世事洞明皆学问，人情练达即文章。螺丝壳再小，也能做道场。 —— 傅行之
见利益流转，容人心无常。—— 傅行之
AI Agent Patterns
1. Reflection Pattern
2. Tool Use Pattern
3. Planning Pattern
4. Multi-Agent Collaboration
Understanding Agent
- Agent = Graph
任何一个 Agent，都可以用一张图来表示:
- Node(节点)：一个个小任务；
- Edge(边)：连接这些小任务的箭头，告诉程序下一步如何处理；
- Loop(循环)：程序能重复执行某些任务。
Build Agent
1. PocketFlow - Pocket Flow: 100-line LLM framework. Let Agents build Agents!
github(stars: 1.3k): https://github.com/The-Pocket/PocketFlow?tab=readme-ov-file stacks: Python
2. Pocket-Flow-Framework - Enable LLMs to Program Themselves
github: https://github.com/The-Pocket-World/Pocket-Flow-Framework stacks: TypeScript
Open Sources
1. qwen-agent
github(stars: 5k): https://github.com/QwenLM/Qwen-Agent/tree/main tech stack: python
Agent framework and applications built upon Qwen>=2.0, featuring Function Calling, Code Interpreter, RAG, and Chrome extension
2. awesome-llm-apps
Collection of awesome LLM apps with RAG using OpenAI, Anthropic, Gemini and opensource models github(stars: 7k): https://github.com/Shubhamsaboo/awesome-llm-apps
AI Agent和RAG应用
- AI客户支持Agent：使用LLMs提供客户支持。
- AI投资Agent：帮助进行投资决策。
- AI法律Agent团队：提供法律相关的代理服务。
- 自主RAG：检索增强生成的应用。
- Agentic RAG：代理和RAG结合的应用。
- 本地RAG Agent：在本地计算机上运行的RAG应用。
具有记忆功能的LLM应用
- AI Arxiv代理：具有记忆功能的学术文献代理。
- 个性化记忆LLM应用：根据用户记忆定制的应用。
与特定数据源聊天的应用
- 与GitHub仓库聊天：直接与GitHub仓库进行交互。
- 与Gmail聊天：通过邮件进行交互。
- 与PDF聊天：解析PDF文件内容进行交互。
LLM微调和训练
- Llama3.2微调：提供LLM微调的教程和资源。
高级工具和框架
- Gemini多模态聊天机器人：一个多模态交互的聊天机器人。
- 多代理混合：结合多个代理的应用。
- LLM路由器应用：路由不同LLM应用的工具。
3. cline - Autonomous coding agent right in your IDE, capable of creating/editing files, executing commands, using the browser, and more with your permission every step of the way
gtihub(stars: 15k): https://github.com/cline/cline
Comparisons
Main Stream Agent Frameworks
| 特性 | LangChain | LangGraph | OpenAI Function Calling | PocketFlow |
|---|---|---|---|---|
| 定位 | 功能全面的 LLM 应用框架 | 专注于构建具有循环和状态的 Agent | 允许 LLM 模型调用开发者定义的函数 | 极简的 LLM Agent 框架，用于学习和原型验证 |
| 核心概念 | Chains, Agents, Tools, Memory | Nodes, Edges, StateGraph | Functions, Parameters, Responses | Nodes, Flow, Shared Store |
| 优点 | 功能丰富，社区活跃，支持多种 LLM 和工具 | 易于理解和调试，适合构建复杂的 Agent 工作流 | 与 OpenAI 模型紧密集成，简化函数调用流程 | 简单易学，代码量少，易于理解 Agent 原理 |
| 缺点 | 学习曲线陡峭，抽象层级较高，可能难以调试 | 相对较新，生态系统不如 LangChain 完善 | 仅限于 OpenAI 模型，不够灵活 | 功能有限，不适合生产环境 |
| 适用场景 | 需要快速构建各种 LLM 应用的场景 | 需要构建具有复杂状态和循环逻辑的 Agent | 需要让 OpenAI 模型与外部 API 交互的场景 | 学习 Agent 原理，快速验证想法 |
| 代码示例 | from langchain import ... |
from langgraph import ... |
response = openai.ChatCompletion.create(..., functions=...) |
from pocketflow import ... |
Appendixes
- unwind ai - https://www.theunwindai.com/
- modelscope - https://www.modelscope.cn/docs/intro/quickstart
- Qwen-Agent 使用篇 - https://mp.weixin.qq.com/s/eGUCtkWgGIpNAoY2qygKkg
- What are AI Agents: From Virtual Assistants to Intelligent Decision-Makers - https://medium.com/mongodb/what-are-ai-agents-from-virtual-assistants-to-intelligent-decision-makers-817b8b205f33
- Building effective agents - https://www.anthropic.com/research/building-effective-agents
- 4 AI Agent Patterns You Should Know - https://lorenzhw.substack.com/p/4-ai-agent-patterns-you-should-know?r=lqp26&utm_campaign=post&utm_medium=referral&utm_source=medium
评论区
写评论
登录
所以，就随便说点什么吧...
这里什么都没有，快来评论吧...