Agent的未来范式探索

关注

原创最新推荐文章于 2026-08-08 15:58:39 发布 803 阅读 AI 写同款· GEO 优化 ›

生物信息学新手必看：MAFFT多序列比对从安装到实战（附参数优化技巧）本文为生物信息学新手提供了MAFFT多序列比对工具的完整指南。从Linux环境下的安装部署，到核心算法策略（如FFT-NS-i、L-INS-i）的选择逻辑，再到空位罚分等关键参数的深度解析与优化技巧，手把手教你完成从原始序列到高质量比对结果的实战流程，为后续进化树构建等分析奠定坚实基础。阅读详情

文章全面介绍了AI Agent的发展现状、分类架构、核心模块、评测体系和未来趋势。详细分析了Agent的能力水平划分、模态分类和应用场景，深入探讨了Agent的核心规划模块（任务分解、反思提炼等），并系统梳理了Agent的评测维度和开源项目。文章指出Agent正处于蓬勃探索期，随着LLM能力的提升，评测体系和应用场景不断扩展，可靠性、安全性等始终是核心关注点。

Agent的发展在25年大概是巅峰赛季了，层出不穷，agent的定义不断地被横向或者纵向的扩展，总之，范式不断地被颠覆。

这是一篇过期的文章…，关于范式的定义、开源的评测、未来的探索…

针对Agent的探索以及开源项目进行了深度的分析，并综合给出了个人层面对于Agent的进化历程。

相关重点Paper

Understanding the planning of LLM agents: A survey(https://arxiv.org/pdf/2402.02716)
HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face（https://arxiv.org/pdf/2303.17580、https://github.com/microsoft/JARVIS）
Why Do Multi-Agent LLM Systems Fail?（https://arxiv.org/abs/2503.13657）
API Agents vs. GUI Agents: Divergence and Convergence（https://arxiv.org/pdf/2503.11069）

从多个维度（如模态、可靠性、效率、可用性、灵活性、安全性、可维护性、透明度和类人交互）对API代理和GUI代理进行了全面评估

A Survey on (M)LLM-Based GUI Agents（https://arxiv.org/pdf/2504.13865）

GUI Agent的综述

Agent范式阐述

Autonomous agents 又被称为智能体Agent。能够通过感知周围环境、进行规划以及执行动作来完成既定任务。

这个图大概是对Agent阐述最多的了。作为一个经典的Agent框架图，也是最基础的，明确说明了现在Agent所涉及的模块，以及模块涉及的技术点，但随着国内技术的一日千里，描述也稍有欠缺了。

AI Agent的能力水平划分

L0-没有人工智能，仅有基本的工具（能实现感知）和行为能力；
L1-规则符号智能，基于规则的 AI，包含早期NLP的任务规则；
L2-推理决策智能，基于互动学习(IL)/强化学习(RL)的 AI，并增添推理和决策能力，典型的就是Dify、manus为代表的流程编排；
L3-记忆反思智能，基于LLM的 AI 替换互动学习/强化学习的方式，并增加记忆（Memory）+自我反思（reflection）；
L4-自主学习智能，在 L3的基础上，加强自我学习+泛化的能力；
L5-个性群体智能，在 L4的基础上，增加了个性（情感+性格）和协作行为（MultiAgent）

Agent模态上划分

基于语言的智能体
**基于视觉的智能体：**SpiritSight
视觉-语言混合智能体：MobileFlow

推荐paper:

- AppAgentX：Evolving GUI Agents as Proficient Smartphone Users

MobileFlow：A Multimodal LLM for Mobile GUI Agent（移动设备专用）
OS Agents：A Survey on MLLM-based Agents for General Computing Devices Use
SpiritSight Agent：Advanced GUI Agent with One Look.
Levels of AI Agents: from Rules to Large Language Models

Agent按照应用场景划分：

OS Agents
GUI Agents
Computer-Using Agent, CUA

下图作为当前大部分Agent的核心架构，其实完全足够了，大家基本是在其基础上对模块进行补充扩展。

源自：Executable Code Actions Elicit Better LLM Agents（https://arxiv.org/pdf/2402.01030）

