摘要2025 年被业界视为 AI Agent 元年。随着 Manus 等通用智能体产品的刷屏以及企业招聘需求的爆发式增长AI Agent 已经成为每一位应用开发者都无法忽视的风口。本文将系统梳理 AI Agent 的核心概念、主流开发框架LangChain、LangGraph、CrewAI并结合从基础学习到多智能体实战的完整路径提供可落地的技术参考和代码示例。无论你是初级开发者还是寻求技术提升的工程师都能从中获得构建智能体应用的全局视野。纲要为什么是 AI AgentAI 与 Agent 的发展脉络核心概念与前置知识开发框架概览与选型LangChainLangGraphCrewAI系统化学习路径第一阶段基础储备第二阶段LangChain 核心模块第三阶段单智能体实战第四阶段多智能体与工作流第五阶段高级扩展与多框架对比环境搭建与工具链代码与实践从简单链到多智能体7.1 最简单的 LLM 调用7.2 使用 LangChain 构建链7.3 创建自定义 Agent7.4 多智能体协作示例项目结构建议职业前景与总结为什么是 AI Agent大模型本身是强大的推理引擎但仅靠“一问一答”的模式很难满足复杂业务需求。AI Agent智能体通过赋予模型规划、记忆、工具调用、多步执行的能力让 AI 真正具备了自主完成任务的潜力。从行业趋势看2025 年初通用 AI Agent 产品 Manus 的发布引发了巨大关注甚至出现邀请码被炒至数万元的现象。这背后反映出市场对能够自主规划并执行长链条任务的生产力工具极度渴望。在企业端BOSS 等招聘平台上 AI Agent 相关岗位的薪资和需求量持续走高且随着具身智能、嵌入式 AI 等方向的推进人才缺口将进一步扩大。对于普通开发者而言大模型的训练和预训练仍然是少数大厂的游戏但基于已有模型构建应用层——尤其是智能体应用——才是大部分工程师的主战场。掌握 AI Agent 的开发能力既顺应了技术演进的潮流也是一条清晰的职业上升通道。AI 与 Agent 的发展脉络从技术发展史看AI 经历了三次范式跃迁AI 1.0规则时代专家系统、基于规则的推理。知识需要人工编码无法泛化。AI 2.0深度学习时代以感知和模式识别为核心如图像分类、语音识别。模型在特定任务上表现优异但缺乏通用推理和工具使用能力。AI 3.0大模型 Agent 时代大规模预训练语言模型展现出涌现能力结合规划、记忆和工具调用形成了能够处理开放域任务的智能体。此时AI 不再只是“信息提取器”而成为可以自主执行计划的“数字员工”。Agent 之所以被认为是未来的核心是因为它补齐了从“思考”到“行动”的关键环节。一个典型的智能体架构包含大脑LLM负责推理、规划。记忆短期记忆对话上下文和长期记忆向量存储、知识库。工具搜索 API、代码执行器、数据库查询、外部服务调用等。行动循环观察-思考-行动ReAct、Plan-and-Execute 等模式。是否用户输入Agent 大脑 LLM是否需要工具?调用工具获取工具输出生成最终回答返回用户核心概念与前置知识在动手构建 Agent 之前开发者至少需要了解以下概念LLM大语言模型如 GPT-4、Claude、DeepSeek 等。Prompt Engineering设计提示词以引导模型行为包含 few-shot、chain-of-thought 等技巧。Vector Store向量数据库如 Pinecone、Weaviate、Chroma用于存储和检索语义化的知识。Embedding将文本转化为向量的技术是语义检索的基础。Tool/PluginAgent 可调用的外部函数或 API。Orchestration编排多个智能体或工作流的框架能力。推荐的预备技能至少掌握一门编程语言Python 是事实标准理解 REST API 和 JSON 数据交换格式基本了解异步编程的概念asyncio 等。开发框架概览与选型当前市面上的智能体框架迭代极快以下三款是经过社区验证的主流选择框架特点适用场景LangChain生态最完善模块化程度高集成大量工具和模型接口构建链式调用、RAG 应用、简单 AgentLangGraph专注于有状态、多步骤的工作流支持条件分支和循环复杂业务流程、多代理协作、需要精细控制状态CrewAI高级封装的多智能体框架角色分工明确配置简单快速搭建多 Agent 协作系统适合团队级模拟通常的学习路径是先用 LangChain 理解链和 Agent 的基本范式再用 LangGraph 掌握复杂的流程编排最后使用 CrewAI 体验多智能体协作的高层抽象。掌握两种以上框架能够根据业务场景做出灵活选型。系统化学习路径一个平滑且体系化的学习阶梯可以分为五个阶段1 第一阶段基础储备理解 AI、大模型、Agent 的基本概念。学习 Prompt Engineering 最佳实践。熟练使用至少一种 AI 辅助编程工具如 Copilot、Cursor。掌握通过 API 调用大模型如 DeepSeek API的方法。