小白入门大模型应用必读：一文看懂人工智能核心框架 LangChain 和 Crewai

最新推荐文章于 2025-05-06 12:57:10 发布

AI小白熊

最新推荐文章于 2025-05-06 12:57:10 发布

阅读量1.3k

点赞数 12

文章标签：人工智能 langchain prompt 大模型 ai 学习程序员

本文链接：https://blog.youkuaiyun.com/2401_85325726/article/details/145557787

版权

一、LangChain 与 CrewAI 的核心区别

二、LangChain 与 CrewAI 的关系

互补性

CrewAI 可构建于 LangChain 之上：CrewAI 的底层工具（如搜索、模型调用）可通过 LangChain 实现。

Python
from crewai import Agent, Task, Crew, Process #导入crewai组件
import os

from langchain.tools import DuckDuckGoSearchRun #导入langchain工具
search_tool = DuckDuckGoSearchRun() #该工具具备 web 检索功能

from langchain.llms import Ollama
ollama_deepseek = Ollama(model="deepseek-r1:14b") #通过 ollama 导入本地部署的 deepseek-r1 14b 版本模型

功能扩展：LangChain 擅长单代理任务（如数据检索、代码生成），而 CrewAI 在此基础上扩展了多代理协作能力，例如通过角色分工和任务委派解决复杂问题。

 <LangChain和CrewAI：打造高效的代理RAG模型>

生态协同

LangChain 提供丰富的工具链和模块化组件，CrewAI 则将这些组件整合为团队协作流程。例如，CrewAI 的代理可调用 LangChain 的检索增强生成（RAG）工具进行信息处理。

三、典型应用场景

LangChain 的典型应用

对话式AI助手：通过链式流程集成LLM与外部API，实现上下文连贯的交互（如客服机器人）。

链接：https://langchain-ai.github.io/langgraph/tutorials/customer-support/customer-support/

内容生成与摘要：利用提示模板生成结构化文本（如自动生成报告、文章）。

数据查询与分析：结合向量数据库实现语义搜索，生成数据分析代码（如通过 Python REPL 执行查询）。

Python
import pandas as pd # 导入pandas库，通常用于数据处理和分析，简写为pd。
from IPython.display import Image, display # 从IPython.display模块导入Image和display函数，用于在Jupyter Notebook中显示图片等多媒体内容

from typing import List, Literal, Optional, TypedDict, Annotated  # 从typing模块导入一些类型注解工具，用于在代码中明确变量或函数参数的类型，提高代码的可读性和可维护性。

from langchain_core.tools import tool  # 从langchain_core.tools模块导入tool，可能是用于定义或注册工具的函数或类。

from langchain_core.messages import ToolMessage # 从langchain_core.messages模块导入ToolMessage，用于处理工具链中的消息传递的类。

from langchain_experimental.utilities import PythonREPL # 从langchain_experimental.utilities模块导入PythonREPL，用于在语言模型中执行Python代码的工具。

from langchain_openai import ChatOpenAI # 从langchain_openai模块导入ChatOpenAI，用于与OpenAI的Chat模型进行交互的类。

from langgraph.graph import StateGraph, START, END  # 从langgraph.graph模块导入StateGraph类以及START和END常量，StateGraph用于表示状态图的类
from langgraph.graph.message import add_messages  # 从langgraph.graph.message模块导入add_messages函数，用于向状态图中添加消息的函数。
from langgraph.prebuilt import ToolNode, tools_condition

# 从langgraph.prebuilt模块导入ToolNode类和tools_condition函数，ToolNode可能是用于表示工具节点的类，tools_condition用于处理工具条件的函数。
from langgraph.checkpoint.memory import MemorySaver # 从langgraph.checkpoint.memory模块导入MemorySaver类，用于保存和管理状态图的检查点或内存状态的类。

代码生成与调试：调用LLM生成代码片段并自动执行（如数据分析脚本）。

CrewAI 的典型应用

协作式项目管理：多个代理分工处理任务（如客户支持经理、技术支持专家、账单支持专家）。

内容创作团队：代理团队模拟内容规划、内容编辑、内容作者等流程。

应急响应模拟：代理分工处理实时数据（如灾害预警、资源调度、信息汇总）。

科研协作：跨学科代理团队协作完成复杂研究（如文献综述、实验设计、结果分析）。

四、总结与选择建议

选择 LangChain：若需高度定制化单代理任务（如集成外部工具、处理结构化数据），或构建轻量级应用原型。

选择 CrewAI：若需模拟人类团队协作（如多角色任务分配、动态委派），或解决复杂、多步骤问题（如企业级流程自动化）。

两者可结合使用：如用 LangChain 实现单代理功能（如数据检索），再由 CrewAI 协调多个代理完成端到端任务（如生成完整分析报告）。

零基础如何学习AI大模型

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。
…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。