源自：Character-LLM: A Trainable Agent for Role-Playing（https://aclanthology.org/2023.emnlp-main.814v2.pdf）

下面的五种Agent模式，能非常准确的反应当前Agent的演变路线，

反射模式（Reflection pattern）

Reflection是指Agent能够对自己的行为和决策进行推理和分析的能力

工具使用模式（Tool use pattern）

查询矢量数据库、执行 Python 脚本、调用 API 等，利用外部工具和资源来提升自己的决策和执行能力。

ReAct（Reason and Act）模式

ReAct 结合了上述两种模式：Agent 可以反映生成的输出。它可以使用工具与世界交互。Agent根据环境的变化做出反应。这种设计范式涉及到Agent如何根据环境的变化来调整自己的决策和行为。

Planning pattern规划模式

规划是Agent AI 的一个关键设计模式，我们使用大型语言模型自主决定执行哪些步骤来完成更大的任务。

Multi-agent pattern多智能体模式

常见的Agent，包括Manus、Deep Research大部分都是LLM+Wrapper(Prompt、Function Call，MCP、A2A等)。

此时此刻，对于Agent到底是个什么

Agent核心Plan模块

核心思想：任务分解 & 反思和提炼

Understanding the planning of LLM agents: A survey

任务分解（Task Decomposition）：分治思想。

分解优先（Decomposition-First）：先分解，再计划，如：HuggingGPT、Plan-and-Solve、ProgPrompt

交错分解（Interleaved）:一边分解任务，一边制定计划，如：ReAct、COT、POT

多计划选择（Multi-Plan Selection）：投票思想。给智能体一个“选择轮”，生成多个计划，然后选择最优计划来执行。

多计划生成：利用LLM在解码过程中的不确定性，比如通过温度采样或top-k采样获得多个不同推理路径。

最优选择：启发式搜索算法, 比如简单的多数投票策略，或者利用树结构来辅助多计划搜索

如：Self-consistency：投票的方式

Tree-of-Thought (ToT)：**树搜索（BFS/DFS）**算法，使用LLM评估多个动作并选择最优动作

Graph-of-Thought (GoT)：同ToT

LLM-MCTS 和 RAP：树结构辅助多规划搜索，但采用MCTS算法进行搜索

推荐paper:

- Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

（https://arxiv.org/abs/2201.11903）

thought_prompt = f"""

辅助规划（External Planner-Aided Planning）：借助外部规划器**，在旁边出谋划策**

在特定场景约束下，LLM能力不足，如：高P场景、数学推导等，辅助规划的思想主要是在对LLM本身比如通过强化学习或模仿学习技术训练的深度模型，针对特定领域展现出有效的规划能力，或者借助外部Model来进行辅助补丁。

反思细化（Reflection and Refinemen）：执行计划过程中，能够停下来反思，然后改进计划。

LLM 规划过程中可能会产生幻觉**，或因为理解不足而陷入“思维循环”，反馈和改进是规划过程中不可或缺的组成部分，增强了LLM Agent 规划的容错能力和错误纠正能力。**

思想：生成、反馈和改进

如：Self-refine：利用迭代过程，包括生成、反馈和精炼

Reflexion：扩展 ReAct 方法，通过引入评估器来评估轨迹

CRITIC：使用外部工具，如知识库和搜索引擎**，验证LLM生成的动作**

InteRecAgent：ReChain的自我纠正机制

LEMA：收集错误的规划样本，然后使用更强大的GPT-4进行纠正

推荐paper:

- Self-Refine: Iterative Refinement with Self-Feedback

- CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing

记忆增强（Memory-Augmented Planning）：使用过去经验，为将来规划提供帮助。

通过记忆来增强 LLM-Agents 规划能力的方法: RAG记忆 和 参数记忆

如：Generative Agents：以文本形式存储类似于人类的日常经验，并根据当前情况的相关性和新鲜度来检索记忆。

MemoryBank、TiM 和 RecMind：记忆编码成向量，并使用索引结构（如FAISS库）来组织这些向量。

MemGPT:借鉴了计算机架构中的多级存储概念，将LLM 上下文视为RAM，并将额外的存储结构视为磁盘。

REMEMBER：将历史记忆以Q值表的形式存储，每个记录是一个包含环境、任务、动作和Q值的元组

Agent的评测体系

推荐paper:

