优秀的LLM智能体框架

这是一份精心整理的优秀LLM框架和智能体开发工具列表。如果您有任何建议，欢迎随时提交问题或拉取请求。（最后更新：2026-04-12）

框架

• CrewAI - 用于编排角色扮演型AI智能体的框架

  48,635 颗星 · 6,640 次叉分 · 284 位贡献者 · 517 个问题 · Python · MIT 许可证

  • 基于角色的智能体设计
  • 多智能体协作
  • 灵活的记忆系统
  • 内置错误处理机制

• Langchain - 通过组合性构建基于LLM的应用程序

  133,206 颗星 · 22,001 次叉分 · 469 位贡献者 · 514 个问题 · Python · MIT 许可证

  • 模块化且可扩展的架构
  • 统一的LLM接口
  • 预建的智能体工具包
  • CSV、JSON和SQL智能体
  • 与Python和Pandas集成
  • 向量存储能力

• Microsoft AutoGen - 用于构建多智能体对话系统的框架

  56,975 颗星 · 8,568 次叉分 · 445 位贡献者 · 764 个问题 · Python · CC-BY-4.0 许可证

  • 多智能体架构
  • 可定制的智能体
  • 支持代码执行
  • 灵活的人工参与
  • 高级对话管理

• OpenManus - 开源AI智能体平台，用于构建通用智能体

  55,706 颗星 · 9,722 次叉分 · 53 位贡献者 · 542 个问题 · Python · MIT 许可证

  • 模块化的自定义架构
  • 数据分析与可视化智能体
  • 强化学习集成（OpenManus-RL）
  • 无需邀请码
  • 由MetaGPT贡献者构建

• Llama Index - 面向LLM应用的数据框架

  48,507 颗星 · 7,188 次叉分 · 474 位贡献者 · 273 个问题 · Python · MIT 许可证

  • 高级索引与检索
  • 支持160多种数据源
  • 可定制的RAG工作流
  • 结构化数据处理
  • 查询优化

• Microsoft Semantic Kernel - 用于AI模型集成的框架

  27,687 颗星 · 4,544 次叉分 · 393 位贡献者 · 470 个问题 · C# · MIT 许可证

  • 企业级安全性
  • 多语言支持
  • 插件式架构
  • 负责任的AI特性
  • 内存管理

• Dify - 开源LLM应用框架

  137,308 颗星 · 21,489 次叉分 · 461 位贡献者 · 916 个问题 · TypeScript · NOASSERTION 许可证

  • 可视化提示编排
  • 长上下文集成
  • 基于API的开发
  • 多模型支持
  • RAG管道

• Haystack - 端到端NLP框架

  24,810 颗星 · 2,707 次叉分 · 335 位贡献者 · 118 个问题 · MDX · Apache-2.0 许可证

  • 文档处理
  • 神经搜索
  • 问答系统
  • 语义搜索
  • 智能体功能

• Embedchain - 类似ChatGPT的聊天机器人框架

  52,696 颗星 · 5,913 次叉分 · 296 位贡献者 · 217 个问题 · Python · Apache-2.0 许可证

  • 多源数据摄入
  • 自动嵌入
  • 上下文窗口管理
  • 多种LLM支持
  • RAG优化

• Google ADK - 用于构建、评估和部署AI智能体的Agent Development Kit

  18,880 颗星 · 3,207 次叉分 · 259 位贡献者 · 754 个问题 · Python · Apache-2.0 许可证

  • 以代码为中心的开发方式
  • 模块化的多智能体系统
  • 不依赖特定模型或部署环境
  • 内置开发者UI（adk-web）
  • 可在Cloud Run或Vertex AI上部署

• SuperAGI - 开源自主AI智能体框架

  17,434 颗星 · 2,198 次叉分 · 62 位贡献者 · 236 个问题 · Python · MIT 许可证

  • 可定制的智能体工作流
  • 工具创建框架
  • 性能监控
  • 资源管理
  • 多向量内存存储

• Kiln AI - 用于构建AI产品（包括智能体、评估、RAG系统和微调）的工具集

  4,745 颗星 · 352 次叉分 · 12 位贡献者 · 55 个问题 · Python · NOASSERTION 许可证

  • 免费桌面应用程序，支持无代码开发
  • 评估框架
  • RAG系统构建
  • 合成数据生成
  • 智能体开发工具

• AGiXT - 可扩展的AI智能体框架

  3,167 颗星 · 440 次叉分 · 41 位贡献者 · 1 个问题 · Python · MIT 许可证

  • 多提供商支持
  • 思维链处理
  • 可扩展的插件系统
  • 命令链
  • 包含Web UI

• XAgent - 自主的基于LLM的智能体框架

  8,519 颗星 · 901 次叉分 · 33 位贡献者 · 60 个问题 · Python · Apache-2.0 讳证

  • 类似人类的规划能力
  • 自主的任务分解
  • 工具学习能力
  • 高级错误恢复
  • 内置动作验证

• Neurolink - 多提供商AI智能体框架，具备工作流编排能力，统一了12家以上提供商（OpenAI、Google、Anthropic、AWS、Azure、Groq、Together AI、Mistral、Cohere、Fireworks、Cloudflare、Ollama）

  121 颗星 · 99 次叉分 · 58 位贡献者 · 264 个问题 · TypeScript · MIT 许可证

  • 多智能体框架，带工作流编排
  • 统一的12家以上AI提供商接口
  • 边缘优先架构，支持本地/云端部署
  • 生产级流式传输和工具调用
  • 在Juspay经过实战检验（每月1500万+次请求）

