最好的多代理AI框架
（更新日期：2025年2月2日）这篇文章的目标是帮助您构建具有记忆、知识库、工具和推理能力的AI代理，并通过命令行或美观的代理界面与它们交流。
什么是代理？
大型语言模型（LLM）可以自动化复杂且有序的工作流程和任务。例如，你可以使用LLM构建助手，以便它们能够自主地为你订购在线产品，并在市场应用程序中为这些在线产品安排送货。这些基于LLM的助手被称为代理（Agent）。一个代理是一个被分配了特定任务和工具的LLM驱动的助手。在最基本的形态中，典型的AI代理可能配备了存储和管理用户交互的记忆功能，可以与外部数据源通信，并使用功能来执行其任务。以下是一些代理可以执行的常见任务。
- 餐厅预订：例如，可以在餐厅系统中设计一个应用程序内的AI代理，帮助用户进行在线预订，比较不同餐厅的选项，并通过实时语音交互拨打用户偏好的餐厅。
- 资深同事：代理可以作为助手与用户在特定项目上协作。
- 自动化操作：代理可以帮助执行需要多个甚至数百个步骤的任务，例如日常操作电脑。例如，Replit Agent（实验项目）提供了一种通过模仿开发人员在集成开发环境（IDE）中的操作来构建事物的绝佳方式。代理可以安装项目依赖项并编辑代码，就像开发人员一样。Anthropic的计算机使用（公开测试版）代理可以指导Claude在计算机上执行任务。计算机使用代理可以查看计算机屏幕并进行导航。它可以移动鼠标，点击按钮并输入文本。
从头开始构建这些代理助手需要相当大的团队努力和其他考虑因素，例如管理用户和代理之间的聊天记录、与其他系统的集成等。以下几部分将探讨构建和添加AI代理到您的应用程序中的五大平台。我们将探讨这些框架的关键特性和优势所在，并展示如何使用这些框架中的某些来构建代理的代码示例。
기为什么要使用多代理AI框架？有几种方法可以从零开始构建AI代理。代理可以通过Python或其他技术栈（如React）来构建。然而，使用这些代理框架（如Agno、OpenAI Swarm、LangGraph、Microsoft Autogen、CrewAI、Vertex AI和Langflow）可以提供巨大的帮助。这些框架提供了预装的工具和功能，帮助你快速搭建任何AI助手。
- 选择您喜欢的大语言模型 (LLM)：使用来自OpenAI、Anthropic、xAI、Mistral以及如Ollama或LM Studio等工具构建适用于任何用例的代理。
- 增加知识库：您可以将
json、pdf或网站等特定文档用作知识库。 - 内置记忆功能：此功能消除了实现系统以记住和跟踪聊天历史和个人对话的需要，无论对话多长。它允许你轻松回顾过去的提示。
- 添加自定义工具：这些多代理框架允许你为AI代理添加自定义工具，并无缝集成到外部系统中，以执行在线支付、网络搜索、API调用、数据库查询、观看视频和发送电子邮件等任务。
- 消除工程挑战：这些框架有助于简化在构建AI产品过程中遇到的复杂工程任务。
- 更快的开发和部署：它们提供工具和基础设施，以更快地构建AI系统，并将它们部署到亚马逊网络服务 (AWS) 等云平台上。
以下代码片段代表了一个最简单的基本AI代理。代理使用语言模型来解决问题。您的代理可能包含以下要素：大型或小型语言模型、记忆、存储、外部知识来源、向量数据库、指令、描述和名称等。
agent = Agent(
model=OpenAI(id="o1-mini"),
memory=AgentMemory(),
storage=AgentStorage(),
knowledge=AgentKnowledge(
vector_db=PgVector(search_type=混合型)
