智能体开发实战：平台、框架与工程化

还在为 AI Agent 开发门槛高、落地难发愁？这篇文章一次性打通无代码 / 低代码平台、LangChain Agent、多智能体框架、端侧本地化四大核心路径，从 Coze、Dify 到 CrewAI、Ollama，从快速搭建到深度定制，带你从 0 到 1 掌握智能体全栈开发能力，让 AI Agent 从概念真正落地到业务与应用。

2401_86744994

288人浏览 · 2026-03-06 19:47:19

2401_86744994 · 2026-03-06 19:47:19 发布

Agent、AgentExecutor的创建

1.无代码 / 低代码平台

1. 大模型官方平台

Coze

1.进入扣子编程

2.点击创建即可

3.在模板商店可以看见扣子官方搭建的"扣子应用搭建快速入门"，可以复制到自己的个人空间，在项目开发中查看，可快速入门扣子应用的搭建

OpenAI GPTs

GPTs（Custom GPT）是 OpenAI 推出的、ChatGPT 的零代码定制化版本，普通人无需编程，就能打造专属 AI 助手，也可在 GPT Store 分享 / 使用他人创建的 GPTsOpenAI。

help.openai.com

2. 企业级/开源低代码平台

Dify

Dify 是一款开源、低代码的 LLM 应用开发与 LLMOps 平台，主打可视化编排、多模型兼容、RAG 与工作流，让开发者 / 业务人员快速搭建生产级 AI 应用Dify。

Dify 支持两种使用方式：云服务（无需部署，适合快速体验）和本地部署（适合开发和私有化需求）。

这里我们先说第一种云服务方式，本地部署我们在 4.端侧/本地化Agent再详细展开。

1.打开网址https://cloud.dify.ai/

2.进入页面后，选择适合的登录方式

3.登录后在工作台首页，点击「创建应用」，选择想要创建的应用类型即可

FastGPT

FastGPT 是一款国内开源、低代码、基于大语言模型的 AI 智能体 / 知识库应用开发平台，采用 Apache 2.0 开源协议（支持免费商用），主打开箱即用的 RAG能力，同时具备成熟的 Agent 编排、可视化工作流、多模型兼容与企业级私有化部署能力，是国内生态最完善的 AI 应用低代码开发工具之一，与 Dify、Flowise 同属热门的企业级开源 AI 开发平台。

Flowise

Flowise是一个开源的图形化流程编排工具，利用大语言模型（LLM）的强大能力，帮助用户可视化地设计、构建和管理复杂的 AI 工作流。

2.LangChain之Agent

Agent、AgentExecutor的创建

在 LangChain 中，Agent 是 “决策大脑”，AgentExecutor 是 “执行器”。

因此，我们要知道Agent、AgentExecutor的创建

创建Agent

Agents的类型无非就是两种模式：

Function Calling

React

传统方式：使用AgentType指定.

对于Function模式，有一种典型的AgentType：

AgentType.OPENAI_FUNCTIONS

单轮多工具

对于ReAct 模式，有三种典型的AgentType：

AgentType.ZERO_SHOT_REACT_DESCRIPTION	简单任务、无记忆
AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION	结构化输出 + 记忆
AgentType.CONVERSATIONAL_REACT_DESCRIPTION	会话记忆 + 自然语言对话

通用方式: 使用create_react_agent或create_tool_calling_agent：

Tool Calling中的create_openai_functions_agent 专属 OpenAI 系模型，较常用。

##通用方式创建Agent之create_react_agent
agent = create_react_agent(
llm=llm,
prompt=prompt,
tools=tools
)

##通用方式创建Agent之create_tool_calling_agent
agent = create_tool_calling_agent(
llm = llm,
tools = [search],
prompt = prompt
)

创建AgentExecutor

传统方式：initialize_agent()

##传统方式创建AgentExecutor
agent_executor = initialize_agent(
llm=llm,
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
tools=[search_tool],
verbose=True
)

注意：这是早期 LangChain 为了简化使用提供的 “一键式” 函数，把 Agent 创建和执行器封装在一起。

通用方式：AgentExecutor构造方法

##通用方式创建AgentExecutor
agent_executor = AgentExecutor(
agent=agent,
tools=tools
)

Agent使用举例

以下从两个不同的Agent创建方式举例

注意若遇到版本不兼容的问题，可pip install langchain_classic， langchain_classic是官方推出的实现 LangChain 新版环境对旧版代码的向后兼容的库。

import os
import dotenv
from langchain_classic.agents import create_openai_functions_agent, AgentExecutor
from langchain_community.chat_models import ChatOpenAI
from langchain_community.tools import TavilySearchResults
from langchain_core.tools import Tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

dotenv.load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")

os.environ["TAVILY_API_KEY"] = "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"
search = TavilySearchResults(max_results=3)

