智能体能力 工具:可调用函数 MCP服务器 应用:平台集合 技能:skills 知识:检索事实 分类 行动能力(Tools,MCPs,Apps) 赋予了代理做事的能力 背景能力(Skills,Knowledge) 会修改代理的提示词 对比表 特性 工具 MCPs 应用 技能 (Skills) 知识 赋予代理行动能力 ✅ ✅ ✅ ❌ ❌ 修改提示词 ❌ ❌ ❌ ✅ ✅ 需要代码 是 仅配置 仅配置 仅 Markdown 仅配置 本地运行 是 视情况而定 是（带环境变量） 不适用 是 需要 API 密钥 按工具 按服务器 集成令牌 否 仅嵌入器 (Embedder) 在 Agent 上设置 tools=[] mcps=[] apps=[] skills=[] knowledge_sources=[] 在 Crew 上设置 ❌ ❌ ❌ skills=[] knowledge_sources=[]
1.crew和flow的定义以及选择 crew:团队,更适合复杂和创造性更强的用例,强调自主性和协作智能优化 flow:流程,通过事件进行触发,有严格的执行决策路径,适合路径确定,有更高的安全需求的用例,强调细粒度,事件驱动的控制 ...
workflow拥有预先设计好的代码路径,按设定的顺序执行 Agent是动态的,定义自己的流程和工具使用 LangGraph提供了persistent,streaming,和对debugging,deployment的支持 ...
Overview 构建agent的难点在于使他们足够可靠 即时他们在原型阶段往往会表现得很好 Why do agent fails LLM调用采取了错误的措施或者没有按照预期执行,原因: LLM能力不够 正确的context没有传递给LLM 更多情况是后者 ...
一个简单的示例 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 from langchain.agents import create_agent def get_weather(city: str) -> str: """Get weather for a given city.""" return f"It's always sunny in {city}!" agent = create_agent( model="claude-sonnet-4-6", tools=[get_weather], system_prompt="You are a helpful assistant", ) result = agent.invoke( {"messages": [{"role": "user", "content": "What's the weather in San Francisco?"}]} ) print(result["messages"][-1].content_blocks) Build a real-world agent: Detailed System Prompt Create Tools Model Configuration Conversational memory Deep agents Testing 1.Define the system prompt defines your agent’s role and behavior. Keep it specific and actionable. ...
AutoGen 知识库与全景总结 本目录存放了关于 AutoGen（多智能体对话协作框架） 的全面知识总结、架构解析与工程落地实践指南。 核心文档索引 📄 AutoGen学习文档.md（完整全景知识总结报告） 第 1 章：框架背景与发展演变（起源、AG2 与微软官方 v0.4+ 的历史分流） 第 2 章：核心设计范式（对话即计算 vs 现代化 Actor 模型与事件驱动） 第 3 章：AutoGen v0.4 分层架构深度剖析（autogen-core, autogen-agentchat, autogen-ext） 第 4 章：核心构件与关键抽象（Agents, Teams, TerminationConditions） 第 5 章：多智能体编排与协作拓扑模式（轮询、动态选择器 Selector、蜂群 Swarm、层级式） 第 6 章：旗舰级通用系统 Magentic-One 架构（双层推理循环 Ledgers 与专家矩阵） 第 7 章：关键机制（代码沙箱安全隔离、人机协同 HITL、工具调用） 第 8 章：可视化中枢 AutoGen Studio 原理与实战 第 9 章：横向对比（AutoGen vs LangGraph vs CrewAI 全维度矩阵） 第 10 章：工业级代码实战样例（RoundRobin、Selector+代码沙箱、经典 v0.2/AG2 存照） 第 11 章：生产落地避坑指南与最佳实践
指纹识别 提供了一种在整个生命周期内唯一表示和追踪组件的方法,每个agent,crew,task在创建时都会获得一个唯一的,无法手动覆盖的指纹 工作原理 指纹时crewai.security模块中的Fingerprint类的实例,包含: UUID字符串:唯一标识符,自动生成且无法手动覆盖 创建时间戳:自动设置无法手动覆盖 元数据:可自定义的附加信息字典 ...
通过在agent工作流中实现hook来构建自定义的midddleware Hooks two types: Node-style hook 在特定的执行点顺序执行.Use for validation,logging and state updates. Hook When it runs before_agent Before agent starts (once per invocation) before_model Before each model call after_model After each model response after_agent After agent completes (once per invocation) Wrap-style hooks run around each call, giving you control over execution: ...
GuardRails通过validating和flitering content来帮助你构建安全合规的agent 常见的应用场景: 预防个人信息的泄露 检测和阻止提示词注入攻击 阻止不恰当和有害的攻击 执行业务规则和合规性要求 验证输出重量和正确性 你可以在使用middleware在关键节点拦截执行 before the agent starts, after it completes, or around model and tool calls. ...
LangChain is driven by a few core beliefs: Large Language Models (LLMs) are great, powerful new technology. LLMs are even better when you combine them with external sources of data. LLMs will transform what the applications of the future look like. Specifically, the applications of the future will look more and more agentic. It is still very early on in that transformation. While it’s easy to build a prototype of those agentic applications, it’s still really hard to build agents that are reliable enough to put into production.