----追光逐电 光引未来----
随着生成式 AI 的崛起，2025 年必将进一步拓展构建智能应用的领域，从而加速生产率和效率的提升。虽然 LangChain（于 2022 年推出）已成为构建基于大语言模型（LLM）应用的首个流行框架，但开源和产品社区已经开始加速创新，使得构建此类应用变得更加容易。
Agentic AI 已成为 2025 年最有前景的生成式 AI 构建模块之一，并且涌现出了众多用于构建 Agentic 应用的框架。本文总结了 2025 年值得关注的主要 Agentic 框架，并预测未来可能会出现整合趋势。
主要特点：
• LangChain 已成为构建 AI 应用的事实标准，拥有超过 100 万开发者以及约 10 万 GitHub star。
• 提供全面的供应商集成、云供应商支持、第三方库集成、多样化的向量数据库等功能。
• 广泛的社区知识与开发者认知使其成为应用最为广泛的框架。
适用场景 (优点)：
• 最适合企业级开发，作为标准被广泛采用，并依托社区驱动支持。
• 利用 GenAI-LangChain 构建企业应用的基础构件，非常适合创建针对企业需求的特定框架。
• 在需要与第三方供应商兼容的场景下，LangChain 为未来不同解决方案或产品的集成提供了良好的前瞻性支持。
局限性 (缺点)：
• 由于过多的集成，框架复杂性上升，学习周期延长；对于部分简单或特定用途的场景，可以考虑其他框架。
• 持续的功能更新可能导致代码需要不断维护，同时面临破坏性变更和库不兼容的问题。
• LangChain 已激励开发者社区在其他语言中构建类似框架，如 Java 的 LangChain4J、Golang 的 LangChainGo 以及 C# 的 LangChain。
主要特点：
• LangGraph 框架是由 LangChain 团队提供的开源解决方案，支持 Agentic 架构。而 LangGraph 平台则是一种商业解决方案，用于将 Agentic 应用部署到生产环境中。
• 该平台的关键特点包括：有状态设计、基于图的工作流、多智能体（multi-agent）能力、与 LangChain 的原生集成、通过 LangSmith 加强的可观察性、IDE 支持以及广泛的社区支持。
适用场景 (优点)：
• 最适合企业级多智能体框架的开发，作为标准在业界获得更广泛的应用，并依托社区驱动支持。
• 在需要与各种不同解决方案或产品进行未来集成时，对广泛兼容性的需求较高。
• 在 LangChain 生态系统中运用效果最佳，有助于避免企业中使用多个不同框架的问题。
局限性 (缺点)：
• 企业所需的安全性、可视化开发、增强的可观察性等功能仅在商业版本中得到支持。
• 与 LangChain 相似，开发者在处理依赖关系和管理框架自身复杂性方面也遇到较大挑战。
主要特点：
• Autogen 是由微软开发的编程框架，主要用于构建 Agentic AI 智能体及其应用程序，并以高层抽象形式提供了多智能体对话框架。
• 其核心特点包括：异步消息传递、模块化与可扩展性、出色的可观察性和调试能力、支持可伸缩与分布式部署、内置及社区扩展、跨语言支持以及全面的类型支持。
• Autogen 同时支持增强版的 LLM 推理 API，可用于提高推理性能并降低成本。
适用场景 (优点)：
• 当项目与开源及微软生态系统契合度较高时，Autogen 是构建 Agentic 应用和 AI 智能体的理想方案。
• Autogen 提供了不断演进的生态系统，能够支持来自各领域、应用复杂度各异的项目。同时，它还提供 Autogen Studio UI 应用，实现无需编写代码即可对智能体进行原型设计与管理。
局限性 (缺点)：
• Autogen 仍处于实验阶段（尚未完全达到生产就绪状态）；对于研究复杂智能体交互、开发新的多智能体系统原型或尝试先进 AI 智能体设计的项目，其成熟度可能不足。
• 尽管为开源方案，但依赖微软产品可能在某些组织背景下成为考虑因素。Magentic-One 是基于 Autogen 构建的商业解决方案，提供了如企业级高性能通用 Agentic 系统等高级功能。
• 尤其在企业环境中，部署和配置 Autogen 的复杂性被视为一大挑战。
Semantic Kernel
主要特点：
• Semantic Kernel（由微软推出）旨在构建稳定、适合企业使用且具有强大集成能力的应用程序。
