点信息
- 规划行程路线
- 生成旅行报告
技术栈：LangChain v1 + Python + Streamlit
3.2 环境准备
# 创建项目目录
mkdir travel-planner-agent
cd travel-planner-agent
# 创建虚拟环境
python -m venv venv
source venv/bin/activate # Linux/Mac
# venv\Scripts\activate # Windows
# 安装依赖
pip install langchain langchain-google-genai streamlit python-dotenv
3.3 定义State（状态管理）
# state.py
from typing import TypedDict, List, Optional
from datetime import datetime
class TravelState(TypedDict):
"""Agent的状态管理"""
destination: str # 目的地
start_date: str # 开始日期
end_date: str # 结束日期
weather_info: Optional[str] # 天气信息
attractions: List[str] # 景点列表
route: List[dict] # 行程路线
final_report: Optional[str] # 最终报告
current_step: str # 当前步骤
error_count: int # 错误计数
3.4 定义工具（Tools）
# tools.py
import json
import requests
from datetime import datetime
from langchain_core.tools import tool
@tool
def get_current_weather(city: str) -> str:
"""获取指定城市的当前天气
Args:
city: 城市名称，如"北京"
Returns:
天气信息的JSON字符串
"""
# 模拟API调用（实际项目中替换为真实API）
weather_data = {
"city": city,
"temperature": "22°C",
"condition": "晴朗",
"humidity": "65%",
"wind_speed": "12km/h",
"suggestion": "适合户外活动"
}
return json.dumps(weather_data, ensure_ascii=False)
@tool
def search_attractions(city: str, category: str = "all") -> str:
"""搜索城市的景点信息
Args:
city: 城市名称
category: 景点类型(all/historical/natural/entertainment)
Returns:
景点列表的JSON字符串
"""
# 模拟景点数据
attractions_db = {
"北京": [
{"name": "故宫", "type": "historical", "duration": "3-4小时", "price": "60元"},
{"name": "长城", "type": "historical", "duration": "4-5小时", "price": "40元"},
{"name": "颐和园", "type": "natural", "duration": "2-3小时", "price": "30元"}
],
"上海": [
{"name": "外滩", "type": "entertainment", "duration": "1-2小时", "price": "免费"},
{"name": "迪士尼乐园", "type": "entertainment", "duration": "全天", "price": "599元"},
{"name": "东方明珠", "type": "entertainment", "duration": "2小时", "price": "199元"}
]
}
attractions = attractions_db.get(city, [])
return json.dumps(attractions, ensure_ascii=False)
@tool
def calculate_duration(start_date: str, end_date: str) -> str:
"""计算旅行天数
Args:
start_date: 开始日期，格式YYYY-MM-DD
end_date: 结束日期，格式YYYY-MM-DD
Returns:
旅行天数
"""
start = datetime.strptime(start_date, "%Y-%m-%d")
end = datetime.strptime(end_date, "%Y-%m-%d")
days = (end - start).days + 1
return f"{days}天"
@tool
def format_travel_report(destination: str, days: int, route: list, weather: str) -> str:
"""格式化旅行报告
Args:
destination: 目的地
days: 旅行天数
route: 行程路线
weather: 天气信息
Returns:
格式化的旅行报告
"""
report = f"""
╔══════════════════════════════════════════════════════════╗
║ {destination} 旅行规划报告 ║
╚══════════════════════════════════════════════════════════╝
📅 行程天数：{days}天
🌤️ 天气概况：{weather}
🗺️ 每日行程：
"""
for i, day_plan in enumerate(route, 1):
report += f"\n第{i}天：\n"
for item in day_plan:
report += f" • {item}\n"
report += """
💡 温馨提示：
1. 建议提前预订热门景点门票
2. 根据天气情况准备合适的衣物
3. 预留充足的休息时间
祝您旅途愉快！🎉
"""
return report
3.5 构建Multi-Agent系统
# agents.py
from langchain.agents import create_agent
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.agents.middleware import AgentMiddleware
