企业官网建设流程全解析

目录

• 1. 先搞清楚：Agent 框架到底是什么？
• 2. LangChain/LangGraph：Agent 开发的"瑞士军刀"
• 3. LangGraph 核心概念：把工作流画成图
• 4. 动手实践：用 LangGraph 搭一个简单 Agent
• 5. 其他主流框架：各有各的拿手好戏
• 6. 框架选型指南：按图索骥
• 7. 推荐学习资源

1. 先搞清楚：Agent 框架到底是什么？

Agent 框架，简单说就是：帮你快速搭建 AI Agent 的"工具箱"。

想象一下，你要做一顿大餐：

• 你需要锅碗瓢盆（工具）
• 你需要食材（数据/知识库）
• 你需要菜谱（工作流）
• 你需要一个主厨来协调（LLM）

Agent 框架就是把这些东西都给你准备好了，你只要告诉它"我要做什么"，它就帮你把各个部分串起来。

2. LangChain/LangGraph：Agent 开发的"瑞士军刀"

2.1 LangChain 生态：从零件到成品

LangChain 就像一个"工具超市"，里面有各种现成的零件：

┌─────────────────────────────────────────┐ │ LangGraph │ ← 组装好的"智能机器" ├─────────────────────────────────────────┤ │ LangChain Expression │ ← 零件的拼接方式（LCEL） ├─────────────────────────────────────────┤ │ Chains │ Agents │ Retrieval │ ← 半成品组件 ├─────────────────────────────────────────┤ │ Models │ Prompts │ Memory │ Tools │ ← 基础零件 ├─────────────────────────────────────────┤ │ LangSmith / LangServe │ ← 调试和部署工具 └─────────────────────────────────────────┘

简单解释：

• Models：连接各种 LLM（GPT、Claude 等）
• Prompts：帮你管理提示词模板
• Memory：帮 Agent 记住对话历史
• Tools：连接外部工具（搜索、数据库等）
• Chains：把这些零件串成一条线
• Agents：让 LLM 决定什么时候调用哪个工具
• LangGraph：用"图"的方式来编排复杂工作流
• LangSmith：调试和监控 Agent 的运行

3. LangGraph 核心概念：把工作流画成图

3.1 什么是 LangGraph？

LangGraph 就是把 Agent 的工作流程，用"图"来表示。就像画流程图一样简单！

3.2 核心概念解读

3.3 一个简单的工作流例子

开始 → [调用 LLM 判断] → 需要工具？ ├─ 是 → [调用工具] → 返回 LLM └─ 否 → [总结答案] → 结束

4. 动手实践：用 LangGraph 搭一个简单 Agent

4.1 核心代码结构

# 1. 定义状态（工作流中要传递的数据）classAgentState:messages:list# 对话历史tool_result:str# 工具执行结果# 2. 创建工作流graph=StateGraph(AgentState)# 3. 添加节点（步骤）graph.add_node("agent",call_llm)# 让 LLM 思考graph.add_node("tools",call_tools)# 执行工具graph.add_node("summarize",summarize)# 总结答案# 4. 设置起点和终点graph.set_entry_point("agent")# 从 LLM 开始graph.set_finish_point("summarize")# 在总结结束# 5. 添加连线（决定流程怎么走）defshould_continue(state):# 让 LLM 判断是否需要调用工具return"tools"ifneeds_tool(state)else"summarize"graph.add_conditional_edges("agent",should_continue,# 判断函数{"tools":"tools","summarize":"summarize"}# 分支)graph.add_edge("tools","agent")# 工具执行完回到 LLM

4.2 解释一下这个流程

1. 起点：用户提问，进入agent节点
2. LLM 判断：分析问题，决定要不要调用工具
3. 分支判断：
   • 需要工具 → 去tools节点执行
   • 不需要 → 直接去summarize节点总结
4. 工具执行：调用搜索、数据库等工具，拿到结果
5. 返回 LLM：工具结果交给 LLM 继续分析
6. 总结输出：把最终答案给用户

5. 其他主流框架：各有各的拿手好戏

5.1 框架对比

5.2 用场景来理解

场景一：写一篇研究报告

• 你需要：研究员找资料 → 分析师整理 → 写手成文
• 选CrewAI，让不同角色的 Agent 分工协作

场景二：做一个智能客服

• 你需要：意图识别 → 知识检索 → 回答生成
• 选LangGraph，自己灵活编排流程

场景三：非技术人员想快速搭个 AI 应用

• 你需要：可视化界面，拖拖拽拽就能做
• 选Dify，不用写太多代码

6. 框架选型指南：按图索骥

你的业务场景是什么？ ├── 复杂多步骤工作流 → LangGraph ├── 多角色协作（研究、写作）→ CrewAI ├── 微软 .NET 生态 → Semantic Kernel ├── 低代码快速搭建 → Dify / Flowise ├── 搜索/RAG 系统 → Haystack └── 轻量级实验 → Smolagents

7. 推荐学习资源

🌟 入门首选

📚 实践任务清单

1. 任务一：用 LCEL 搭建一个简单的 RAG 问答链
2. 任务二：用 LangGraph 实现一个带工具调用的 Agent
3. 任务三：用 LangGraph 实现一个需要人工审核的流程
4. 任务四：用 CrewAI 搭建一个多角色协作系统

✅ 能力检查清单

• 能用 LangChain 连接 LLM 和工具
• 能用 LangGraph 画工作流
• 能说出 3 个框架的区别
• 能根据需求选对框架

附录：核心概念一句话总结

>最后记住：框架只是工具，选对的不选贵的！先想清楚你要做什么，再选合适的框架。