• 作为一个生产就绪的 SDK，它将大语言模型（LLM）与数据存储集成到应用中，从而实现产品级生成式 AI 解决方案。Semantic Kernel 支持多种编程语言，如 C#、Python 和 Java。同时，它提供 Agent 框架及 Process 框架的预览版本，使客户能够构建单一智能体和多智能体解决方案。
• 内置核心框架包括：Agent 框架和 Process 框架。Semantic Kernel Agent 框架在其生态系统内提供了一个平台，使开发者可以整合 AI 智能体和 agentic 模式到任意应用中；而 Process 框架则为优化 AI 与业务流程的集成提供了解决方案。
适用场景 (优点)：
• 若需要在生产环境中构建一个可靠的 AI 智能体，同时获得企业级支持和与现有系统的紧密集成，Semantic Kernel 是理想之选。
• 支持多种语言的 SDK（Python、C#、.Net、Java）非常适合跨平台开发需求。
• 在 Microsoft Azure 环境中，还提供开发者培训和企业支持，点击此处可了解使用 Azure 与 Semantic Kernel 的相关课程。
局限性 (缺点)：
• Semantic Kernel 属于 SDK 类别，而部分竞争框架则通过更高层次的抽象和用户界面，简化了智能体的构建过程。
• 目前其 Agent 框架仍在演进中（例如，暂时不支持 Java 的智能体）。
• 在某些需要避免对微软供应商依赖的场景下，可能需要考虑其他替代方案。
主要特点：
• LlamaIndex 最初具备用于 LLM 应用的数据框架能力，现已扩展至涵盖 AI 智能体、文档解析与索引、工作流、基于连接器的集成、模块化与可扩展性等多种功能。
• 提供一项 SaaS 服务 —— LlamaCloud，为 AI 智能体提供知识管理中心；同时 LlamaParse 则专注于将结构化数据转换为针对 LLM 优化的格式。
• LlamaHub 作为一个集中平台，可供用户探索智能体、LLM、向量存储、数据加载器等内容。
适用场景 (优点)：
• 作为 LangChain 的替代方案，LlamaIndex 对于数据密集型 LLM 应用来说具有极高的吸引力。
• LlamaCloud 能够高效解析和索引复杂文档，为寻求更快上市时间的企业提供了理想的解决方案。
• 非常适合构建诸如聊天机器人、问答系统等知识密集型 AI 系统。
局限性 (缺点)：
• 主要侧重于数据索引与检索，对复杂智能体行为和决策方面的支持较弱；不过，框架正朝着构建 Agentic 应用的方向演进，展现出良好的前景。
主要特点：
• 由 Significant Gravitas 构建的 AutoGPT 是一个强大的平台，允许用户创建、部署和管理持续运行的 AI 智能体，以自动化复杂工作流。它最初基于 OpenAI 的 GPT 构建，现已扩展支持其他 LLM（例如 Anthropic、Groq、Llama）。
• 其关键特点包括：无缝集成与低代码工作流、自动化操作和持续智能体、智能自动化以实现最高效率、可靠的性能以及可预测的执行表现。
适用场景 (优点)：
• 适用于希望以零代码或低代码方式构建智能体，并能在云端快速构建智能体的场景（尽管其自托管解决方案的部署复杂度较高）。
局限性 (缺点)：
• 高级功能方面可能存在供应商依赖及锁定问题，这对企业来说是一个关键考量。目前云托管方案正处于规划中，仅面向候补用户提供。
• 许可证支持方面存在一定复杂性——目前支持双重许可，其中大部分以 MIT 许可证方式发布。
• 未来如何支持 Google 的 Gemini 等额外 LLM，以及社区支持问题，将持续面临挑战。
主要特点：
• CrewAI 已崭露头角，成为一个极具潜力的多智能体框架，专注于构建和部署基于工作流的应用，并支持众多 LLM 和云服务提供商。
• 其主要优势包括：多智能体协作、结构化工作流设计、用户友好界面、灵活的集成方式与良好的社区支持。
适用场景 (优点)：
• CrewAI 是增长最快的 AI 智能体生态系统之一，并于 2024 年 10 月获得 1800 万美元融资。其创建面向业务的智能体的简便性使企业能迅速体认生成式 AI 的价值。
• 其开箱即用的定制化功能有助于更快上市，非常适合构建轻量级智能体，如营销智能体。
局限性 (缺点)：
• 对于涉及大规模企业级复杂场景及数据集成的能力，目前尚未经过充分的生产测试，未来需进一步评估。
• 供应商依赖与技术锁定问题是一个关键考量，且 CrewAI 是否会被超级云服务商或其他大型企业收购仍不确定。