from pydantic import BaseModel, Field
from typing import List
import os
from dotenv import load_dotenv
from tools import get_current_weather, search_attractions, calculate_duration, format_travel_report
load_dotenv()
# 初始化LLM
model = ChatGoogleGenerativeAI(
model="gemini-2.0-flash-exp",
google_api_key=os.getenv("GOOGLE_API_KEY"),
temperature=0.7
)
# ============ 1. 定义结构化输出模型 ============
class TravelPlan(BaseModel):
"""旅行计划的结构化输出"""
destination: str = Field(description="目的地城市")
start_date: str = Field(description="出发日期 YYYY-MM-DD")
end_date: str = Field(description="返回日期 YYYY-MM-DD")
attractions: List[str] = Field(description="推荐的景点列表")
daily_route: List[str] = Field(description="每日行程安排")
# ============ 2. 定义中间件（质量验证） ============
class TravelPlanValidator(AgentMiddleware):
"""验证旅行计划的质量"""
def after_model(self, state, runtime):
if "structured_response" in state:
plan = state["structured_response"]
# 检查是否有景点推荐
if len(plan.attractions) < 1:
return {
"messages": [{
"role": "user",
"content": "请至少推荐1个景点。"
}]
}
# 检查日期格式
if not plan.start_date or not plan.end_date:
return {
"messages": [{
"role": "user",
"content": "请提供具体的开始和结束日期。"
}]
}
return None
# ============ 3. 创建Worker Agent ============
def create_weather_agent():
"""创建天气查询Agent"""
system_prompt = """你是一个天气查询助手。
使用 get_current_weather 工具查询指定城市的天气。
返回格式：温度、天气状况、湿度、出行建议。"""
return create_agent(
model=model,
tools=[get_current_weather],
system_prompt=system_prompt,
response_format=WeatherReport # 自定义输出格式
)
def create_attraction_agent():
"""创建景点查询Agent"""
system_prompt = """你是一个旅游景点推荐助手。
使用 search_attractions 工具查询景点信息。
根据用户偏好推荐合适的景点。"""
return create_agent(
model=model,
tools=[search_attractions],
system_prompt=system_prompt
)
# ============ 4. 创建Supervisor Agent ============
def create_travel_supervisor():
"""创建旅行规划总控Agent"""
system_prompt = """你是旅行规划总控助手。
你的职责是：
1. 理解用户的旅行需求
2. 调用天气助手获取目的地天气
3. 调用景点助手获取推荐景点
4. 规划每日行程
5. 生成完整的旅行报告
请确保回答完整、信息准确、建议实用。"""
return create_agent(
model=model,
tools=[get_current_weather, search_attractions, calculate_duration, format_travel_report],
system_prompt=system_prompt,
middleware=[TravelPlanValidator()],
response_format=TravelPlan
)
3.6 主程序：Streamlit界面
# app.py
import streamlit as st
from agents import create_travel_supervisor
from dotenv import load_dotenv
import os
load_dotenv()
# 页面配置
st.set_page_config(
page_title="AI旅行规划助手",
page_icon="✈️",
layout="wide"
)
st.title("✈️ AI旅行规划助手")
st.markdown("输入你的旅行需求，AI将为你规划完整的行程")
# 初始化session state
if "messages" not in st.session_state:
st.session_state.messages = []
if "agent" not in st.session_state:
with st.spinner("正在初始化AI助手..."):
st.session_state.agent = create_travel_supervisor()
# 显示历史消息
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.markdown(message["content"])
# 用户输入
if prompt := st.chat_input("比如：我想去北京玩3天，帮我规划一下行程"):
# 添加用户消息
st.session_state.messages.append({"role": "user", "content": prompt})
with st.chat_message("user"):
st.markdown(prompt)
# 获取AI响应
with st.chat_message("assistant"):
with st.spinner("正在规划行程..."):
