基于Python可定制开发的智能体框架

1 介绍

基于Python可定制开发的智能体框架比较多，例如：Agno、AG2、Microsoft Agent Framework、OpenAI Agents、Agent Development Kit（google-adk、ADK）、LangChain和CrewAI。

Agno

Agno 是一个高性能、轻量级的开源 Python 框架，专为构建和部署多模态 AI 智能体（AI Agent）和多智能体系统而设计。它的核心设计理念是追求极致的速度、简洁性和模型无关性，旨在解决 AI 智能体在生产环境中面临的性能瓶颈、部署复杂和供应商锁定等痛点。

# Agno官网
https://docs.agno.com/

# Github地址
https://github.com/agno-agi/agno

LangChain

LanChain的有Deep Agents (Python)、LangChain (Python)、LangGraph (Python)3个开源项目。

LangGraph是用于构建、管理和部署长期运行、有状态代理的底层基础运行时引擎编排框架。

LangChain 是提供海量组件和线性编排的工具箱，建立在LangGraph 之上，提供海量"零件"让开发更高效。

Deep Agents是自主智能体的"增强套件"（Agent Harness），建立在 LangChain之上的高层封装，旨在开箱即用的构建更强大、更自主的智能体。

# 官网
https://www.langchain.com/

# 官网文档
https://docs.langchain.com/

# GitHub地址
https://github.com/langchain-ai

# Deep Agents
https://docs.langchain.com/oss/python/deepagents/overview

AG2

AG2是从AutoGen中演变而来，微软社区管理维护。AG2（前身为 AutoGen）是一个开源编程框架，旨在构建 AI 智能体，并促进多智能体之间的协作以解决任务。AG2 致力于简化智能体 AI 的开发与研究流程。它提供了一系列核心特性，包括：支持智能体间的相互交互、适配各种大语言模型（LLM）并提供工具使用支持、支持自主运行及人机协同（人在回路）的工作流，以及多种多智能体对话模式。

# AG2-微软社区驱动，官网地址
https://docs.ag2.ai/latest/

# AG2-微软社区驱动，Github地址
https://github.com/ag2ai/ag2

Microsoft Agent Framework

Microsoft Agent Framework是由微软官方维护的智能体框架，它统一了微软的侧重企业稳定集成的 Semantic Kernel 和 侧重前沿多代理编排研究的 AutoGen，旨在为开发者提供更强大、更可靠的企业级开发体验。

# AutoGen-微软社区框架，进入维护，停止更新
https://github.com/microsoft/autogen

# Semantic Kernel-微软官方框架，进入维护，停止更新
https://github.com/microsoft/semantic-kernel

# Microsoft Agent Framework-微软官方框架，融合了AutoGen和Semantic Kernel
https://github.com/microsoft/agent-framework

OpenAI Agents

OpenAI Agents是由OpenAI开源的智能体框架，旨在帮助开发者高效地构建、编排和部署复杂的 AI 智能体应用。它被认为是 OpenAI 早期实验性项目 Swarm 的生产级升级版，提供了更稳定、更安全的企业级功能。

# 官网地址
https://openai.github.io/openai-agents-python/

# Github地址
https://github.com/openai/openai-agents-python

Agen Development Kit（google-adk、ADK）

ADK是由Google开源的智能体开发框架，允许企业规模上构建、调试和部署可靠的AI智能体。它的核心目标是简化 AI 智能体的开发流程，降低开发门槛，让开发者无需从零开始搭建所有底层设施。

# 官网地址
https://adk.dev/

# Github地址
https://github.com/google/adk-python

CrewAI

CrewAI 是领先的开源框架，用于编排自主 AI 智能体并构建复杂的工作流程。它通过将 Crew（智能团队）的协作智能与 Flow（事件流）的精确控制相结合，赋能开发者构建生产就绪的多智能体系统。核心作用是让不同的Agent扮演特定角色，像团队一样分工协作，共同完成复杂的任务

CrewAI Flows（事件流）： 您AI应用的骨架。Flows 允许您创建结构化的、事件驱动的工作流，用于管理状态和控制执行。它们为您的 AI 智能体提供了工作的基础框架。

CrewAI Crews（智能团队）： Flow 内部的工作单元。Crews 是由自主智能体组成的团队，它们相互协作，共同解决由 Flow 委派给它们的特定任务。

# 官网地址
https://docs.crewai.com/

# Github地址
https://github.com/crewAIInc/crewAI

2 简单使用Skill

Agent Skills 是一种轻量级且开放的格式，旨在为 AI 智能体（Agent）扩展新的能力。通过这种方式，可以赋予 AI 特定的专业知识和工作流，让它们能处理更复杂或更专门的任务。

# Agent Skills官网
https://agentskills.io/home

# Agent Skills Github地址
https://github.com/agentskills/agentskills

Deep Agents代码

# 安装依赖
# pip install deepagents
# 用于设置模型
# pip install langchain-openai

from deepagents import create_deep_agent
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver
from deepagents.backends.filesystem import FilesystemBackend

from util.comm import get_skill_path

# 添加记忆
checkpointer = MemorySaver()

# 配置模型
llm = ChatOpenAI(
    # 配置模型
    model="kimi-k2.6",
    # 修改这里指向第三方地址
    base_url="https://api.moonshot.cn/v1",
    # 传入对应的 API Key
    api_key="sk-XXXXX"
)


agent = create_deep_agent(
    model=llm,
    # 使用本地Skill
    backend=FilesystemBackend(root_dir=get_skill_path()),
    skills=[get_skill_path()+"/code-review"],
    interrupt_on={
        "write_file": True,  # Default: approve, edit, reject
        "read_file": False,  # No interrupts needed
        "edit_file": True    # Default: approve, edit, reject
    },
    checkpointer=checkpointer,  # Required!
)

result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "审查 Python 函数:\n\n def calc(x,y): return x+y",
            }
        ]
    },
    # 管理记忆和线程
    config={"configurable": {"thread_id": "12345"}}
)


print(result)