Survey on Evaluation of LLM-based Agents（https://arxiv.org/pdf/2503.16416）

评测主要来自paper，有一定的参考意义。

智能体评测（CUP）的上层体系：

Capacity: 有什么样的力。能做什么
Under standing: 深度理解能力。能听懂么
Performance: 性能评估。智能体做得怎么样

LLM Agent 利用大语言模型的强大理解与推理能力，结合外部工具（如数据库查询、代码执行、网页访问），实现多轮交互、长期记忆与自主规划，能够主动解决复杂、多步骤的现实问题。

Agent当前处于一个蓬勃探索期，随着LLM本身能力跃迁式的变化，评测体系也在不断地演变，但万变不离其宗，可靠性、安全性、效率等始终是其核心：

确保在实际应用中可靠有效：Agent 在真实场景下会碰到大量意外情况或长尾需求，必须用严格的测试来检验其鲁棒性。
指导下一步研发和迭代：良好的评测可以帮研发者发现 Agent 的「短板」和错误模式，从而持续改进。
安全与合规：随着 Agent 能调用外部工具甚至有权限访问企业数据库，如果无法正确评测安全性，就会产生较大的潜在风险。
成本与效率：评测还应包含成本、效率等，以免 Agent 可以完成任务但不切实际或代价过高。

主要有以下四大维度：

智能体的基础能力（Agent Capabilities）

规划与多步推理（Planning & Reasoning）

评测集：数学推理【GSM8K小学数学、MATH高等数学、AQUA-RAT选择题推理】、多跳问答【HotpotQA、StrategyQA】、科学推理【ARC】、逻辑推理【FOLIO】、日常任务【MUSR】。

评测要点：任务分解、状态追踪、自我纠错、因果推断

评测Bench：ToolEmu【测试 Agent 在出错后能否调整】、PlanBench【发现 Agent 在长期规划上的短板】、NaturalPlan【用自然语言描述真实世界任务】
工具调用与函数使用（Tool Use）

评测要点：意图识别、工具选择、参数匹配、执行工具调用、结果整合

评测Bench：ToolBench、APIBench、BFCL【是否会调用给定的 API、调用参数是否正确】、ToolSandbox、NESTFUL【涉及多轮对话、多步嵌套调用，场景更加贴近真实复杂需求】
自我反思与自我纠错（Self-Reflection）：

评测要点：感知新信息、信息更新、决策调整

评测思路：单步校验、多轮反馈

评测Bench：LLFBench【围绕自反性进行基准构建，测试 Agent 在多回合得到外部反馈时的能力】、ReflectionBench【从认知科学的角度，试图把「新信息识别、记忆复用、惊讶时的 belief 更新、决策调整」等拆解，构建更精细化的评测】
长期记忆（Memory）

评测方法：长文本阅读场景、多回合信息集成、动作 - 状态跟踪

特定应用领域的智能体（Application-Specific Agents）

网页智能体（Web Agents）

评测思路：能否正确理解网页结构、多步网页操作、安全性与合规

评测Bench：**MiniWoB、WebShop、**WebArena / Visual-WebArena【更逼真的在线购物或网页浏览环境，并包含动态变化】、AssistantBench【测试 Agent 在跨网站、多步长任务下的效率】
软件开发智能体（Software Engineering Agents）

评测Bench：HumanEval、MBPP【考察函数实现正确率】、SWE-bench【从真实开源项目的 issue 切片而来，提供更复杂多文件、多步骤的问题】、AgentBench【让 Agent 跟真实的开发环境或模拟环境进行多次交互，评测其多轮对话、工具调用、调试等能力】
科学研究智能体（Scientific Agents）

