构建代理时，开发者不仅需要决定使用的模型、用例和架构，还必须选择合适的框架。
是选择经验丰富的 LangGraph，还是尝试新兴的 LlamaIndex 工作流？又或者，走传统路线，完全手动编写代码？为了简化这一决策过程，我在过去几周里使用各大主流框架构建了相同的代理程序，并深入分析了它们的优缺点。
第一个选项是完全跳过框架，完全自己构建代理。在开始这个项目时，这就是我开始采用的方法。
下面基于代码的代理由一个 OpenAI 驱动的路由器组成，该路由器使用函数调用来选择要使用的正确技能。该技能完成后，它会返回路由器以调用其他技能或响应用户。
def router(messages):if not any(isinstance(message, dict) and message.get("role") == "system" for message in messages):system_prompt = {"role": "system", "content": SYSTEM_PROMPT}messages.append(system_prompt)response = client.chat.completions.create(model="gpt-4o",messages=messages,tools=skill_map.get_combined_function_description_for_openai(),)messages.append(response.choices[0].message)tool_calls = response.choices[0].message.tool_callsif tool_calls:handle_tool_calls(tool_calls, messages)return router(messages)else:return response.choices[0].message.content
技能本身在它们自己的类（例如 GenerateSQLQuery）中定义，这些类共同保存在 SkillMap 中。路由器本身只与 SkillMap 交互，它用于加载技能名称、描述和可调用函数。这种方法意味着，向代理添加新技能就像将该技能编写为自己的类一样简单，然后将其添加到 SkillMap 中的技能列表中即可。这里的想法是让添加新技能变得容易，而不会干扰 router 代码。
class SkillMap:def __init__(self):skills = [AnalyzeData(), GenerateSQLQuery()]self.skill_map = {}for skill in skills:self.skill_map[skill.get_function_name()] = (skill.get_function_dict(),skill.get_function_callable(),)def get_function_callable_by_name(self, skill_name) -> Callable:return self.skill_map[skill_name][1]def get_combined_function_description_for_openai(self):combined_dict = []for _, (function_dict, _) in self.skill_map.items():combined_dict.append(function_dict)return combined_dictdef get_function_list(self):return list(self.skill_map.keys())def get_list_of_function_callables(self):return [skill[1] for skill in self.skill_map.values()]def get_function_description_by_name(self, skill_name):return str(self.skill_map[skill_name][0]["function"])
总的来说，这种方法的实现相当简单，但也带来了一些挑战。基于代码的方法提供了一个很好的基线和起点，提供了一种很好的方法来了解代理的工作原理，而无需依赖来自主流框架的固定代理教程。尽管说服 LLM 运行可能具有挑战性，但代码结构本身足够简单，并且可能对某些用例有意义。
LangGraph 是历史最悠久的代理框架之一，于 2024 年 1 月首次发布。该框架旨在通过采用 Pregel 图形结构来解决现有管道和链的非循环性质。LangGraph 通过添加节点、边和条件边的概念来遍历图形，可以更轻松地在代理中定义循环。LangGraph 构建在 LangChain 之上，并使用该框架中的对象和类型。
LangGraph 代理看起来与纸上基于代码的代理相似，但其背后的代码却截然不同。LangGraph 在技术上仍然使用“路由器”，因为它使用函数调用 OpenAI，并使用响应继续新的步骤。但是，程序在技能之间移动的方式完全不同。
tools = [generate_and_run_sql_query, data_analyzer]model = ChatOpenAI(model="gpt-4o", temperature=0).bind_tools(tools)def create_agent_graph():workflow = StateGraph(MessagesState)tool_node = ToolNode(tools)workflow.add_node("agent", call_model)workflow.add_node("tools", tool_node)workflow.add_edge(START, "agent")workflow.add_conditional_edges("agent",should_continue,)workflow.add_edge("tools", "agent")checkpointer = MemorySaver()app = workflow.compile(checkpointer=checkpointer)return app
此处定义的图形有一个用于初始 OpenAI 调用的节点，上面称为“agent”，还有一个用于工具处理步骤的节点，称为“tools”。LangGraph 有一个名为 ToolNode 的内置对象，它获取可调用工具的列表，并根据 ChatMessage 响应触发它们，然后再次返回到 “agent” 节点。