),
tools=[Websearch(), Reasoning(), Marketplace()],
description="你是一个有用的市场AI助手",
)例如，一个现代的开发助手如Windsurf可以帮助任何人几分钟内创建提示、运行、编辑、构建和部署全栈Web应用程序。它支持使用诸如Astro、Vite、Next.js、Superbase等几种Web技术和数据库进行代码生成和应用构建。
企业使用多代理的案例具有代理功能的AI系统在企业环境中有着无数的应用领域，从执行自动化任务和重复性任务。以下列举了代理在企业环境中发挥作用的关键领域，
- 呼叫和其他分析：分析参与者的视频通话，以获取人们对情感、意图和满意度的洞察。多代理系统擅长分析和报告用户的意图、人口统计信息和互动。他们的分析/报告能力帮助企业定位或针对所需的客户。
- 呼叫分类：根据参与者的网络条件自动分类通话，以实现高效处理。
- 市场监听：监测和分析市场应用中各个渠道的客户情绪。
- 调查和评论分析：利用客户反馈和调查获得见解，以改善客户体验。
- 旅行和费用管理：自动化报告费用、跟踪及审批。
- 对话式银行：通过AI驱动的聊天或代理支持的语音助手，让客户能够进行银行任务。
- 通用AI支持聊天机器人：支持代理可以解决并修复客户投诉，并将复杂任务委派给其他代理。
- 金融：金融代理可以用于预测经济、股票和市场趋势，并提供具体可行的投资建议。
- 营销：行业的营销团队可以使用AI代理为不同的目标受众创建个性化的内容和活动副本，从而实现高转化率。
- 销售：代理可以帮助分析系统中的客户互动模式，使企业销售团队能够专注于转化潜在客户。
- 技术：在技术行业中，AI编码代理帮助开发人员和工程师更高效地工作，并通过更快的代码完成、自动化测试和错误修复来改进工作。
AI代理的局限性
尽管存在几个用于构建代理助手的框架，不过只有少量基于代理的应用程序和系统，如Cursor和Windsurf，已经投入生产用于AI辅助编码。以下这些限制解释了为什么只有少数这类应用程序投入了生产。
- 质量：这些代理可能在各种场景中缺乏交付高质量结果的能力。
- 建设成本：开发、维护和让AI代理适应生产环境可能成本高昂。训练需要计算成本和AI专家。
- 高延迟：AI代理处理用户请求并提供响应所需的时间可能会影响实时互动中的用户体验，如实时的客户服务、下单操作和问题报告。
- 安全问题：将这些代理投入生产可能对企业使用场景带来伦理和安全方面的顾虑。
要了解更多，请参阅 LangChain 的《2024 年 AI 代理现状》报告（点击这里）。
Top 5多智能体AI框架排行榜
Agno：多代理的人工智能
你可以使用几种Python框架来创建和添加代理到应用程序和服务中。这些框架包括无代码（即拖放式视觉AI代理构建器）、低代码和中代码的工具。本节将介绍五个领先的基于Python的代理构建工具，你可以根据你的企业或业务需求进行选择。
一、阿格诺Agno 是一个基于 Python 的框架，可以将大型语言模型转换成 AI 产品的代理。它支持来自 OpenAI、Anthropic、Cohere、Ollama、Together AI 等知名公司的封闭和开放的大型语言模型。借助其数据库和向量存储支持，您可以用它轻松地将 AI 系统连接到 Postgres、PgVector、Pinecone、LanceDb 等数据库。使用 Agno，您可以构建包括通过函数调用、结构化输出和微调来构建高级 AI 代理。Agno 提供免费、专业版和企业版的定价。访问他们的网站以了解更多信息并开始使用。
注意：之前 Agno 被称为 Phidata.
