本文系统介绍AI Agent开发知识，涵盖Agent基本概念、LangGraph与Google ADK两大框架的核心特性与应用场景，以及通过多智能体系统解决复杂任务的方法。文章提供完整代码示例，帮助开发者从零构建智能体系统，理解分布式协作机制，适用于大模型应用开发入门与进阶学习。

介绍

今天来介绍下AI Agent相关的知识，本篇文章主要分为三个部分：

1. AI Agent
2. Agent Framework（LangGraph & Google ADK）
3. Multi-Agent System

1、 Agent

1.1 什么是Agent？

AI Agent（人工智能体）是一种具备自主思考、规划和行动能力的智能系统，它主要包括三个部分：

• LLM大模型
• Tools工具
• Prompt提示词

以下所有代码使用 LangGraph 作为示例：

from langgraph.prebuiltimport create_react_agent

def get_weather(city: str)-> str:

"""Get weather for a given city."""

return f"It's always sunny in {city}!"

agent =create_react_agent(

    model="anthropic:claude-3-7-sonnet-latest",

    tools=[get_weather],

    prompt="You are a helpful assistant"

)

# Run the agent

agent.invoke(

{"messages":[{"role":"user","content":"what is the weather in sf"}]}

)

我们定义了get_weather方法作为tool， 使用 claude LLM大模型，"You are a helpful assistant"为提示词，就构成了一个最简单的 Agent 。

2、 Agent Framework

我们来介绍一下LLM Agent的两个框架：

• LangGraph
• Google ADK（Agent Development Kit）

2.1 LangGraph

概述
LangGraph 是由 LangChain 团队开发的 有状态多智能体工作流框架，专为构建复杂、动态的 AI 应用设计。其灵感来源于 Pregel 和 Apache Beam，支持循环流程和细粒度控制，适用于需要长期记忆和人工干预的场景。

核心特性

• 循环与分支

  ：突破传统 DAG 限制，支持循环逻辑（如多轮对话）。

• 持久化状态

  ：自动保存执行状态，支持中断恢复和“人在环”操作。

• 多智能体协作

  ：可构建分层代理系统（如代码生成与测试代理协作）。

• 与 LangChain 集成

  ：兼容 LangChain 生态，但可独立使用。

应用场景

• 客户服务

  ：自动化聊天机器人，处理多轮对话。

• 数据分析

  ：代理协作执行数据检索、清洗与分析。

• 软件开发

  ：如 Uber 用其生成单元测试代码。

代码示例

from langgraph.graph import StateGraph

# 定义状态图并添加节点

graph = StateGraph(State)

graph.add_node("model", llm_model)

graph.add_edge("tools","model")# 工具调用后触发模型

app = graph.compile()# 编译为可执行工作流

2.2 Google ADK (Agent Development Kit)

概述
Google ADK 是 模块化多智能体开发框架，开源且支持 Gemini 等模型，强调灵活部署与多代理协作，适用于企业级自动化任务。

核心特性

• 模块化架构

  ：像“乐高积木”组合代理（如销售、运营代理）。

• 多模型支持

  ：兼容 Gemini、GPT 等，动态选择最优模型。

• 自动任务委派

  ：代理根据能力自动转移任务（如旅行规划中航班/酒店代理协作）。

• Google Cloud 集成

  ：支持 Vertex AI 部署，提供企业级扩展性。

应用场景

• 企业服务

  ：Google 自用的客户服务自动化系统（Agentspace）。

• 实时交互

  ：多模态代理处理音频/视频任务。

• 复杂流程

  ：如动态路由任务至专业化子代理。

代码示例

from google.adk.agents import Agent

# 创建基于 Gemini 的代理

root_agent = Agent(

    model="gemini-2.0-flash-exp",

    tools=[google_search],

    description="Web search assistant"

)

---

对比与选型建议

维度	LangGraph	Google ADK
核心优势	状态管理、循环控制	模块化、多模型与云集成
适用场景	需长期记忆的复杂流程（如客服、开发）	企业级多代理协作（如实时服务）
学习曲线	较高（需理解状态图）	中等（模块化设计降低复杂度）
生态依赖	LangChain 生态	Google Cloud 与 Gemini 生态

3、Multi-Agent System

Multi-Agent系统的出现是为了解决单个智能体在复杂任务中的局限性，通过分布式协作实现更高效率、更强鲁棒性和更灵活的适应性。（鲁棒性（Robustness），又称健壮性或稳健性，是指系统在面临内部参数变化、外部干扰或异常输入时，仍能维持核心功能稳定运行的能力。）

我们的系统是非常复杂的，如果单个Agent专注于多个专业，定义了很多的tools，那Agent的效果会非常差。所以我们需要把任务分级、分解成多个Agent，负责不同的任务，共同组成多智能体系统。

多智能体架构：

旅行多Agent示例：

from langchain_openai importChatOpenAI

from langgraph.prebuiltimportcreate_react_agent

from langgraph_supervisor import create_supervisor

def book_hotel(hotel_name: str):

"""Book a hotel"""

return f"Successfully booked a stay at {hotel_name}."

def book_flight(from_airport: str,to_airport: str):

"""Book a flight"""

return f"Successfully booked a flight from {from_airport} to {to_airport}."

flight_assistant =create_react_agent(

    model="openai:gpt-4o",

    tools=[book_flight],

    prompt="You are a flight booking assistant",

    name="flight_assistant"

)

hotel_assistant =create_react_agent(

    model="openai:gpt-4o",

    tools=[book_hotel],

    prompt="You are a hotel booking assistant",

    name="hotel_assistant"

)

supervisor =create_supervisor(

    agents=[flight_assistant, hotel_assistant],

    model=ChatOpenAI(model="gpt-4o"),

    prompt=(

"You manage a hotel booking assistant and a"

"flight booking assistant. Assign work to them."