# 1.工具
search_tool = Tool(
    name="search_tool",
    func=search.run,
    description="用于互联网信息的检索，比如查询实时天气、最新新闻、股票数据等需要联网获取的信息"
)

# 2. 定义工具集
tools = [search_tool]

# 3. 初始化大模型（GPT-4o-mini）
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,  # 温度0保证回答稳定
    verbose=True
)

# 4. 定义Agent的Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，擅长使用工具解决用户问题。如果需要获取实时信息，必须调用search_tool123工具。"),
    ("user", "{input}"),  
    MessagesPlaceholder(variable_name="agent_scratchpad"),  # Agent思考过程占位符
])

# 5. 创建OpenAI Functions Agent
agent = create_openai_functions_agent(llm, tools, prompt)

# 6. 创建Agent执行器
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  
    handle_parsing_errors=True  
)

# 7. 调用Agent查询天气
result = agent_executor.invoke({"input": "北京明天的天气怎么样？"})
print("\n最终回答：", result["output"])

#1.导入相关包
import os
import dotenv
from langchain_classic.agents import AgentExecutor
from langchain_classic.agents.react.agent import create_react_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import PromptTemplate
from langchain_core.tools import Tool
from langchain_openai import ChatOpenAI


dotenv.load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")

#2.搜索化工具
os.environ["TAVILY_API_KEY"] = "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"  # 需要替换为你的 Tavily API 密钥

search = TavilySearchResults(max_results=1)
search_tool = Tool(
    name="search_tool",
    func=search.run,
    description="用于互联网信息的检索"
)


tools = [search_tool]

#3.提供大模型
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0,
)
#4.提供提示词模板
template = '''Answer the following questions as best you can. You have access to the following tools:
            {tools}

            Use the following format:

            Question: the input question you must answer
            Thought: you should always think about what to do
            Action: the action to take, should be one of [{tool_names}]
            Action Input: the input to the action
            Observation: the result of the action
            ... (this Thought/Action/Action Input/Observation can repeat N times)
            Thought: I now know the final answer
            Final Answer: the final answer to the original input question

            Begin!

            Question: {input}
            Thought:{agent_scratchpad}'''
prompt_template = PromptTemplate(
    template=template,
)

#5.创建Agent
agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=prompt_template,
)

#6.创建AgentExecutor
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  #显示详情
    handle_parsing_errors=True
)

#7.调用
agent_executor.invoke({"input": "明天北京的天气情况如何？"})

3.多智能体框架

当你需要一个Agent团队协作（例如：一个写代码，一个审代码，一个测试）时使用。

CrewAI

CrewAI 是基于 LangChain 的开源 Python 多智能体协作框架，主打角色化 AI 团队自动协作，让多个 Agent 像真人团队一样分工、沟通、委派任务，搞定复杂任务（如写报告、做研究、开发软件）。

可参考官方文档：

https://docs.crewai.com/

代码示例：

import os

from crewai import Agent,Task,Crew,Process,LLM
from dotenv import load_dotenv
load_dotenv()

llm = LLM(
    model = os.getenv('OPENAI_MODEL'),
    base_url = os.getenv('OPENAI_BASE_URL'),
    api_key = os.getenv('OPENAI_API_KEY1'),
)



# 2. 定义 Agent
researcher = Agent(
    role="资深AI研究员",
    goal="收集2026年多Agent框架最新趋势",
    backstory="10年AI行业研究，擅长技术趋势分析",
    llm = llm,
    verbose=True
)

writer = Agent(
    role="技术作家",
    goal="把研究结果写成清晰报告",
    backstory="擅长技术内容创作，语言简洁易懂",
    llm = llm,
    verbose=True
)

# 3. 定义任务
task1 = Task(
    description="调研CrewAI、AutoGPT、LangGraph最新动态",
    agent=researcher,
    expected_output="3页技术趋势摘要"
)

task2 = Task(
    description="基于调研写一份《2026多Agent框架报告》",
    agent=writer,
    expected_output="完整报告，含结论与建议"
)

# 4. 组建团队并运行
crew = Crew(
    agents=[researcher, writer],
    tasks=[task1, task2],
    process=Process.sequential,
    verbose=True
)
result = crew.kickoff()
print(result)