Agno的主要特点：- 内置代理用户界面：Agno提供预制的UI，用于本地和云端运行代理项目，并在后台管理会话状态。
- 部署：你可以将代理项目发布到GitHub或任何云服务，或连接你的AWS账户，以便将代理部署到生产环境。
- 监控关键指标：获取你的会话快照、API调用记录和令牌，调整设置，以优化代理。
- 模板：使用预配置的代码库来加速AI代理的开发和生产过程。
- Amazon Web Services（AWS）支持：Agno与AWS无缝集成，你可以在AWS账户上运行整个应用。
- 模型独立性：你可以将来自OpenAI、Anthropic、Groq和Mistral等领先提供商的模型和API密钥导入Agno。
- 构建多代理团队：你可以使用Agno构建一个代理团队，它们可以互相分配任务并协作完成复杂任务。Agno会无缝地在后台处理代理的协调。
本节演示如何使用Python构建一个简单的AI代理来查询Yahoo Finance的财务信息。该代理将使用Agno框架和OpenAI的大规模语言模型。其目标是通过Yahoo Finance总结不同公司的分析师建议。
第一步：为你的Python项目设置虚拟环境
Python虚拟环境将确保项目中代理的依赖不会与你设备上其他Python项目的依赖发生冲突。虚拟环境将保持项目依赖项井井有条，并防止全局Python安装中的冲突和问题。更多详情请参阅如何设置编码环境。
我们将在Cursor AI代码编辑器中创建Python项目作为示例。不过，你也可以选择任何你喜欢的IDE。创建一个空文件夹并用Cursor打开。添加一个新的Python文件，命名为financial_agent.py。使用以下终端命令来设置虚拟环境。
在当前目录下，运行以下命令来创建一个虚拟环境（venv）:
python -m venv venv
运行 `source venv/bin/activate` 来激活虚拟环境步骤2：安装依赖项
在终端中运行以下命令来将Agno和OpenAI添加为依赖项。我们还将安装Yahoo Finance和python-dotenv这两个包。
pip install --upgrade agno openai
# 从 .env 文件加载环境变量
pip install python-dotenv
# 从雅虎财经拉取财务数据
pip install yfinance步骤3：创建金融AI代理，
将文件内容替换为如下：
创建一个新文件 financial_ai_agent.py 并用以下内容替换它。
import openai
from agno.agent import Agent
from agno.model.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools
from dotenv import load_dotenv
import os
# 从.env文件加载环境变量
load_dotenv()
# 从环境变量获取API密钥
openai.api_key = os.getenv("OPENAI_API_KEY")
# 初始化代理程序
finance_agent = Agent(
name="Finance AI Agent",
model=OpenAIChat(id="gpt-4o"),
tools=[
YFinanceTools(
stock_price=True,
analyst_recommendations=True,
company_info=True,
company_news=True,
)
],
instructions=["用表格展示数据"],
show_tool_calls=True,
markdown=True,
)
finance_agent.print_response("总结NVDA的分析师建议", stream=True)我们来简单回顾一下我们基本AI代理的示例代码。首先，我们导入所需的模块，并从.env文件中加载OpenAI的API密钥，如下所示。加载API密钥的方式类似于使用其他模型提供商的方式，如Anthropic、Mistral和Groq。
接下来，我们使用Agno的Agent类创建一个新的智能代理，并指定其独特的特性和能力。这些包括代理的模型、工具和指令等。最后，我们打印代理的响应，并决定是否开启流式输出stream=true。
使用以下命令运行代理：
运行 python3 financial_agent.py 脚本
恭喜你！👏 你已经成功地构建了自己的第一个AI助手，它可以为指定公司提供财务洞察，并以表格形式总结相关信息。
使用Agno创建高级或多个AI代理
上一节向你展示了如何使用Agno和OpenAI，结合来自雅虎财经的财务数据，构建一个基本的AI代理。本节将在此基础上扩展之前的代理，形成一个由多个代理组成的团队。我们之前所举的代理示例解决了单一且特定的问题。现在我们可以利用多代理系统的能力，创建一个由各自贡献的代理组成的团队来解决更复杂的问题。
代理团队将由两名成员组成，他们会一起在网上搜索相关信息，并分享指定公司的财务数据。
步骤 1：安装额外的依赖库
由于这个例子使用DuckDuckGo搜索从网络获取信息，我们需要安装它的库。创建一个新的Python文件，命名为multi_ai_agent.py。请在命令行中输入以下内容：运行下面的命令将DucDuckGo添加为项目的依赖项。
在命令行中安装 pip install duckduckgo-search 包
使用下面的代码示例来完善 multi_ai_agent.py 的内容。
从 agnio.agent 导入 Agent 类
从 agno.model.openai 导入 OpenAIChat
