花费上百万部署DeepSeek，为什么只能当“陪聊”？0基础搞懂Agent开发框架 | 科普向

部署了满血版DeepSeek R1，总是答非所问！

别人手里的DeepSeek，是不是和我手里的不一样？

除非领导硬性要求，不然真的不想用它，徒增负担！！

……

部署前是小甜甜，部署后就变成了牛夫人？这是由于大模型还没有经过开发变成你需要的样子。

想让大模型用起来更顺手，有3大开发方向，分别是：微调、RAG、Agent。

作为今年最火的Agent，该从哪开始了解？工作中的卡点能用低代码平台解决吗？LangChain、AutoGen、LangGraph该怎么选？

今天要给大家介绍的，就是能让部署后的大模型接入不同工具，做到之前做不到的事情的开发框架。

本次会为大家介绍主流的、能实际在工作中使用的开发框架，分别是LangChain、LangGraph、AutoGen和Dify。

为了方便大家理解开发原理，本次会从LangChain开始讲起，熟悉了他，剩下的也就不难了。

最后也为大家准备了一份对比表格，帮助大家快速选择自己适合的开发框架。

同时大模技术社区也有完整的Agent开发教学，企业级实战项目，方便0基础的小伙伴也能迅速入门。长摁识别下方二维码，即可无偿领取所有资料。

0基础入门LangChain

解决了什么问题？

我们以ChatGPT为例，即使是大模型的领军人物、大模型天花板，但在使用时仍然会遇到各种各样的问题。

总结下来就是知识更新的滞后性、外部API调用能力、私有数据连接方式以及输出结果的不稳定性等问题

想要让GPT完整适配自己的需求，当然可以重新训练。但即使有了DeepSeek的技术出现，训练成本也要千万起步。

为了提供一个统一的平台和明确的定义，并能快速实现应用间的连接，LangChain就应运而生了。

简单的说，LangChain就像它的名字一样，像一根绳索一样把大模型与其他工具串联起来，让其他工具能弥补大模型能力的缺失。

而根据需要提供的链接方式，这里出相处6个模块：

1. Model I/O ：标准化各个大模型的输入和输出，包含输入模板，模型本身和格式化输出；

2. Retrieval ：检索外部数据，然后在执行生成步骤时将其传递到 LLM，包括文档加载、切割、Embedding等；

3. Chains ：链条，LangChain框架中最重要的模块，链接多个模块协同构建应用，是实际运作很多功能的高级抽象；

4. Memory ： 记忆模块，以各种方式构建历史信息，维护有关实体及其关系的信息；

5. Agents ： 目前最热门的Agents开发实践，未来能够真正实现通用人工智能的落地方案；

6. Callbacks ：回调系统，允许连接到 LLM 应用程序的各个阶段。用于日志记录、监控、流传输和其他任务；

借助这些功能，就可以像搭积木一样，把模型和各个不同的工具串联起来。

LangGraph是什么？

有些人说LangGraph是LangChain的升级版，毕竟是同一个公司出的，从功能和命名上看好像是这样，但两者适配的场景不同，使用起来也各有优劣。

具体区别如图：

就像前面说的，LangChain像一条锁链把各个功能串联起来，再根据锁链上的排序依次实现相关功能，而且触发后相关功能就一定会挨个运作一遍。

比如你让AI写小说，传统工具（如LangChain）像写流水账，只能按「开头→发展→结局」一条路走。

但现实中好故事需要反复修改：写一半发现人物矛盾，得倒回去改设定，甚至推翻重写。

为了解决这个问题，LangGraph出现啦~具体优势有：

循环思考：遇到分支剧情时，根据上下文同时生成多个方案，再选最优解

实时协调：当情况变化时，让不同AI介入

接力处理：第一个AI解决不了的问题，自动转给更专业的AI

什么是AutoGen？

AutoGen是微软提出的AI Agent开发框架，也是当下主流开发框架之一。

AutoGen 框架的第一大特色是支持创建对话式应用。

也就是说它构建多代理的方式是使多个智能体能够相互交流，从而促进不同智能体之间的合作以完成最终的任务。

简单的理解就是这个框架可以让不同的Agent建立起通信的连接，然后它提供给开发者的使用方式是，

其一可以为每个Agent自定义大模型、角色、工具及行为。

其二可以创建不同的对话模式，包括一问一答、联合聊天、分层聊天等等，从而实现高度个性化的应用场景设计。如下图所示：

而AutoGen第二大特色，则是与LangChain、LangGraph，rag、函数调用（Function Call）等功能集成在了一起。

额外补充：大模型本身不具备与外界工具调用和沟通的能力，而只有支持Function Call才能完成相关功能。

这就让我们可以非常方便的，通过额外的知识源去增强基于大模型的代理能力，从而使基于AutoGen构建的智能体能解决相对复杂的问题，和更多元化的应用场景。

Coze和Dify是什么？

在理解了LangChain之后，Coze和Dify就相对好理解了。

最大的区别就是在使用时，Coze和Dify把各个功能、模型打包压缩。

就像我们在windows电脑上安装程序一样，通过鼠标简单点击就可以完成自己的需要，而不再需要搭建环境，打开变成软件等等。

但方便也就代表着只能完成简单的任务，数据量也不能很大，所以一般是产品经理实现原型图使用。

以上便是主流Agent开发框架的汇总，快速确定自己需要选择哪一个，可以看下图：

---

文章出自【公益】赋范大模型技术社区！

为了避免0基础的小伙伴被「信息差」割韭菜，公益大模型技术社区汇聚了大量干货内容，对标别家千元级课程~

为的就是帮助0基础的小伙伴也能用上大模型并借助大模型提效！如果觉得有用，欢迎点赞、关注，点个在看哦~

【公益】大模型技术社区学习者已超万人！

还有完整的「从0到1微调大模型」（涵盖QWQ、DeepSeek等主流大模型）、「构建企业级私有知识库问答」实战教学，扫描下方二维码，即可免费加入！