评测方法：科学知识回忆与推理、文献理解与摘要、实验设计与执行、代码生成与结果复现
对话式智能体（Conversational Agents）

评测Bench：ABCD、MultiWOZ、**SMCalFlow【**基于人工众包数据，涵盖了多种对话场景和功能调用】、**ALMITA【自动生成各种客户服务对话路径，然后测试 Agent 对不同对话走向的应对能力】、\tau-Bench【**人工构建了航空、零售两大典型行业场景，用模拟用户和真实数据库来考评 Agent 执行任务的正确率】、IntellAgent

通用型智能体（Generalist Agents）

综合多项能力，适用于多种复杂环境

开发与评测工具框架（Evaluation Frameworks）

各类辅助开发者持续评测智能体性能的工具与平台

Agent 开发的过程中，对每一次推理调用做记录，监控日志和输出，然后自动或人工来标注对错、分析错误原因，通常叫 Observability 或 Monitoring。

多粒度的评测：

最终输出 (Final Response) 评测： Agent出的最后答案是否满足需求，可使用人工或 LLM 批改；
逐步动作 (Stepwise) 评测

：针对 Agent 每一步对话、调用、工具执行都做结果验证，能更准确定位问题；
完整执行轨迹 (Trajectory) 评测：分析 Agent 从头到尾的动作序列是否合理，高级一点还能做与「最优路径」对比。
数据管理与标注：A/B 测试
可视化与比较

目前代表性的平台有 LangSmith、Langfuse、Google Vertex AI evaluation service、Arize AI、Galileo Agentic Evaluation、Patronus AI、Databricks Mosaic AI Agent Evaluation 等。

Agent的未来范式探索

Generative Agents: Interactive Simulacra of Human Behavior

斯坦福25个AI智能体「小镇」：25个AI智能体不仅能在这里上班、闲聊、social、交友，甚至还能谈恋爱，而且每个Agent都有自己的个性和背景故事。

Paper：https://arxiv.org/pdf/2304.03442
GitHub：https://github.com/joonspk-research/generative_agents
https://twitter.com/drjimfan/status/1689315683958652928

架构:

记忆流（Memory Stream）: 长期记忆模块，以自然语言记录虚拟人个人经历的总列表。
思考（Reflection）: 将记忆综合成具有时间序列的高级推理，使得虚拟人能够对自身和他人做出总结，以便很好地操控自身行为。
规划（Plan）: 结论和当前环境转化为高级行动规划，然后递归地转化为详细的行为和反应。

GRUtopia: Dream General Robots in a City at Scale

上海人工智能实验室 OpenRobotLab 等机构的一批研究者也打造了一个虚拟小镇。

https://arxiv.org/pdf/2407.10943

https://arxiv.org/pdf/2503.06580

行业最流行的一句话：模型即服务

受限统一一下口径：

现阶段的开源Agent项目还是集中在流程编排智能体这个阶段，即L2，具体架构如下：

典型的当前Agent架构

非常典型的应用模式：

流程编排式：替换上一个时期的重复性功能的能力，重点聚焦于单点能力。

在对话场景，

开源Agent项目评测

短短一年，社区开源的agent项目如同雨后春笋，感叹开源大佬们精力旺盛，开源项目实在是太优秀了…，而且是乱花渐欲迷人眼，不知何从选择，从个人维度来说，方便自身快速部署、修改、使用，重要的点：

开源关注度：当然支持度是多多益善，代表的就是大家的认可度，但是，关注度 == 认可度 != 好产品，行业的竞争其实导致了很多的重复性产品，个人认为同质性产品差异不大，最后有没有胜出者就犹未可知了，ToB的应用并没有太大门槛，自建成本也不是很高
语言特性：前端、后端、算法，比如前端vue、JS、ST，如今的agent产品主打一个可拖拽，LLM的统一导致并没有太多的算法成分，唯一一个比较重的大概就是RAG了，存在一定的定制化，未来大概就是一个tool工具的存在。
能力范围：项目是为了解决什么样的问题，流程编排、RAG、agent等，支持的能力怎么样（阅读理解、问答、检索）。