从 agno.tools.duckduckgo 导入 DuckDuckGo
从 agno.tools.yfinance 导入 YFinanceTools
web_search_agent = Agent(
name="Web Search Agent",
role="在网络上搜索信息",
model=OpenAIChat(id="gpt-4o"),
tools=[DuckDuckGo()],
instructions=["务必包含来源"],
show_tool_calls=True,
markdown=True,
)
finance_agent = Agent(
name="Finance Agent",
role="获取财务数据",
model=OpenAIChat(id="gpt-4o"),
tools=[
YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True)
],
instructions=["用表格展示数据"],
show_tool_calls=True,
markdown=True,
)
multi_ai_agent = Agent(
team=[web_search_agent, finance_agent],
instructions=["务必包含来源", "用表格展示数据"],
show_tool_calls=True,
markdown=True,
)
multi_ai_agent.print_response(
"总结分析师对NVDA的推荐并分享最新的新闻报道", stream=True
)因为这个部分中的示例代理是在之前的基础上进行扩展的，我们添加了导入DuckDuckGo的语句 from agno.tools.duckduckgo import DuckDuckGo。然后，我们创建了各自的代理，分别是web_search_agent和finance_agent，给它们分配了不同的角色，并给它们配备了完成任务所需的工具和指令。
运行你的多智能体文件multi_ai_agent.py，并使用python3 multi_ai_agent.py。你现在将会看到一个类似于预览的输出结果。
从上面的代码示例中可以看到，multi_ai_agent 包含两个成员，即 team=[web_search_agent, finance_agent]。其中，web_search_agent 负责查找金融信息，而 finance_agent 的作用与之前提到的一样。
Agno：构建一个推理AI代理
利用Agno的易用性和简洁性，我们可以用更短的代码构建一个可以先思考再回答的代理。例如，如果我们让代理用指定的编程语言编写代码，代理将开始思考并逐步解决该问题，然后给出答案。创建一个新的文件reasoning_ai_agent.py，并使用以下示例代码填充文件内容。
从 agno.agent 引入 Agent
从 agno.model.openai 导入 OpenAIChat 类
task = "开发一个 SwiftUI 视图，允许用户使用 TabView 和 .tabView(.sidebarAdaptable) 修饰符在标签栏视图和侧边栏视图之间进行切换。将相关内容放入 TabSidebar.swift 文件中。"
reasoning_agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
reasoning=True,
markdown=True,
structured_outputs=True,
)
# stream=True 和 show_full_reasoning=True 参数可能需要进一步解释，以确保中文读者理解其含义。
reasoning_agent.print_response(task, stream=True, show_full_reasoning=True)在这个示例中，我们将提示 task 设置为代码中显示的。然后，我们创建一个新的代理 reasoning=True 使其成为一个思考型的代理。当你运行 reasoning_ai_agent.py 脚本时，你应该会看到类似下面的预览结果，如图所示。
AI推理助手
2. OpenAI 群
Swarm（https://github.com/openai/swarm。）是OpenAI最近发布的一个开源实验性多智能体框架，它是一个轻量级的多智能体编排框架。
注意：本文撰写之际，Swarm 正处于试验阶段，可用于开发和教学用途，但不宜用于实际生产环境。该阶段可能会有变化，因此请定期查看其 GitHub 仓库获取最新信息。
Swarm 使用 Agents 和交接过程作为代理的编排和协调的抽象概念。它是一个轻量级框架，易于测试和管理。Swarm 的代理组件可以装备工具、指令及其他参数来执行特定任务。
除此之外，Sawarm（一种轻量级且结构简单的架构）还具有以下重要特点。
- 对话交接：使用Swarm构建一个多代理系统提供一种绝佳的方式，让一个代理在任何时间点将对话交接给其他代理。
- 扩展性：Swarm简洁的架构和交接设计使得构建扩展至数百万用户的代理系统变得容易。
- 可扩展性：它设计上易于且高度定制化。你可以用它来创建完全定制化的代理系统体验。
- 它内置了检索系统和记忆管理功能。
- 隐私性：Swarm主要在客户端运行，并且在调用之间不保留状态。完全在客户端运行有助于确保数据隐私。
- 教育资源：Swarm提供了一系列启发性的代理示例用例，你可以运行和测试这些示例作为起点。这些示例从基础到高级的应用示例不等。
要开始使用Swarm，请访问其GitHub仓库并按照说明运行这些命令来安装它。安装需要Python 3.10及以上版本。