)

).compile()

我们定义了两个子 Agent：

• flight_assistant

  航班助手使用book_flight 工具预定航班

• hotel_assistant

  酒店助手使用book_hotel 工具预定酒店

又定义了一个 Supervisor agent ，来管理flight_assistant和hotel_assistant两个子Agent工作。

工作流程：

当我们输入"book a flight from BOS to JFK and a stay at McKittrick Hotel"。 首先会到达 supervisor Agent：

1. supervisor agent

   首先将任务分发给flight_assistant agent预定航班。

2. flight_assistant

   会调用book_flight工具预定航班，完成预定后返回supervisor agent。

3. supervisor agent

   在将任务分发给hotel_assistant agent预定酒店。

4. hotel_assistant agent

   调用book_hotel工具预定酒店，完成预定后返回supervisor agent.

5. supervisor agent

   进行总结，将航班和酒店预定成功信息返回给用户。

GitHub

完整代码已上传Github：

• https://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/multi_agent_travel_hotel
• https://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/sql_agent
• https://github.com/Liu-Shihao/ai-agent-demo/tree/main/src/rag_agent

小白/程序员如何系统学习大模型LLM？

作为在一线互联网企业深耕十余年的技术老兵，我经常收到小白和程序员朋友的提问：“零基础怎么入门大模型？”“自学没有方向怎么办？”“实战项目怎么找？”等问题。难以高效入门。

这里为了帮助大家少走弯路，我整理了一套全网最全最细的大模型零基础教程。涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。免费分享给需要的朋友！

👇👇扫码免费领取全部内容👇👇

1、我们为什么要学大模型？

很多开发者会问：大模型值得花时间学吗？答案是肯定的——学大模型不是跟风追热点，而是抓住数字经济时代的核心机遇，其背后是明确的行业需求和实打实的个人优势：

第一，行业刚需驱动，并非突发热潮。大模型是AI规模化落地的核心引擎，互联网产品迭代、传统行业转型、新兴领域创新均离不开它，掌握大模型就是拿到高需求赛道入场券。

第二，人才缺口巨大，职业机会稀缺。2023年我国大模型人才缺口超百万，2025年预计达400万，具备相关能力的开发者岗位多、薪资高，是职场核心竞争力。

第三，技术赋能增效，提升个人价值。大模型可大幅提升开发效率，还能拓展职业边界，让开发者从“写代码”升级为“AI解决方案设计者”，对接更高价值业务。

对于开发者而言，现在入门大模型，不仅能搭上行业发展的快车，还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位，还是传统行业的AI转型需求，都在争抢具备大模型技术能力的人才。

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

2、大模型入门到实战全套学习大礼包分享

最后再跟大家说几句：只要你是真心想系统学习AI大模型技术，这份我耗时许久精心整理的学习资料，愿意无偿分享给每一位志同道合的朋友。

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

部分资料展示

2.1、 AI大模型学习路线图，厘清要学哪些

对于刚接触AI大模型的小白来说，最头疼的问题莫过于“不知道从哪学起”，没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境，甚至中途放弃。

为了解决这个痛点，我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段，从最基础的入门认知，到核心理论夯实，再到实战项目演练，最后到进阶优化与落地，每一步都明确了学习目标、核心知识点和配套实操任务，带你一步步从“零基础”成长为“能落地”的大模型学习者。后续还会陆续拆解每个阶段的具体学习内容，大家可以先收藏起来，跟着路线逐步推进。

L1级别:大模型核心原理与Prompt

L1阶段： 将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。从A11.0到A12.0的变迁,深入解析大模型与通用人工智能的关系。同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。此外,还涵盖Pvthon基础、提示工程等内容。
目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。

L2级别：RAG应用开发工程

L2阶段： 将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。通过实战项目，提升RAG应用开发能力。

目标与收益: 掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。

L3级别：Agent应用架构进阶实践

L3阶段： 将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的关键技术分析,再到funcation calling与Agent认知框架的深入探讨。同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。

目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。

L4级别:模型微调与私有化大模型

L4级别： 将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。通过chatGlM与Lama3的实战案例,深化理论与实践结合。

目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。

2.2、 全套AI大模型应用开发视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

2.3、 大模型学习书籍&文档

收录《从零做大模型》《动手做AI Agent》等经典著作，搭配阿里云、腾讯云官方技术白皮书，帮你夯实理论基础。

2.4、 AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

2.5、大模型大厂面试真题

整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

2.6、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】