注：个人工作范畴：算法应用，所以主要语言是python，以上仅为个人比较浅显的理解推断，非喜勿喷！！！


开源Project	Stars	Language	项目简介	能力初评 (带*表示重点评估)	推荐指数 (颜色表示)
*Dify	96.3k	TS:56.4% PY:30.5%(算法) JS:8%	Workflow流程编排	目前最完备的流程编排工具(不依赖langchain+llama_index)	★★★★★
langflow	59.7k	PY:42.2%(算法) JS: 29.7% TS: 27.2%	Workflow 对话编排工具	对话流程设计工具	★★
Flowise	36.8k	JS: 37.6% TS: 62%	Workflow流程编排	流程agent设计工具	★★
FastGPT	24k	PY:41.8%(算法) JS: 29.7% TS: 27.2%	Workflow流程编排	RPA的架构思想 NextJs + TS + ChakraUI + MongoDB + PostgreSQL (PG Vector 插件)/Milvus	★
MaxKB	16.5k	PY:53.2%(算法) vue: 33.1% TS: 12.4%	RAG Workflow流程编排	基于LangChain架构构建	★
ragflow	51.7k	PY:46.1% TS: 51%	Agent Workflow流程编排	文档RAG编排问答引擎	★★★
*OpenHands	54k	PY:78.6% TS: 17.4%	Code assistant	代码助手，支持代码修改、命令行、访问网页	★★★★
*MetaGPT	55.4k	PY:97.5%	纯Agent架构	逼近真正的Agent架构	★★★★★
Graphrag	25k	PY:95.7%	RAG架构	图谱问答top one	★★★★
anything-llm	43.8k	JS: 97.6%	RAG架构	标准JS的RAG，感觉对于算法定制不太友好，前端颜值好看	★
*quivr	37.6k	PY:99.3%	RAG架构	具备记忆能力的对话问答brain，支持File问答	★★★★
*Langchain-Chatchat	34.5k	PY:25.3% TS:65.9%	RAG架构	标准的Langchain的问答	★
*LightRAG	13.3k	PY:76.1% TS：23.3%	RAG架构	标准RAG: 仅支持keyword、emb、graph三种检索，非llama_index	★★★

注：①、带*号的表示有深度评估；

②、本人技术栈偏向于PY,评测会具有PY倾向；

③、注意不同颜色表示不同领域，评测仅对同领域内进行对比推荐；

附件参考：

（截图来源于github，评估比较浅显，对于应用落地价值不是很大，但可以供参考）

Code:

https://github.com/All-Hands-AI/OpenHands

https://github.com/Mintplex-Labs/anything-llm

https://github.com/QuivrHQ/quivr

https://github.com/chatchat-space/Langchain-Chatchat

https://github.com/microsoft/graphrag

https://github.com/FlowiseAI/Flowise

https://github.com/lFa

https://github.com/infiniflow/ragflow

https://github.com/HKUDS/LightRAG

https://github.com/microsoft/graphrag

https://github.com/2noise/ChatTTS

Dify深度评测

Code: https://github.com/langgenius/dify

项目特性：

1. Workflow: 可视化可拖拽式构建工作流.

Comprehensive model support: 开源LLM API接入，覆盖GPT, Mistral, Llama3, and any OpenAI 等，对于国内本地LLM支持度也不错.
Prompt IDE: 具备直观的ui用于chat、prompt配置等.
RAG Pipeline: 完善的RAG能力支持，从文档解析、处理、chunk等操作.

5. Agent capabilities: 支持自定义tool、Function Calling、ReAct、或者开源built-in tools（Google Search, DALL·E, Stable Diffusion and WolframAlpha）等.

6. LLMOps: 日志监控分析，系统的闭环反馈.

7. Backend-as-a-Service: 支持产品独立部署拆分，适用于业务.

Dify能力简述：对应用场景抽象拆分至独立子任务，借助万能的LLM，映射至抽取（参数提取）、分类（控制流转）、生成（自适应响应）算法任务维度，基于可视化的work flow进行拖拽式的流程编排。对于三类算法任务，LLM基本能够完全覆盖，兼顾到准确率和效率，