pip install git+ssh://[email protected]/openai/swarm.git
or
pip install git+https://github.com/openai/swarm.git 该命令用于通过git安装来自GitHub的特定项目。
注意：如果你运行上述任何命令后遇到错误，你应该在命令后面加上 --upgrade 来更新它们。
pip install --upgrade git+ssh://[email protected]/openai/swarm.git
pip install --upgrade git+https://github.com/openai/swarm.git
以上命令用于通过SSH和HTTPS协议分别升级安装来自GitHub的Swarm仓库。
下面举一个例子，使用了OpenAI的gpt-4o-mini模型构建了一个支持任务交接的基本两个团队的代理系统。
from swarm import Swarm, Agent
client = Swarm()
mini_model = "gpt-4o-mini"
# 协调函数
def 将代理转移到B():
return agent_b
# 代理人A
agent_a = Agent(
name="A",
instructions="你是个乐于助人的助手。",
functions=[将代理转移到B],
)
# 代理人B
agent_b = Agent(
name="B",
model=mini_model,
instructions="你只能用芬兰语说话。",
)
response = client.run(
agent=agent_a,
messages=[{"role": "user", "content": "我想和B代理聊聊。"}],
debug=False,
)
print(response.messages[-1]["content"])在上述示例中，协调器 transfer_to_agent_b 负责将对话从 agent_a 交接给 agent_b，以便用指定的语言回复并跟踪进展情况。如果你将 agent_b 的指令语言更改为英语、瑞典语或芬兰语，你会看到类似下面的输出结果。
Swarm的就绪情况
从其GitHub仓库可以看出，它目前仍处于开发阶段，未来可能会有变动。您可以开始用于实验用途。对于更高级的Swarm代理用例，您可以参考这些GitHub示例。
解释：CrewAI是指船员人工智能。
CrewAI 是最受欢迎的基于代理的人工智能框架之一。它让你能快速构建 AI 代理，并与最新的大模型和你的代码库无缝对接。许多大型公司，比如甲骨文、德勤、埃森哲等，都信赖并使用它。
CrewAI 的好处和特点相比其他基于代理的框架，CrewAI 的功能和特性更加丰富。
- 可扩展性：它能够与超过700个应用集成，包括Notion、Zoom、Stripe、Mailchimp、Airtable等。
- 工具：开发人员可以利用CrewAI的框架从头开始构建多代理自动化。设计师可以使用其UI Studio和模板工具，在无需编码的环境中创建功能齐全的代理。
- 部署：你可以快速将你构建的代理从开发到生产，使用你偏好的部署方法。
- 代理监控功能：就像 Agno 一样，CreawAI 提供了一个直观的仪表板，用于监控你构建的代理的进度和表现。
- 现成的训练和测试工具：使用 CrewAI 内置的训练和测试工具来提高代理的性能和效率，确保他们工作的质量。
（CrewAI）
你应该安装Python环境和相关工具来在CrewAI中组建代理小组。
在你的电脑终端里输入并运行以下命令。
在命令行中输入以下命令：使用pip安装crewai（pip install crewai），接着安装带有工具扩展的crewai（pip install 'crewai[tools]'），最后使用pip freeze命令并用grep筛选出crewai的相关信息（pip freeze | grep crewai）。
在这里，我们安装CrewAI和相关工具，并验证安装成功。确认安装成功后，你可以运行此命令来创建新的CrewAI项目。
使用 crewai create 创建你的项目团队
当你运行上述命令时，系统会提示你选择如OpenAI、Anthropic、xAI、Mistral等提供商的列表中的一个。选择提供商之后，你还可以挑选一个模型。例如，你可以选择gpt-4o-mini这一选项。
我们使用CrewAI通过运行以下命令来创建我们的第一个多AI代理系统：
创建多代理船员团队
已完成的CrewAI应用程序在我的GitHub仓库里。你可以通过下载并运行它。
启动船员AI
你会看到一个像下面图片一样的回应。
要创建您的 CrewAI 代理项目，可以看看入门指南和如何开始。
4. 自动生成功能Autogen，它是一个用于构建智能代理系统的开源框架。你可以用这个框架来搭建多智能代理协作和LLM流程。
Autogen的主要特点Autogen的关键特性如下：
- 跨语言支持：使用如 Python 和 .NET 等编程语言构建您的代理。
- 本地代理：本地运行代理以确保更高的隐私。它使用异步通信进行通信。
- 可扩展性：它允许开发者在不同的组织之间构建分布式代理网络。
- 可定制性：自定义其可插拔组件，构建完全定制化的代理系统，提供独特的用户体验。
要开始用Autogen构建智能代理，你可以用这个命令来安装它。
pip install 'autogen-agentchat==0.4.0.dev6' 'autogen-ext[openai]==0.4.0.dev6' # 使用pip安装指定版本的autogen-agentchat和autogen-ext[openai]插件。pip是一个常用的Python包管理工具。