2 第二阶段LangChain 核心模块精选与 Agent 开发最相关的部分Models I/O统一对接不同模型。Chains构建处理管道。Memory管理对话历史与持久化。Tools Agents创建自定义工具并构建 ReAct Agent。RAG检索增强生成连接外部知识库。Callbacks日志、监控与调试。3 第三阶段单智能体实战通过一个完整项目例如“客服智能体”将前述模块串联。该智能体需要接入业务知识库RAG调用订单查询、物流跟踪等工具管理多轮对话上下文设计恰当的 Fallback 策略。4 第四阶段多智能体与工作流引入 LangGraph 和 CrewAI实现多 Agent 协同使用 LangGraph 构建有状态的复杂流程图支持并行、条件路由。使用 CrewAI 定义不同角色的 Agent如研究员、撰稿人、审核员并自动分配任务。5 第五阶段高级扩展与多框架对比可观测性集成 LangSmith 或类似工具监控 Agent 行为。部署使用 FastAPI 或 Docker 将 Agent 包装为微服务。对比不同框架的设计哲学与性能差异形成自己的技术判断。6 环境搭建与工具链为降低入门门槛推荐使用在线开发环境如 GitHub Codespaces、Replit 或自建 Web IDE实现零配置开局。同时许多模型提供商为开发者提供免费额度足以覆盖学习阶段的实验需求。典型的环境配置如下# 创建虚拟环境python-mvenv venvsourcevenv/bin/activate# Linux/Macvenv\Scripts\activate# Windows# 安装核心依赖pipinstalllangchain langchain-openai langgraph crewai chromadbAPI Key 等敏感信息应使用环境变量管理importosfromdotenvimportload_dotenv load_dotenv()OPENAIAPIKEYos.getenv(OPENAIAPIKEY)7 )代码与实践从简单链到多智能体7.1 最简单的 LLM 调用fromlangchain_openaiimportChatOpenAI llmChatOpenAI(modelgpt-4o,temperature0)responsellm.invoke(你好请用一句话介绍你自己。)print(response.content)7.2 使用 LangChain 构建链fromlangchain_core.promptsimportChatPromptTemplatefromlangchaincore.outputparsersimportStrOutputParser promptChatPromptTemplate.from_messages([(system,你是一个专业的技术翻译助手。),(user,请将以下内容翻译为英文{input})])chainprompt|llm|StrOutputParser()resultchain.invoke({input:人工智能正在重塑世界。})print(result)7.3 创建自定义 Agent假设我们有一个“天气查询”工具fromlangchain.agentsimporttooltooldefget_weather(city:str)-str:查询指定城市的天气输入城市名返回天气信息。模拟返回数据returnf{city}当前晴温度 22°C空气质量优。fromlangchain.agentsimportAgentExecutor,createopenaitools_agent tools[get_weather]promptChatPromptTemplate.from_messages([(system,你是一个乐于助人的助手可以使用工具获取实时信息。),(user,{input}),(placeholder,{agent_scratchpad})])agentcreateopenaitools_agent(llm,tools,prompt)agent_executorAgentExecutor(agentagent,toolstools,verboseTrue)agent_executor.invoke({input:北京今天天气如何})7.4 多智能体协作示例使用 CrewAI 快速搭建一个内容创作团队fromcrewaiimportAgent,Task,Crew 定义智能体 researcherAgent(role研究员,goal在指定的主题上进行深度调研找出核心观点和最新发展。,backstory你是一名资深技术研究员擅长挖掘前沿信息。,llmllm)writerAgent(role撰稿人,goal将研究员提供的材料整理成一篇通俗易懂的技术文章。,backstory你是一名技术专栏作家擅长将复杂概念转化为生动表达。,llmllm)定义任务 task_researchTask(description研究 AI Agent 在 2025 年的发展趋势列出至少三个关键方向。