try:
response = st.session_state.agent.invoke({
"messages": [{"role": "user", "content": prompt}]
})
# 处理结构化响应
if "structured_response" in response:
plan = response["structured_response"]
# 显示规划结果
col1, col2 = st.columns(2)
with col1:
st.subheader("📍 目的地信息")
st.write(f"**城市：** {plan.destination}")
st.write(f"**日期：** {plan.start_date} 至 {plan.end_date}")
with col2:
st.subheader("🏛️ 推荐景点")
for attr in plan.attractions:
st.write(f"• {attr}")
st.subheader("🗓️ 每日行程")
for day_plan in plan.daily_route:
st.write(f"• {day_plan}")
final_output = f"""
**行程规划完成！**
目的地：{plan.destination}
日期：{plan.start_date} 至 {plan.end_date}
推荐景点：{', '.join(plan.attractions)}
"""
else:
final_output = response.get("output", "无法生成规划，请重试")
st.markdown(final_output)
except Exception as e:
st.error(f"出错了：{str(e)}")
final_output = f"抱歉，规划过程中出现错误：{str(e)}"
# 保存消息
st.session_state.messages.append({"role": "assistant", "content": final_output})
四、项目文件结构
travel-planner-agent/
├── README.md # 项目说明
├── requirements.txt # 依赖列表
├── .env # 环境变量（API密钥）
├── .gitignore # Git忽略文件
│
├── app.py # Streamlit主程序
├── agents.py # Agent定义
├── tools.py # 工具函数
├── state.py # 状态定义
│
├── config/
│ ├── __init__.py
│ └── settings.py # 配置参数
│
├── memory/
│ ├── __init__.py
│ ├── short_term.py # 短期记忆
│ └── long_term.py # 长期记忆（向量数据库）
│
├── utils/
│ ├── __init__.py
│ ├── logger.py # 日志工具
│ └── validators.py # 数据验证
│
├── tests/
│ ├── test_agents.py
│ ├── test_tools.py
│ └── test_memory.py
│
├── data/
│ ├── attractions.json # 景点数据
│ └── prompts/ # 提示词模板
│
└── docs/
├── architecture.md # 架构文档
└── api.md # API文档
五、扩展与进阶
5.1 从LangChain v1迁移到LangGraph
对于更复杂的Agent系统，可以使用LangGraph：
from langgraph.graph import StateGraph, END
# 定义状态
class AgentState(TypedDict):
messages: List[BaseMessage]
next_step: str
tool_results: dict
# 构建图
workflow = StateGraph(AgentState)
# 添加节点
workflow.add_node("classify", classification_node)
workflow.add_node("search", search_node)
workflow.add_node("summarize", summarize_node)
# 添加边
workflow.add_edge("classify", "search")
workflow.add_conditional_edges("search", should_summarize)
workflow.add_edge("summarize", END)
# 编译
app = workflow.compile()
5.2 添加记忆系统
from langchain.memory import ConversationBufferWindowMemory
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
# 短期记忆
short_term_memory = ConversationBufferWindowMemory(
k=10, # 保留最近10轮对话
return_messages=True
)
# 长期记忆（向量数据库）
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(
texts=historical_conversations,
embedding=embeddings
)
5.3 框架选择建议
| 场景 | 推荐框架 | 理由 |
|---|---|---|
| 生产级RAG系统 | LangChain v1 | 稳定性高、生态完善 |
| 复杂多步任务 | LangGraph | 图结构灵活、支持循环 |
| 自主探索实验 | AutoGPT | 目标驱动、自动化程度高 |
| 快速原型验证 | 轻量级Agent | 自定义程度高、易于调试 |
六、总结
通过这份指南，你应该能够：
-
理解框架差异：LangChain是开发者框架（高控制），AutoGPT是自主智能体（高自动）
-
掌握核心架构：Supervisor-Worker模式、ReAct循环、记忆系统
-
动手构建项目：完整的旅行规划助手代码实现
-
组织项目结构：清晰的文件组织和模块划分
学习路径建议：
- 先跑通本指南的完整示例
- 修改工具函数，接入真实API
- 尝试添加新的Worker Agent
- 学习LangGraph构建更复杂的流程
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
15
0- 0
已为社区贡献6条内容
所有评论(0)