安装完Autogen之后，您可以复制并运行下面的代码，体验一下使用Autogen的基本AI天气助手。
import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.task import Console, TextMentionTermination
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models import OpenAIChatCompletionClient
import os
from dotenv import load_dotenv
load_dotenv()
# 定义一个工具函数
async def get_weather(city: str) -> str:
return f"城市 {city} 的天气是 73 度，晴朗。"
async def main() -> None:
# 定义一个代理程序
weather_agent = AssistantAgent(
name="weather_agent",
model_client=OpenAIChatCompletionClient(
model="gpt-4o-mini",
api_key=os.getenv("OPENAI_API_KEY"),
),
tools=[get_weather],
)
# 定义终止条件为
termination = TextMentionTermination("TERMINATE")
# 定义一个轮询团队聊天
agent_team = RoundRobinGroupChat([weather_agent], termination_condition=termination)
# 运行团队并将消息流式输出到控制台
stream = agent_team.run_stream(task="纽约的天气怎么样？")
await Console(stream)
asyncio.run(main())上面的 Autogen 代理程序需要一个 OpenAI API 密钥。你可能已经注意到我们从 .env 文件加载 API 密钥。运行示例代码会显示出类似下面图片的结果。
注意：与 Agno 和 CrewAI 不同，Autogen 缺乏与其他框架和数据源的集成功能，并且只有少量内置代理。要了解更多信息，请参见 Autogen 的 GitHub 仓库页面。
五. 语言图谱
LangGraph 是一个基于节点的 AI 框架，用于构建多代理系统来处理复杂任务，是其中最受欢迎的框架之一。它作为图谱代理框架存在于 LangChain 生态系统中。使用 LangGraph，你可以通过节点和边来构建代理，用于线性的、分层的和顺序的工作流。代理的动作称为节点，而这些动作之间的转换被称为边。状态是 LangGraph 代理的另一个重要组成部分。
LangGraph 的主要优势和关键功能- 免费且开源：LangGraph 是一个 MIT 许可下的免费库。
- 流处理支持：LangGraph 提供逐令牌流处理支持，以展示代理的中间步骤和思维过程。
- 部署：你可以大规模部署代理，并提供多种选项，使用 LangSmith 监控它们的表现。通过其企业自托管选项，你可以在自己的基础设施上完全部署 LangGraph 代理。
- 企业级适用性：Replit 使用 LangGraph 为其 AI 编码代理，证明了它适用于企业级用例的实用性。
- 性能：它不会为复杂的代理工作流增加代码开销。
- 循环和控制性：轻松定义涉及循环的多代理流程，并完全控制代理的状态。
- 持久性：LangGraph 会在图形中的每个步骤后自动保存代理的状态信息。它还允许你在任何时候暂停和恢复代理的执行。
创建一个LangGraph代理需要几个简单的步骤。首先，你需要先初始化你的语言模型、工具、图和状态。然后，你指定图中的节点、入口点和边。最后，编译并运行图。
要安装 LangGraph，你可以运行：
pip install --upgrade langgraph # 安装并升级langgraph包
接下来，你应该获取并存储你选择的AI提供商的API密钥（API Key）到你的设备上。在这里，我们将使用来自Anthropic的API密钥。与其他提供商的流程类似，这里的过程是一样的。
pip install langchain-anthropic # 安装langchain-anthropic库
export ANTHROPIC_API_KEY="YOUR_API_KEY" # 设置Anthropic API密钥另一种保存 API 密钥的方法是复制导出命令，粘贴到你的 .zshrc 文件中，然后保存。
要尝试基本的LangGraph代理，复制langgraph_agent.py的内容，并在您喜欢的Python编辑器中运行。我们在LangGraph的GitHub仓库使用的示例相同。
注意：在运行Python代码之前，添加您的付款详情以便开始使用Anthropic API（Anthropic应用编程接口）。
接下来会是什么呢？本文概述了构建能够解决复杂任务和工作流程的高级AI代理的最佳框架。我们还将讨论如何准备您的编码环境配置，分析这些代理平台的关键优势和功能，并通过一些基本示例来指导如何开始使用它们。
你可以使用其他多代理系统（如LlamaIndex、Multi-Agent Orchestrator、LangFlow、Semantic Kernel, 和 Vertex AI）来构建你的代理程序。创建这些代理程序和工作流，你可以管理和保护你的用户。
来看看我们的AI审核服务，了解它如何帮助您的AI助手提升它们的表现。
共同學習，寫下你的評論
評論加載中...
作者其他優質文章
