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 ADK	Code-First 官方 SDK	Gemini 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_key="your-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(
            model="gpt-4o", messages=messages, temperature=0.0
        )
        reply = response.choices[0].message.content
        messages.append({"role": "assistant", "content": reply})

        # 检查最终答案
        final = re.search(r"<final_answer>(.*?)</final_answer>", reply, re.DOTALL)
        if final:
            return final.group(1).strip()

        # 检查工具调用
        tool = re.search(r"<tool_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，156×23+89 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，156×23+89 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*23+89")
• 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 Calling（OpenAI/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	print	LangSmith / 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？