def should_continue(state: MessagesState):messages = state["messages"]last_message = messages[-1]if last_message.tool_calls:return "tools"return ENDdef call_model(state: MessagesState):messages = state["messages"]response = model.invoke(messages)return {"messages": [response]}
LangGraph 的主要好处之一是它易于使用。图形结构代码干净且易于访问。特别是如果您具有复杂的节点逻辑，则拥有图形的单一视图可以更轻松地了解代理是如何连接在一起的。LangGraph 还使转换在 LangChain 中构建的现有应用程序变得简单明了。
Workflows 是代理框架领域的新进入者，于今年夏天早些时候首次亮相。与 LangGraph 一样，它旨在使循环代理更易于构建。工作流还特别关注异步运行。
Workflows 的一些元素似乎是对 LangGraph 的直接响应，特别是它使用事件而不是边缘和条件边缘。工作流使用步骤（类似于 LangGraph 中的节点）来容纳逻辑，并使用发出和接收的事件在步骤之间移动。
下面的代码定义了 Workflow 结构。与 LangGraph 类似，这是我准备状态并将技能附加到 LLM。
class AgentFlow(Workflow):def __init__(self, llm, timeout=300):super().__init__(timeout=timeout)self.llm = llmself.memory = ChatMemoryBuffer(token_limit=1000).from_defaults(llm=llm)self.tools = []for func in skill_map.get_function_list():self.tools.append(FunctionTool(skill_map.get_function_callable_by_name(func),metadata=ToolMetadata(name=func, description=skill_map.get_function_description_by_name(func)),))@stepasync def prepare_agent(self, ev: StartEvent) -> RouterInputEvent:user_input = ev.inputuser_msg = ChatMessage(role="user", content=user_input)self.memory.put(user_msg)chat_history = self.memory.get()return RouterInputEvent(input=chat_history)
设置 Workflow 后，我定义了路由代码：
@stepasync def router(self, ev: RouterInputEvent) -> ToolCallEvent | StopEvent:messages = ev.inputif not any(isinstance(message, dict) and message.get("role") == "system" for message in messages):system_prompt = ChatMessage(role="system", content=SYSTEM_PROMPT)messages.insert(0, system_prompt)with using_prompt_template(template=SYSTEM_PROMPT, version="v0.1"):response = await self.llm.achat_with_tools(model="gpt-4o",messages=messages,tools=self.tools,)self.memory.put(response.message)tool_calls = self.llm.get_tool_calls_from_response(response, error_on_no_tool_call=False)if tool_calls:return ToolCallEvent(tool_calls=tool_calls)else:return StopEvent(result=response.message.content)
@stepasync def tool_call_handler(self, ev: ToolCallEvent) -> RouterInputEvent:tool_calls = ev.tool_callsfor tool_call in tool_calls:function_name = tool_call.tool_namearguments = tool_call.tool_kwargsif "input" in arguments:arguments["prompt"] = arguments.pop("input")try:function_callable = skill_map.get_function_callable_by_name(function_name)except KeyError:function_result = "Error: Unknown function call"function_result = function_callable(arguments)message = ChatMessage(role="tool",content=function_result,additional_kwargs={"tool_call_id": tool_call.tool_id},)self.memory.put(message)return RouterInputEvent(input=self.memory.get())
选择代理框架只是影响生成式 AI 系统生产结果的众多选择之一。与往常一样，拥有强大的护栏和 LLM 跟踪是值得的，并且在新的代理框架、研究和模型颠覆现有技术时保持敏捷。
参考资料：
1.https://towardsdatascience.com/choosing-between-llm-agent-frameworks-69019493b259
