附录 A+B 主流框架速查 & 工具与资源清单

前端阿凡
65 阅读6分钟

本篇是《AI Agent 实战：从设计模式到生产落地》的附录 A + B 合集：主流框架速查 + 工具与资源清单，方便随时查阅。

附录 A：主流框架速查

本附录为全书涉及的 5 大框架/协议的横向对比速查。详细选型逻辑见正文对应章节。

A.1 框架总览

框架/协议类型核心概念适合正文章节
LangGraph编排框架图（StateGraph）+ 节点 + 条件边复杂编排、生产级6、10-16 章
AutoGen多 Agent 框架Agent 群聊（ConversableAgent）研究、辩论、协商16 章
CrewAI多 Agent 框架角色/任务/工具声明式快速原型16 章
MCP工具接入协议Server / Client + 工具/资源/提示工具标准化接入7 章
OpenAI 兼容 API模型接口chat.completions + tools 参数通用模型调用5、14 章

A.2 LangGraph 速查

核心概念

StateGraph（状态图）→ 节点（Node）+ 边（Edge）
  ├─ add_node: 添加处理节点
  ├─ add_edge: 顺序边
  ├─ add_conditional_edges: 条件边（路由/循环）
  └─ compile: 编译为可执行图 → invoke(输入)

最小示例（提示链）

from langgraph.graph import StateGraph, END

g = StateGraph(dict)
g.add_node("extract", lambda s: {**s, "e": extract(s)})
g.add_node("write", lambda s: {**s, "r": write(s)})
g.add_edge("extract", "write")
g.add_edge("write", END)
app = g.compile()
result = app.invoke({"q": "..."})

关键能力

  • 状态管理：节点间通过 state 传递，天然支持分支/循环
  • 条件边：实现路由、反思循环、重试
  • checkpointer：断点续跑、人工介入（Human-in-loop）

A.3 AutoGen 速查

核心概念

ConversableAgent（可对话 Agent）
  ├─ UserProxyAgent（人类代理：可执行代码/工具）
  ├─ AssistantAgent（助手）
  └─ GroupChat（群聊）+ GroupChatManager（群聊管理者）

最小示例（双 Agent 对话）

from autogen import ConversableAgent, UserProxyAgent

assistant = ConversableAgent("assistant", llm_config={"model": "..."})
user_proxy = UserProxyAgent("user", code_execution_config={"work_dir": "."})
user_proxy.initiate_chat(assistant, message="帮我写个冒泡排序")

注意事项

  • 群聊模式易失控：自由对话需强约束（停止条件/轮数上限，见 16 章）
  • 生产场景慎用自由对话：优先结构化传递（16.3.1）

A.4 CrewAI 速查

核心概念

Agent（角色）+ Task（任务）+ Crew（团队）
  ├─ Agent: role/goal/backstory/tools
  ├─ Task: description/expected_output/agent
  └─ Crew: agents + tasks + process(sequential/hierarchical)

最小示例

from crewai import Agent, Task, Crew

researcher = Agent(role="研究员", goal="查资料", backstory="...")
writer = Agent(role="写手", goal="写报告", backstory="...")
task1 = Task(description="调研市场", expected_output="要点清单", agent=researcher)
task2 = Task(description="写报告", expected_output="报告", agent=writer)
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()

注意事项

  • 上手快但封装深：底层控制力弱，复杂逻辑受限
  • 适合原型：快速验证多 Agent 想法（16.4）

A.5 MCP 速查

架构

MCP Client（Agent 应用） ←协议→ MCP Server（工具/数据提供方）
  ├─ 传输：stdio（本地）/ HTTP（远程）
  ├─ 能力：tools（工具）/ resources（资源）/ prompts（提示）
  └─ SDK：mcp（官方）/ fastmcp（FastMCP 简化）

最小 Server（FastMCP）

from fastmcp import FastMCP
mcp = FastMCP("my-tools")

@mcp.tool()
def my_tool(x: int) -> int:
    """工具描述：何时用/做什么"""
    return x * 2

mcp.run(transport="stdio")

关键点

  • docstring 即工具描述（7.4.2）
  • 接入前审查 Server 暴露的工具（供应链安全，22 章）

A.6 OpenAI 兼容 API 速查

基础调用

from openai import OpenAI
client = OpenAI(base_url="https://api.deepseek.com", api_key="<key>")

resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "你好"}],
    temperature=0.3,
    max_tokens=1000,
)
print(resp.choices[0].message.content)