核心RAG组件：

参考部署方案：

https://blog.youkuaiyun.com/u013563715/article/details/136764707

https://zhuanlan.zhihu.com/p/7851207343

**个人评测：

1、对于模型的支持（LLM\Embedding\Reranker\API\ollama）支持是最完善

2、RAG板块所有开源项目中最好的：代码结构、向量数据库、数据流处理，本人比较推荐！

3、RAG并非基于LLamaIndex实现: 在RAG的技术深度上，个人认为有所欠缺，同时，由于整个代码耦合度很高，改造比较困难，依赖modelInstance和LB；

4、标准的工作流制造工具，非Agent形态；

5、多模态的交互支持比较一般，主要用于企业级的RPA-Agent构建很成熟，接入第三方IM一般；

6、暂不支持MCP**

langflow深度评测

Code: https://github.com/langflow-ai/langflow

项目特性：

1. Visual Builder：to get started quickly and iterate.

2. Access to Code：so developers can tweak any component using Python.

3. Playground：to immediately test and iterate on their flows with step-by-step control.

4. Multi-agent：orchestration and conversation management and retrieval.

5. Deploy as an API：or export as JSON for Python apps.

6. Observability：with LangSmith, LangFuse and other integrations.

7. Enterprise-ready：security and scalability.

**个人评测：

1、LangFlow 是一个，它专注于对话流程的可视化设计和管理；

直观的界面和工具，可以帮助开发者设计和管理对话流程，包括对话节点、条件逻辑和回复等。
LangFlow 还支持多语言和多渠道的对话流程设计；

**4. 整体上和Fowise其实比较接近，场景侧重点有所不同，langflow只想干好对话，所以基本不支持RAG。

应用可参考下面的设计案例，就是一个RAP的流程编排…****

具体可参考：https://docs.langflow.org/

WorkFlow设计案例

Document QA

包含chat输入、Prompt、OpenApi、chat输出、文件加载等组件

Memory chatbot

对话机器人：增加了chat memory组件，支持历史信息的思考逻辑

Math Agent flow

数学agent，在对话机器人的基础上新增tool calling agent、Python REPL tool、Calculator组件。

Sequential tasks agent

序列任务agent（任务编排器，针对具体场景定制）,在对话机器人的基础上新增YFinance tool、Tavily AI Search tool、Calculator tool 组件。

Travel planning agent

旅行agent，在对话机器人的基础上新增tool calling agent、Python REPL tool、Calculator组件。

Flowise深度评测

项目特性：

Multi-Agents：简单的来说就是 LLM + FuncCalling，基于supervisor进行选择agent进行跳转和任务执行；

Sequential Agents：利用LLM的推理能力、FuncCalling能力、rag能力等，根据具体小场景的预设流程进行自动跳转；
Flowise的整个后台能力支持多workspace管理；

对义变量设计；
支持images, audio, and other files的问答，主要借助OpenAI LLM的能力；

…（主要基于JS+TS构建，在工程设计上应该很多投入，不在我的关注范围上，太复杂😂）

个人评测：

项目基于LLM的语义理解能力，聚焦解决简单的RPA工作，就是agent的能力都包含，但都不是那么有指向，通用型的RAP agent 对话编排工具；
支简单RAG（内存型），用于支持agent问答中的文档内检索，如paper问答；
语义理解和对话管理功能，可以处理复杂的对话场景，并支持多轮对话和上下文理解；
支持预训练的模型和工具，可以加速对话系统的开发过程；

具体可参考：https://docs.flowiseai.com/using-flowise

FastGPT深度评测

Code: https://github.com/labring/FastGPT

FastGPT通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景.

评测结论：

1、整个后端基于TS构建，py负责模型加载部分工作

Multi-Agent Framework:

MetaGPT takes a one line requirement as input and outputs user stories / competitive analysis / requirements / data structures / APIs / documents, etc.
Internally, MetaGPT includes product managers / architects / project managers / engineers. It provides the entire process of a software company along with carefully orchestrated SOPs.

