Agent学习笔记。
- pocketflow-handbook：使用Pocketflow的官方仓库及示例，构建基础的学习课程。基本上如果对pocketflow比较了解了，后续再去学习langchain或者langgraph等其它的框架就会更简单。
- pocketflow-adp：基于google的书籍《agentic-design-patterns》，使用pocketflow实现书中不同章节的代码。
- pocketflow-leetcode：构建一个可以自动写leetcode和测试i的智能体。
- anthropic-article：学习anthropic发布的有关智能体的文章。
主流 AI Agent 框架优缺点对比（截至 2025 年 11 月）
| 框架 | 优点 | 缺点 |
|---|---|---|
| OpenAI Agents SDK | - 轻量级、设计简洁 - 原语清晰（Agent 与 Handoff） - 支持全面的跟踪功能 - 适合快速构建生产级多智能体系统 - 拥有活跃社区（GitHub 1.1万星） |
- 对非 OpenAI 模型（如开源或竞品）支持有限 - 生态目前不如 LangChain 等成熟 |
| AutoGen（Microsoft Research） | - 开创了多智能体“群聊”模式 - 支持高度灵活的协作模式 - 适合研究与原型开发 |
- 缺乏原生记忆支持 - 扩展性弱 - 企业级部署需额外集成 - 更适合小规模研究项目，不适合大规模生产 |
| Microsoft Agent Framework (MAF) | - 融合 AutoGen 与 Semantic Kernel 的长处 - 提供图式工作流、强类型接口 - 支持企业级功能（安全、可观测性） - 支持 .NET 与 Python |
- 相对较新，社区生态尚在建设中 - 学习曲线略陡 |
| CrewAI | - 完全从零构建、轻量快速 - 强调“角色-目标-任务”驱动的协作 - 可独立于 LangChain - 适合构建结构化团队式智能体 |
- 生态较新，工具链和可视化支持较少 - 不适合需要复杂流程编排的场景 |
| Google ADK（Agent Development Kit） | - 提供开发者 UI、CLI、调试工具链完整 - 支持 Google Agent Protocol - 便于集成 Google 生态（如 Search、Gemini） |
- 内置工具限制多（如每个 Agent 只能绑定一个内置工具） - 深度绑定 Gemini，跨模型迁移困难 |
| MetaGPT | - 模拟软件公司工作流 - 擅长从单行需求生成完整项目代码 - 适合工程类多智能体协作 |
- 依赖 asyncio - 缺乏可视化构建器 - 对非技术用户不友好 |
| Haystack Agents（deepset） | - 围绕 RAG 构建 - 模块化强 - 适合企业级 NLP 应用（如智能搜索、文档处理） |
- 通用智能体编排能力较弱 - 不如 AutoGen / CrewAI 等专为多智能体设计的框架灵活 |
| Claude Agent SDK（Anthropic） | - 专为 Claude 模型优化 - 支持 MCP 工具协议 - 适合构建生产级编码智能体 |
- 仅支持 Claude 系列模型 - 目前仅提供 Python 版本 - 长上下文需手动压缩 |
| Crawl4AI / Crawl4AI | - 专为 LLM 优化的网页抓取框架 - 异步高性能 - 输出结构化 Markdown - 适合构建 Web 数据摄入管道 |
- 并非通用智能体框架 - 是特定于数据采集的工具，需与其他框架配合使用 |
| LlamaIndex（Agents & LlamaAgents） | - 在 RAG 场景下表现卓越 - 数据连接器丰富 - 文档和社区活跃 |
- 聚焦数据检索而非通用智能体协作 - 扩展性和通用编排能力有限 |
| Semantic Kernel – Agent Orchestration（Microsoft） | - 多语言支持（.NET / Python / Java） - 模型无关 - 适合企业级工作流编排 - 支持 Group Chat 等高级模式 |
- 抽象层级高，初学者门槛略高 - 需结合其他组件构建完整智能体系统 |
| PydanticAI | - 强类型安全 - 与 Pydantic 深度集成 - 调试能力强（支持 Logfire） - 适合构建可靠生产应用 |
- 较新，生态和工具链尚不成熟 - 社区规模较小 |
| Griptape | - 模块化设计 - 支持记忆、工具、多智能体协作 - 适合构建 LLM 工作流与智能体应用 |
- 文档和示例相对较少 - 社区活跃度不如头部框架 |
| Flowise Agents | - 低代码可视化编排 - 适合快速构建 LLM 工作流和简单智能体系统 |
- 动态多智能体能力有限 - 不适合复杂协作场景 - 企业集成能力较弱 |
| LangChain | - 快速原型开发能力强 - 支持海量工具与模型集成（包括本地/私有模型） - 成熟的 RAG 与 Agent 支持 - 拥有最广泛的社区与教程资源 |
- 抽象层级高，学习曲线陡峭 - 调优与性能优化较复杂 - 在大型项目中带来治理和调试负担 |
| LangGraph | - 提供状态化、可持久记忆的多智能体工作流 - 基于图结构，支持循环、分支、暂停/恢复等高级控制流 - 与 LangChain 深度集成，适合构建复杂代理系统 - 支持节点级超时、重试等生产级特性 |
- 需要熟悉图式编程范式 - 对简单任务而言可能过度设计 - 部分高级功能需依赖 LangSmith 等商业组件 |
| DeepAgents | - 基于 LangChain/LangGraph 构建的高级代理框架 - 内置规划、待办事项（TODOs）、文件系统支持 - 支持子代理（subagents）与中间件，实现职责隔离 - 支持真实 Web 搜索与上下文卸载 |
- 相对新，生态和文档仍在完善 - 强依赖 LangChain 技术栈，学习成本叠加 - 更适合“深度推理”场景，不适合轻量级任务 |
| PocketFlow | - 极简设计（约 100 行核心代码） - 无依赖、无厂商锁定 - 基于图结构，支持多智能体、RAG、任务分解等 - 非常适合教学、原型验证与 AI 编码代理辅助开发 |
- 功能高度精简，缺少企业级特性（如可观测性、安全控制） - 社区规模小，扩展能力有限 - 需自行实现高级功能（如记忆、评估） |
| smolagents（Hugging Face） | - 轻量级（核心代码约 1000 行） - 首类支持“代码即动作”的 Code Agent - 与 Hugging Face 生态无缝集成（模型、数据集、Space） - 开发体验简洁，适合快速部署 |
- 功能聚焦特定范式（代码生成型代理） - 缺乏复杂的多智能体协调机制 - 企业级部署能力尚未成熟 |
| HelloAgents | - 专为教学与学习设计，代码透明、结构清晰 - 基于 OpenAI 原生 API 从零构建，深入讲解 Agent 核心原理 - 包含完整教程（《从零开始构建智能体》），适合入门者 |
- 非生产级框架，功能有限 - 仅支持 OpenAI 模型，扩展性弱 - 社区主要用于教育，不适合工业部署 |
具体使用：
- 企业级复杂系统推荐：Microsoft Agent Framework、LangGraph、DeepAgents、Semantic Kernel。
- 研究与快速原型推荐：AutoGen、CrewAI、LangChain、smolagents。
- 极简/教学用途推荐：PocketFlow、HelloAgents。
- 特定能力突出：Crawl4AI（数据抓取）、Claude SDK（编码代理）、Haystack（RAG 智能体）。
实际选型应结合模型生态、团队技能栈、部署环境与可维护性综合评估。