,agentresearcher)task_writeTask(description根据研究员提供的信息撰写一篇约 800 字的技术评论。,agentwriter)组建团队并执行 crewCrew(agents[researcher,writer],tasks[taskresearch,taskwrite])resultcrew.kickoff()print(result)项目结构建议一个可维护的 AI Agent 项目通常遵循以下结构my-agent-project/ ├── agents/ # 智能体定义 │ ├── init.py │ ├── base.py │ └── customer_service.py ├── tools/ # 自定义工具 │ ├── init.py │ ├── weather.py │ └── database.py ├── chains/ # 处理链可选 │ └── rag_chain.py ├── memory/ # 记忆管理 │ └── chat_history.py ├── config/ # 配置 │ ├── settings.py │ └── prompts/ ├── tests/ # 测试用例 ├── main.py # 入口 ├── requirements.txt └── README.md清晰的模块划分有助于团队协作也方便后续将 Agent 拆分为独立的微服务进行部署。职业前景与总结AI Agent 正处于从“辅助聊天”到“自主执行”的转折点。随着多模态、具身智能等技术的成熟Agent 将深度渗透到软件开发、客户服务、金融分析、医疗诊断等各个领域。对于开发者的利好在于大模型底座趋于商品化而理解业务、能利用框架快速构建可靠智能体应用的工程师将成为稀缺资源。系统化地学习 Agent 开发至少应涵盖概念理解 → 工具与框架掌握 → 单智能体实战 → 多智能体编排 → 部署与监控。在这一过程中对比使用 LangChain、LangGraph、CrewAI 等框架不仅能提升工程效率更能加深对 Agent 设计模式的理解。无论你是希望提升职场竞争力还是打算在 AI 应用赛道创业现在都是入场的黄金窗口。开始编写你的第一个 Agent或许就是开启下一个五年职业生涯的钥匙。本文技术框架以 2025 年初为参考社区更新迅速请以官方文档为准。鼓励读者结合自身项目不断实践持续跟进 LangChain、CrewAI 等生态的最新进展。
摘要2025 年被业界视为 AI Agent 元年。随着 Manus 等通用智能体产品的刷屏以及企业招聘需求的爆发式增长AI Agent 已经成为每一位应用开发者都无法忽视的风口。本文将系统梳理 AI Agent 的核心概念、主流开发框架LangChain、LangGraph、CrewAI并结合从基础学习到多智能体实战的完整路径提供可落地的技术参考和代码示例。无论你是初级开发者还是寻求技术提升的工程师都能从中获得构建智能体应用的全局视野。纲要为什么是 AI AgentAI 与 Agent 的发展脉络核心概念与前置知识开发框架概览与选型LangChainLangGraphCrewAI系统化学习路径第一阶段基础储备第二阶段LangChain 核心模块第三阶段单智能体实战第四阶段多智能体与工作流第五阶段高级扩展与多框架对比环境搭建与工具链代码与实践从简单链到多智能体7.1 最简单的 LLM 调用7.2 使用 LangChain 构建链7.3 创建自定义 Agent7.4 多智能体协作示例项目结构建议职业前景与总结为什么是 AI Agent大模型本身是强大的推理引擎但仅靠“一问一答”的模式很难满足复杂业务需求。AI Agent智能体通过赋予模型规划、记忆、工具调用、多步执行的能力让 AI 真正具备了自主完成任务的潜力。从行业趋势看2025 年初通用 AI Agent 产品 Manus 的发布引发了巨大关注甚至出现邀请码被炒至数万元的现象。这背后反映出市场对能够自主规划并执行长链条任务的生产力工具极度渴望。在企业端BOSS 等招聘平台上 AI Agent 相关岗位的薪资和需求量持续走高且随着具身智能、嵌入式 AI 等方向的推进人才缺口将进一步扩大。对于普通开发者而言大模型的训练和预训练仍然是少数大厂的游戏但基于已有模型构建应用层——尤其是智能体应用——才是大部分工程师的主战场。掌握 AI Agent 的开发能力既顺应了技术演进的潮流也是一条清晰的职业上升通道。AI 与 Agent 的发展脉络从技术发展史看AI 经历了三次范式跃迁AI 1.0规则时代专家系统、基于规则的推理。知识需要人工编码无法泛化。AI 2.0深度学习时代以感知和模式识别为核心如图像分类、语音识别。模型在特定任务上表现优异但缺乏通用推理和工具使用能力。AI 3.0大模型 Agent 时代大规模预训练语言模型展现出涌现能力结合规划、记忆和工具调用形成了能够处理开放域任务的智能体。此时AI 不再只是“信息提取器”而成为可以自主执行计划的“数字员工”。