智能体 = 大语言模型（LLM） + 观察 + 思考 + 行动 + 记忆

多智能体 = 智能体 + 环境 + 标准流程（SOP） + 通信 + 经济

能力介绍：

系统主要接口能力：

内部机制：

多Agent实例：

个人评测：**1、依托GPT-4的能力构建助手；支持发布为openai兼容的接口（除ollama外）但需要做改动，

不支持直接本地化部署调用；**

2、Agent/Multi-Agent架构，依托LLM本身的语义理解能力进行多轮交互；

3、问答模式，对于多模态场景的支持比较弱；

4、基本python实现，整个架构比较清晰；

5、有点接近终极Agent架构：非流程编排式的workflow, agent大脑设计模式；

狼人杀：https://github.com/geekan/MetaGPT/tree/main/metagpt/environment/werewolf

斯坦福小镇：https://github.com/geekan/MetaGPT/tree/main/metagpt/environment/stanford_town

安卓模拟器：https://github.com/geekan/MetaGPT/tree/main/metagpt/environment/android

maxKB深度评测

CODE: https://github.com/1Panel-dev/MaxKB

基于RAG pipeline构建的一个知识问答编排器，重点是以RAG为核心构建，利用LLM的prompt生成能力构建RPA的自动化助手。

特性说明：

RAG pipeline: 说是支持文档的splitting，向量化，但是从源码上看，其能力支持一般，比如splitting、vector支持度都比较一般

2. Agentic Workflow：流程编排能力

3. Seamless Integration：…没啥用

4. Model-Agnostic: …大家都有

5. Multi Modal: support for input and output text, image, audio and video.

个人评测：

1. 不支持自定义变量、FuncCalling，能力比较受限；

2. RAG本身能力其实也不够深入；

Langchain-Chatchat深度评测

code: https://github.com/chatchat-space/Langchain-Chatchat

依托于 langchain 框架支持通过基于 FastAPI 提供的 API 调用服务，或使用基于 Streamlit 的 WebUI进行操作。

项目特性：

可使用 Xinference、Ollama 等框架接入 GLM-4-Chat、 Qwen2-Instruct、 Llama3 等模型

2.主流的开源 LLM、 Embedding 模型与向量数据库，可实现全部使用开源模型离线私有部署。

从 0.3.0 版本起，Langchain-Chatchat 不再根据用户输入的本地模型路径直接进行模型加载，涉及到的模型种类包括 LLM、Embedding、Reranker 及后续会提供支持的多模态模型等，均改为支持市面常见的各大模型推理框架接入，如 Xinference、Ollama、LocalAI、FastChat、One API 等。

个人评测：**1、本质上还是一个对话RAG能力的实现；

2.基于标准的langchain插件实现（标准版）；**

anything-llm深度评测

code: https://github.com/Mintplex-Labs/anything-llm

全栈的RAG应用。

项目特性：

支持MCP；
支持多模态问答
集成了多用户权限管理；
标准RAG能力栈：文档切片、向量化、LLM等
官方表示在产品化上很强：部署、云端、ui等
支持TTS、ASR的接入

个人评测：

简化版的流程编排Agent，以JS为主要开发语言的同学可以重点研究一下
向量数据库支持偏弱，毕竟不是为国人开源的

LightRAG深度评测

code: https://github.com/HKUDS/LightRAG

全栈的RAG应用。

普通人如何抓住AI大模型的风口？

为什么要学习大模型？

在DeepSeek大模型热潮带动下，“人工智能+”赋能各产业升级提速。随着人工智能技术加速渗透产业，AI人才争夺战正进入白热化阶段。如今近**60%的高科技企业已将AI人才纳入核心招聘目标，**其创新驱动发展的特性决定了对AI人才的刚性需求，远超金融（40.1%）和专业服务业（26.7%）。餐饮/酒店/旅游业核心岗位以人工服务为主，多数企业更倾向于维持现有服务模式，对AI人才吸纳能力相对有限。

在这里插入图片描述

这些数字背后，是产业对AI能力的迫切渴求：互联网企业用大模型优化推荐算法，制造业靠AI提升生产效率，医疗行业借助大模型辅助诊断……而餐饮、酒店等以人工服务为核心的领域，因业务特性更依赖线下体验，对AI人才的吸纳能力相对有限。显然，AI技能已成为职场“加分项”乃至“必需品”，越早掌握，越能占据职业竞争的主动权

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：