工具调用（第 5 章）

resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "查订单 A1"}],
    tools=[{...}],           # Function Schema
    tool_choice="auto",
)
msg = resp.choices[0].message
if msg.tool_calls:
    print(msg.tool_calls[0].function.name, msg.tool_calls[0].function.arguments)

结构化输出（第 4 章）

resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[...],
    response_format={"type": "json_object"},   # 或 json_schema
)

A.7 框架选型速查表

你的需求首选备选
纯顺序流程（提示链）自研（10 章）LangGraph
复杂图结构（分支/循环）LangGraph自研
多 Agent 协作（生产）LangGraph + 自研编排CrewAI
多 Agent 研究/辩论AutoGenLangGraph
工具标准化接入MCP手写 Schema
快速原型验证CrewAIAutoGen
通用模型调用OpenAI 兼容 API各厂商 SDK

核心原则（第 29 章）：先自研跑通理解原理，再按需选框架；学模式，不追框架。

附录 B：工具与资源清单

本附录汇总全书涉及的开发工具、开源项目、云服务与学习资源。均为第三方资源，使用时以官方文档为准，接入前按第 22 章做安全审查。

B.1 开发框架与库

类别工具用途备注
Agent 编排LangGraph图结构工作流第 10-16 章对照
Agent 编排AutoGen多 Agent 对话第 16 章
Agent 编排CrewAI声明式多 Agent第 16 章
工具接入MCP / FastMCP工具标准化第 7 章
提示工程LangChain链式组件部分章节对照
评测LangfuseLLM 追踪/评测第 20-21 章
评测LangSmithLangChain 生态评测第 20 章
评测LLM-as-Judge（自建）模型评分第 17、20 章
向量库Chroma轻量向量库第 8 章
向量库Qdrant生产级向量库第 8 章
向量库FAISSMeta 开源向量库第 8 章
向量库Milvus大规模向量库第 8 章
语义路由semantic-routerembedding 意图路由第 11 章变体
记忆存储Redis会话/缓存第 3、9 章
记忆存储PostgreSQL结构化记忆第 9 章

B.2 模型与 API

模型厂商接入方式特点备注
DeepSeek-V3深度求索OpenAI 兼容 API通用强、价格低第 2 章推荐主力
DeepSeek-R1深度求索OpenAI 兼容 API推理强别乱调温度（24 章）
Qwen 系列阿里OpenAI 兼容 API / 开源开源可私有化长窗口
豆包 Doubao字节火山方舟 API中文对话自然字节生态
混元 Hunyuan腾讯OpenAI 兼容 API腾讯生态微信场景
GPT 系列OpenAI官方 API综合最强成本高
ClaudeAnthropic官方 API长文本/代码强MCP 起源

B.3 追踪与可观测

工具类型特点正文章节
Langfuse开源可自部署LLM 专用 trace/评测/成本面板21 章推荐
OpenTelemetry标准通用可观测，可接 LLM21 章
LangSmithSaaSLangChain 生态20-21 章
自建 JSON 日志自研零依赖起步21 章

B.4 部署基础设施

类别工具/服务用途
无服务器AWS Lambda / 云函数Agent 服务托管
容器Docker环境打包
编排Kubernetes / 云原生大规模部署
网关API Gateway限流/鉴权/路由
消息队列Redis Streams / Kafka异步任务
定时任务APScheduler / Celery beat周期任务

B.5 安全工具

工具用途说明
Guardrails AI输出护栏第 17 章
NeMo Guardrails企业级护栏NVIDIA，第 17 章
LlamaGuard内容安全分类Meta，第 22 章
自建注入检测输入过滤第 22 章 22.4
沙箱（Docker）代码执行隔离第 22 章

B.6 学习资源

类型资源说明
文档MCP 官方文档协议最新规范
文档LangGraph 官方文档图编排 API
开源AutoGen / CrewAI 仓库学习多 Agent 实现
图书本书参考书单见策划方案 1.1 节竞品表
社区GitHub Trending / Hacker News跟踪 Agent 生态演进
论文ReAct / Reflexion / ToT设计模式源头

B.7 快速上手建议

  1. 起步组合：DeepSeek API + Chroma + 自建日志（零成本跑通第 1-9 章）
  2. 工程组合：DeepSeek/Qwen API + Qdrant + Langfuse + MCP（生产级）
  3. 私有化组合：Qwen 开源 + Docker + 自建（数据敏感场景）
  4. 多 Agent 组合：LangGraph + MCP Server 群（复杂编排）

注意：第三方服务随时可能变更，接入前查看最新文档；涉及数据/安全的工具，先过第 22 章检查清单。

avatar
文章
阅读
粉丝