Agent 之所以被认为是未来的核心是因为它补齐了从“思考”到“行动”的关键环节。一个典型的智能体架构包含大脑LLM负责推理、规划。记忆短期记忆对话上下文和长期记忆向量存储、知识库。工具搜索 API、代码执行器、数据库查询、外部服务调用等。行动循环观察-思考-行动ReAct、Plan-and-Execute 等模式。是否用户输入Agent 大脑 LLM是否需要工具?调用工具获取工具输出生成最终回答返回用户核心概念与前置知识在动手构建 Agent 之前开发者至少需要了解以下概念LLM大语言模型如 GPT-4、Claude、DeepSeek 等。Prompt Engineering设计提示词以引导模型行为包含 few-shot、chain-of-thought 等技巧。Vector Store向量数据库如 Pinecone、Weaviate、Chroma用于存储和检索语义化的知识。Embedding将文本转化为向量的技术是语义检索的基础。Tool/PluginAgent 可调用的外部函数或 API。Orchestration编排多个智能体或工作流的框架能力。推荐的预备技能至少掌握一门编程语言Python 是事实标准理解 REST API 和 JSON 数据交换格式基本了解异步编程的概念asyncio 等。开发框架概览与选型当前市面上的智能体框架迭代极快以下三款是经过社区验证的主流选择框架特点适用场景LangChain生态最完善模块化程度高集成大量工具和模型接口构建链式调用、RAG 应用、简单 AgentLangGraph专注于有状态、多步骤的工作流支持条件分支和循环复杂业务流程、多代理协作、需要精细控制状态CrewAI高级封装的多智能体框架角色分工明确配置简单快速搭建多 Agent 协作系统适合团队级模拟通常的学习路径是先用 LangChain 理解链和 Agent 的基本范式再用 LangGraph 掌握复杂的流程编排最后使用 CrewAI 体验多智能体协作的高层抽象。掌握两种以上框架能够根据业务场景做出灵活选型。系统化学习路径一个平滑且体系化的学习阶梯可以分为五个阶段1 第一阶段基础储备理解 AI、大模型、Agent 的基本概念。学习 Prompt Engineering 最佳实践。熟练使用至少一种 AI 辅助编程工具如 Copilot、Cursor。掌握通过 API 调用大模型如 DeepSeek API的方法。2 第二阶段LangChain 核心模块精选与 Agent 开发最相关的部分Models I/O统一对接不同模型。Chains构建处理管道。Memory管理对话历史与持久化。Tools Agents创建自定义工具并构建 ReAct Agent。RAG检索增强生成连接外部知识库。Callbacks日志、监控与调试。3 第三阶段单智能体实战通过一个完整项目例如“客服智能体”将前述模块串联。该智能体需要接入业务知识库RAG调用订单查询、物流跟踪等工具管理多轮对话上下文设计恰当的 Fallback 策略。4 第四阶段多智能体与工作流引入 LangGraph 和 CrewAI实现多 Agent 协同使用 LangGraph 构建有状态的复杂流程图支持并行、条件路由。使用 CrewAI 定义不同角色的 Agent如研究员、撰稿人、审核员并自动分配任务。5 第五阶段高级扩展与多框架对比可观测性集成 LangSmith 或类似工具监控 Agent 行为。部署使用 FastAPI 或 Docker 将 Agent 包装为微服务。对比不同框架的设计哲学与性能差异形成自己的技术判断。6 环境搭建与工具链为降低入门门槛推荐使用在线开发环境如 GitHub Codespaces、Replit 或自建 Web IDE实现零配置开局。同时许多模型提供商为开发者提供免费额度足以覆盖学习阶段的实验需求。典型的环境配置如下# 创建虚拟环境python-mvenv venvsourcevenv/bin/activate# Linux/Macvenv\Scripts\activate# Windows# 安装核心依赖pipinstalllangchain langchain-openai langgraph crewai chromadbAPI Key 等敏感信息应使用环境变量管理importosfromdotenvimportload_dotenv load_dotenv()OPENAIAPIKEYos.getenv(OPENAIAPIKEY)7 )代码与实践从简单链到多智能体7.1 最简单的 LLM 调用fromlangchain_openaiimportChatOpenAI llmChatOpenAI(modelgpt-4o,temperature0)responsellm.invoke(你好请用一句话介绍你自己。)