Agent 智能体进入黄金发展期
Agent 智能体的发展正步入黄金时代。随着众多新框架的层出不穷和对该领域的持续投入，现在 Agent 智能体已逐步摆脱初期的动荡，迅速崛起，成为开发者的首选，超越了 RAG。那么，2024 年是否会成为 Agent 智能体系统全面接管撰写邮件、预订航班、数据分析等任务的元年呢？
这或许有可能，但距离这一目标还有许多挑战需要克服。在构建 Agent 智能体的过程中，开发者们不仅要考虑选用哪种大模型、应用场景和技术架构，还需要在众多开发框架中做出抉择。是继续沿用较为成熟的 LangGraph，还是拥抱新兴的 LlamaIndex Workflows？或者回归传统，亲自编写所有代码？
本文旨在帮助您更轻松地做出决策。在过去几周，我们利用多个主流框架构建了相同的智能体，并从技术角度对它们的优势和不足进行了分析。
Code-Based Agent（不使用智能体框架）
在着手开发 Agent 智能体应用时，你可以选择不依赖任何框架，而是完全自主构建，整体流程如下所示：
以下 Agent 智能体应用完全由代码构建而成，其核心是一个由 OpenAI 技术支撑的技能调度器。该调度器通过函数调用机制来决定激活哪项技能。技能操作完成后，控制权将重新交还给技能调度器，以便于它能够继续调度其他技能或者直接对用户进行反馈。
在整个交互过程中，Agent 智能体不断记录用户的提问和自身的回答，并在每次技能调用时，将这一系列对话完整地传递给技能调度器，以此保证交互的连贯性和上下文的完整性。
LangGraph
LangGraph 是众多 Agent 智能体框架中最早出现的一个，它在 2024 年 1 月首次亮相。这个框架的创建目的是为了克服现有流程和链条中的非循环性挑战，通过运用 Pregel 图模型来应对这一难题。LangGraph 通过引入节点、边以及条件边的概念，简化了在智能体内部构建循环流程的步骤，使得图结构的遍历更为直观易懂。LangGraph 是建立在 LangChain 之上的，它沿用了 LangChain 的对象和类型系统。
乍一看，LangGraph 智能体与传统的基于代码的智能体似乎有共通之处，然而它们的底层实现却存在显著差异。尽管 LangGraph 也采用了'路由器'这一术语，指的是通过函数调用与 OpenAI 交互并利用其输出推动流程前进，但是它在不同技能间的切换逻辑却是独树一帜的。
在所描述的图结构中，我们定义了一个用于启动 OpenAI 调用的节点，即'agent'，以及一个用于执行工具处理步骤的节点，即'tools'。LangGraph 提供了一个名为 ToolNode 的内置对象，该对象能够接收并调用一系列工具，根据 ChatMessage 的反馈来激活这些工具，并在操作完成后返回到'agent'节点。
