「極客說」 是一檔專注 AI 時代開發者分享的專欄，我們邀請來自微軟以及技術社群專家，帶來最前沿的技術乾貨與實踐經驗。在這裡，您將看到深度教程、最佳實踐和創新解決方案。關注「極客說」，與行業頂尖專家一起探索科技的無限可能！投稿請聯絡：17278094563（微訊號）
本文涉及到的詳細測試程式碼和測試步驟放置於：
https://github.com/xinyuwei-david/david-share.git 下的：LLMs/Multi-Agent
本文中不再贅述程式碼實現。歡迎給 repo 點亮 Star，您的點贊是作者持續創作的動力。
近年來，生成式人工智慧領域掀起了一股“多智慧體”（Multi-AI Agent）熱潮，各大科技巨頭紛紛推出了自己的多智慧體框架。這些框架如雨後春筍般湧現，包括微軟的 AutoGen 和最新的 Magentic-One、OpenAI 的Swarm、LangChain 的 LangGraph 以及 CrewAI 等。然而，面對琳琅滿目的選擇，開發者們難免犯難：究竟哪一個多智慧體框架才是最適合自己的？為了幫助大家解開這個疑惑，本文將深入解析這些主流的多智慧體框架，詳細介紹它們的特點、優勢與不足，並結合例項，為您在選擇和應用時提供有價值的參考。
AutoGen（微軟）
框架簡介
AutoGen 由微軟推出，最初主要面向軟體開發任務。它採用了使用者代理（User Agent）和助理代理（Assistant Agent）的雙代理模式，為程式碼生成和執行提供強大的支援。
核心特點
- 雙代理互動機制：使用者代理負責提供需求或提示，助理代理則根據這些需求生成並執行程式碼。
- 程式碼生成與執行一體化：助理代理不僅能夠生成程式碼，還可以直接執行，並將結果反饋給使用者或其他代理。
- 人性化的指導：在代理互動過程中，允許人類介入，提供指導或調整方向。
- 強大的社群支援：得益於微軟的資源和影響力，AutoGen 擁有活躍的社群和豐富的資源。
優勢解析
- 專業性強：高度適合複雜的軟體開發和程式碼生成任務。
- 擴充套件性好：方便定製和擴充套件，滿足特定需求。
- 資源豐富：大量的示例、文件和社群支援，降低了上手難度。
不足之處
- 學習門檻較高：對於非程式設計師或程式設計經驗不足的使用者，可能不夠友好。
- 配置複雜：尤其是在使用本地大型語言模型（LLM）時，需要進行復雜的設定，如配置代理伺服器等。
- 領域侷限：在非軟體開發任務中，效能和效果可能不盡如人意。
適用場景與例項
適用於需要複雜程式碼生成和多代理協作的軟體開發任務。
例項
- 自動化程式碼審查系統：利用使用者代理提交程式碼片段，助理代理進行程式碼審查、最佳化並返回改進建議。
- 多模組協同開發：在大型軟體專案中，不同的助理代理負責不同模組的開發和測試，使用者代理協調整體進度。
CrewAI
框架簡介
CrewAI 以其直觀、易用的特點成為許多開發者快速構建多智慧體演示的首選。即使是非技術人員，也能在短時間內建立出功能豐富的多智慧體系統。
核心特點
- 基於提示的簡單操作：主要透過編寫提示來控制代理行為，學習成本低。
- 高效的代理建立：能夠在數分鐘內建立上百個代理，實現規模化。
- 廣泛的 LLM 支援：透過與 LangChain 的整合，相容大多數 LLM 提供商和本地 LLM。
優勢解析
- 易上手：對程式設計知識要求低，適合初學者和非技術人員。
- 快速開發：非常適合需要快速構建原型或演示的場合。
- 靈活性：在一定範圍內，可以方便地定製代理的行為和屬性。
不足之處
- 功能深度有限：在處理複雜的程式設計或邏輯任務時，能力可能不足。
- 互動不穩定：代理之間的互動有時可能出現Bug，影響體驗。
- 社群資源有限：相比其他框架，CrewAI 的文件和社群支援較少。
適用場景與例項
適用於需要快速搭建、演示多智慧體系統的場合，特別適合非技術使用者。
例項
- 客戶服務代理團隊：快速建立多個代理，分別負責解答不同型別的客戶問題，提升客服效率。
- 市場調查助手：代理們協作收集、整理市場資訊，為決策提供支援。
LangGraph（基於 LangChain）
框架簡介
LangGraph 是基於 LangChain 構建的多智慧體框架，以其高度的靈活性和可定製性著稱。對於需要複雜邏輯和自定義的開發者來說，LangGraph 無疑是最佳選擇。
核心特點
- 有向迴圈圖結構：基於有向迴圈圖（Directed Cyclic Graph），能夠清晰地表示代理之間複雜的依賴關係和互動流程。