print(response.content)7.2 使用 LangChain 构建链fromlangchain_core.promptsimportChatPromptTemplatefromlangchaincore.outputparsersimportStrOutputParser promptChatPromptTemplate.from_messages([(system,你是一个专业的技术翻译助手。),(user,请将以下内容翻译为英文{input})])chainprompt|llm|StrOutputParser()resultchain.invoke({input:人工智能正在重塑世界。})print(result)7.3 创建自定义 Agent假设我们有一个“天气查询”工具fromlangchain.agentsimporttooltooldefget_weather(city:str)-str:查询指定城市的天气输入城市名返回天气信息。模拟返回数据returnf{city}当前晴温度 22°C空气质量优。fromlangchain.agentsimportAgentExecutor,createopenaitools_agent tools[get_weather]promptChatPromptTemplate.from_messages([(system,你是一个乐于助人的助手可以使用工具获取实时信息。),(user,{input}),(placeholder,{agent_scratchpad})])agentcreateopenaitools_agent(llm,tools,prompt)agent_executorAgentExecutor(agentagent,toolstools,verboseTrue)agent_executor.invoke({input:北京今天天气如何})7.4 多智能体协作示例使用 CrewAI 快速搭建一个内容创作团队fromcrewaiimportAgent,Task,Crew 定义智能体 researcherAgent(role研究员,goal在指定的主题上进行深度调研找出核心观点和最新发展。,backstory你是一名资深技术研究员擅长挖掘前沿信息。,llmllm)writerAgent(role撰稿人,goal将研究员提供的材料整理成一篇通俗易懂的技术文章。,backstory你是一名技术专栏作家擅长将复杂概念转化为生动表达。,llmllm)定义任务 task_researchTask(description研究 AI Agent 在 2025 年的发展趋势列出至少三个关键方向。,agentresearcher)task_writeTask(description根据研究员提供的信息撰写一篇约 800 字的技术评论。,agentwriter)组建团队并执行 crewCrew(agents[researcher,writer],tasks[taskresearch,taskwrite])resultcrew.kickoff()print(result)项目结构建议一个可维护的 AI Agent 项目通常遵循以下结构my-agent-project/ ├── agents/ # 智能体定义 │ ├── init.py │ ├── base.py │ └── customer_service.py ├── tools/ # 自定义工具 │ ├── init.py │ ├── weather.py │ └── database.py ├── chains/ # 处理链可选 │ └── rag_chain.py ├── memory/ # 记忆管理 │ └── chat_history.py ├── config/ # 配置 │ ├── settings.py │ └── prompts/ ├── tests/ # 测试用例 ├── main.py # 入口 ├── requirements.txt └── README.md清晰的模块划分有助于团队协作也方便后续将 Agent 拆分为独立的微服务进行部署。职业前景与总结AI Agent 正处于从“辅助聊天”到“自主执行”的转折点。随着多模态、具身智能等技术的成熟Agent 将深度渗透到软件开发、客户服务、金融分析、医疗诊断等各个领域。对于开发者的利好在于大模型底座趋于商品化而理解业务、能利用框架快速构建可靠智能体应用的工程师将成为稀缺资源。系统化地学习 Agent 开发至少应涵盖概念理解 → 工具与框架掌握 → 单智能体实战 → 多智能体编排 → 部署与监控。在这一过程中对比使用 LangChain、LangGraph、CrewAI 等框架不仅能提升工程效率更能加深对 Agent 设计模式的理解。无论你是希望提升职场竞争力还是打算在 AI 应用赛道创业现在都是入场的黄金窗口。开始编写你的第一个 Agent或许就是开启下一个五年职业生涯的钥匙。本文技术框架以 2025 年初为参考社区更新迅速请以官方文档为准。鼓励读者结合自身项目不断实践持续跟进 LangChain、CrewAI 等生态的最新进展。