PydanticAI
主要特点：
• PydanticAI 由 Pydantic 团队构建，旨在为生成式 AI 应用开发带来类似 FastAPI 的体验。它与 Pydantic Logfire 集成，以增强生成式 AI 应用的可观察性，并支持多种 LLM 以及相关生态系统。
• 其显著特点包括：基于 Pydantic 的方法、模型无关实现、实时可观察性、类型安全、借助 Pydantic Graph 提供图支持、依赖注入以及使用上的简洁性。
适用场景 (优点)：
• 适用于那些依托 Pydantic 和 FastAPI 方法，并希望采用与企业技术栈相契合的简单框架的应用场景。
• 适合较简单的场景，因为该框架目前仍在不断演进中。
主要特点：
• Spring AI 受到 LangChain 的启发，利用 Spring 生态系统在 Java 环境中构建生成式 AI 应用。
• 其主要特点包括：支持多种 LLM、集成 Spring 生态中的可观察性功能、模型评估、通过 Advisors API 封装重复性生成式 AI 模式、支持聊天对话以及 RAG 功能。
适用场景 (优点)：
• 对于利用 Spring 生态系统开发企业级生成式 AI 应用的企业来说，Spring AI 能够降低学习其他框架或编程语言的需求。
• 可实现与更广泛的 Spring 生态系统无缝集成，利用其现有库实现数据连接、异步处理、系统集成等多种功能。
主要特点：
• Haystack（由 deepset 构建）是一个开源框架，专用于构建生产级 LLM 应用、RAG 管道以及满足企业需求的复杂搜索应用。
• 其采用模块化架构原则构建，整合了来自 OpenAI、Chroma、Marqo 以及其他开源项目（如 Hugging Face 的 Transformers 和 Elasticsearch）的技术。
适用场景 (优点)：
• 非常适合构建运行于任意云平台上的 LLM 应用，并可配合 deepsetCloud 作为 LLM AI 平台，该平台具备内置的 LLM 运维（LLMOps）功能。
• 支持通过 Jinja 模板为组件定制 RAG 管道。
• deepset Studio 为 Haystack 提供了一个免费的 AI 应用开发环境，从而提升了整个开发周期的效率。
局限性 (缺点)：
• 多智能体能力尚未经过充分的生产测试，未来需要结合产品路线图进一步观察该功能的成熟度。
此外，还有以下一些新兴框架，它们正变得越来越流行，并在必要时提供有吸引力的替代方案：
• OpenAI Swarm：一个教育型框架（尚未达到生产级要求），专注于探索符合人体工程学的轻量级多智能体编排方案。
• MetaGPT：由研究人员基于研究论文构建的多智能体框架，倡导元编程的理念。
• Flowise：一个开源框架，提供拖拽式用户界面，方便构建具备自定义 LLM 流程的智能体。
• Langflow：一个开源框架（现已被 DataStax 收购），用于交互式构建基于流程的生成式 AI 应用。
• OpenAGI：由 AI Planet 构建的简单框架，便于构建类人智能体。
• Camel-AI.org：一个开源多智能体框架，允许构建可定制的智能体，其设计灵感源自于研究论文 CAMEL（Communicative Agents for “Mind” Exploration of Large Language Model Society）。
• Firebase Genkit：由 Google Firebase 推出的开源框架，用于构建基于 Node.js 和 Go 的 AI 驱动应用。
• HF Smolagents：由 Hugging Face 提供的开源库，用以简化构建强大智能体的流程，并对代码智能体提供一流支持。
• Agno：一个轻量级框架，专注于构建多模态智能体。
• Bee Agent Framework：一个开源 TypeScript 库，用于构建生产就绪的多智能体系统。
总之，尽管每个框架都具备各自的竞争优势，但大多数框架仍在不断演进，这也与生成式 AI 领域创新的高速发展密不可分。这些框架的选择会依据企业背景、应用与业务需求、安全性、性能以及其他非功能性需求等多种因素而有所不同。
申明：感谢原创作者的辛勤付出。本号转载的文章均会在文中注明，若遇到版权问题请联系我们处理。
----与智者为伍 为创新赋能----
联系邮箱：uestcwxd@126.com
QQ：493826566