- 強大的擴充套件能力：支援幾乎任何型別的多代理編排應用，滿足高度定製化需求。
- 豐富的社群資源：作為 LangChain 的擴充套件部分，享有其活躍的社群和大量資源。
- 廣泛的 LLM 相容性：與開源 LLM 和各種 API 介面良好相容，提供更多選擇。
優勢解析
- 高度可定製：開發者可以根據需求，自由設計代理的邏輯和互動方式。
- 支援複雜任務：適合需要複雜邏輯處理、多步驟協作的任務場景。
- 社群支援：大量的示例、文件和社群討論，幫助開發者快速解決問題。
不足之處
- 學習曲線陡峭：需要開發者具備較強的程式設計能力，對圖結構和邏輯流有深入理解。
- 文件有待完善：目前的文件可能不足以覆蓋所有功能，需要開發者自行探索。
- 初學者不友好：對於程式設計新手，可能需要投入更多時間和精力。
適用場景與例項
適用於需要高度定製、複雜邏輯處理的多智慧體系統，適合有經驗的開發者。
例項
- 智慧投顧系統：多個代理分別負責市場分析、風險評估、策略制定，為使用者提供個性化的投資建議。
- 科研輔助平臺：代理團隊協作，從文獻檢索、資料分析到報告撰寫，支援整個科研流程。
OpenAI Swarm
框架簡介
OpenAI 推出的 Swarm 是一款面向新手的多智慧體框架，旨在以最簡單的方式幫助使用者入門多智慧體系統的構建。
核心特點
- 簡潔明瞭：專注於簡化代理的建立和代理之間的上下文切換（稱為“Handoffs”）。
- 快速上手：無需複雜的配置，即可開始構建多智慧體系統。
- 專注於演示：非常適合用於建立簡短的演示或概念驗證。
優勢解析
- 使用者友好：介面和操作簡潔，降低了入門門檻。
- 快速構建：適合需要在短時間內展示多智慧體概念的場合。
不足之處
- 相容性受限：目前僅支援 OpenAI 的 API，無法使用其他 LLM。
- 功能有限：不適合用於生產環境，缺乏必要的擴充套件性和穩定性。
- 社群支援不足：資源和支援較少，遇到問題可能難以及時解決。
適用場景與例項
適用於多智慧體系統的新手使用者，或需要快速建立演示的場合。
例項
- 教學輔助工具：建立簡單的代理，幫助學生理解基本概念或解答簡單問題。
- 基礎問答系統：搭建一個簡單的問答平臺，代理之間進行基本的資訊傳遞和協作。
Magentic-One（微軟）
框架簡介
作為微軟最新推出的多智慧體框架，Magentic-One 是在 AutoGen 的基礎上進行的簡化和最佳化，旨在降低使用門檻，讓更多使用者能夠方便地構建多智慧體系統。
核心特點
預配置的代理集合：框架內建了一個協調者代理（Orchestrator）和四個功能代理：
- WebSurfer：瀏覽和互動網頁內容。
- FileSurfer：管理和訪問本地檔案。
- Coder：專注於程式碼編寫和分析。
- ComputerTerminal：提供命令列介面，執行程式和安裝庫。
- 基於 AutoGen：繼承了 AutoGen 的優勢，同時簡化了操作。
- 效能分析工具：整合了 AutoGenBench，用於評估代理的效能和效率。
優勢解析
- 開箱即用：預設的代理和功能，無需複雜配置，節省時間和精力。
- 使用者友好：介面直觀，適合非技術人員使用。
- 效能視覺化：透過效能分析工具，直觀瞭解代理的執行情況，方便最佳化。
不足之處
相容性問題：在整合本地或開源 LLM 時，需要額外的配置和調整。
適用場景與例項
適用於希望快速搭建通用型多智慧體系統的使用者，特別是對技術要求不高的場合。
例項
- 資訊整合平臺：利用內建的代理，完成從網路資訊收集、檔案管理到程式碼處理的全流程操作。
- 自動化系統運維：透過 ComputerTerminal 代理，執行系統命令，管理伺服器和應用。
總結
- 整體最強大和全面的框架：如果您追求功能深度和專業性，AutoGen 可能是最佳選擇。
- 快速開發和易用性：如果您重視上手速度和簡便性，CrewAI 是理想的選擇。
- 高度定製和複雜邏輯：需要深入定製和複雜功能時，選擇 LangGraph。
- 成本效益和通用性：希望快速部署通用解決方案，Magentic-One 會是不錯的選擇。
資料推薦
- 智慧 GitHub Copilot 副駕駛® 提示和技巧
- Azure OpenAI 生成式人工智慧白皮書
- 利用 AI 和 DevOps 重新定義開發人員體驗
- SAP on Microsoft Cloud