• OpenAgents - 面向语言智能体的开放平台

  4,756 颗星 · 525 次叉分 · 16 位贡献者 · 13 个问题 · Python · Apache-2.0 讳证

  • 数据分析能力
  • 网页浏览集成
  • 编程辅助
  • 插件生态系统
  • 交互式可视化

• AI Legion - 自主智能体群集框架

  1,428 颗星 · 175 次叉分 · 6 位贡献者 · 9 个问题 · TypeScript · MIT 讳证

  • 多智能体协调
  • 动态任务分配
  • 支持涌现行为
  • 灵活的智能体角色
  • 实时协作

• Agent Protocol - AI智能体的统一接口

  1,458 颗星 · 180 次叉分 · 14 位贡献者 · 45 个问题 · Python · MIT 讝证

  • 标准化通信
  • 语言无关的设计
  • 工具集成规范
  • 专注于互操作性
  • 协议版本管理

• Agents.js - 用于构建AI智能体的JavaScript框架

  • 浏览器原生实现
  • 基于事件的架构
  • 工具抽象层
  • 内存管理
  • 实时处理- Cache-to-Cache - 一种新颖范式，通过KV缓存实现LLM之间的直接语义通信

87 颗星 · 6 次叉开 · 2 名贡献者 · 2 个问题 · Python · Apache-2.0

• 通过 KV 缓存实现直接语义通信
• 多智能体系统集成
• 神经缓存投影与融合- CAMEL - 用于“心智”探索的沟通型智能体

14,875 颗星 · 1,638 次叉开 · 171 名贡献者 · 599 个问题 · Python · Apache-2.0

• 角色扮演框架

• 任务导向对话

• 多智能体对话

• 行为分析

• 认知架构- BabyAGI - 轻量级 AI 任务管理框架

• 任务优先级排序

• 自主执行

• 内存持久化

• 目标导向规划

• 资源优化- Autonomous-GPT - 用于自主 GPT-4 智能体的框架

179,412 颗星 · 46,089 次叉开 · 433 名贡献者 · 273 个问题 · Python · NOASSERTION

• 接入互联网能力
• 长期记忆
• 目标导向行为
• 文件操作
• 命令执行- MetaGPT - 用于软件开发的多智能体框架

59,615 颗星 · 7,299 次叉开 · 115 名贡献者 · 57 个问题 · Python · MIT

• 基于角色的开发
• 代码生成
• 项目管理
• 文档编写
• 测试自动化- GenoMAS - 用于科学发现和自动化数据分析的多智能体框架

123 颗星 · 19 次叉开 · 1 名贡献者 · 0 个问题 · Python · MIT

• 引导式规划框架

• 类型化的消息传递协议

• 异构 LLM 架构

• 领域无关设计

• 科学工作流自动化- minions - 可扩展的 AI 助手框架

• 自定义行为定义

• 工具集成

• 状态管理

• 事件处理

• 并行执行- ix - 自主智能体框架

1,037 颗星 · 129 次叉开 · 5 名贡献者 · 14 个问题 · Python · MIT

• 可视化工作流构建器
• 沙盒环境
• 工具集成
• 过程监控
• 智能体协作- saplings - 使用树搜索构建更智能的智能体

269 颗星 · 17 次叉开 · 4 名贡献者 · 0 个问题 · Python · Apache-2.0

• 提升推理能力
• 支持流行的搜索算法
• 极简设置，仅需两行代码- Smolagents - 用于构建强大智能体的极简框架

24,406 颗星 · 2,180 次叉开 · 189 名贡献者 · 327 个问题 · Python · Apache-2.0

• 以代码为中心的方法
• 多智能体编排
• LLM 提供商灵活性
• 工具集成
• Hub 集成便于分享- Flowise - 用于构建 LLM 流程的拖放式 UI 框架

47,784 颗星 · 23,485 次叉开 · 268 名贡献者 · 747 个问题 · TypeScript · NOASSERTION

• 可视化流程构建器
• 自定义 LLM 集成
• API 生成
• 认证支持
• Docker 部署- Pydantic AI - 基于 Pydantic 构建的生产级智能体框架

14,433 颗星 · 1,568 次叉开 · 348 名贡献者 · 478 个问题 · Python · MIT

• 类型安全开发
• 多模型支持
• 结构化响应
• 依赖注入
• Logfire 集成- Upsonic - 支持 MCP 的可靠智能体框架

7,778 颗星 · 717 次叉开 · 35 名贡献者 · 8 个问题 · Python · MIT

• 易于激活的可靠性层
• 模型上下文协议 (MCP)
• 集成浏览器使用和计算机使用
• 隔离环境运行智能体
• 任务中心设计- EvoAgentX - 构建自我进化的人工智能生态系统

2,608 颗星 · 217 次叉开 · 24 名贡献者 · 13 个问题 · Python · NOASSERTION

• 易于自定义智能体和工作流
• 工作流优化与自我进化
• 集成了智能体/工作流进化算法
• 执行工具包- Portia AI - 开源框架，用于构建可预测、可控且经过认证的智能体。

1,141 颗星 · 101 次叉开 · 26 名贡献者 · 44 个问题 · Python · NOASSERTION

• 结构化规划
• 带状态执行
• 人机协作控制
• 内置认证的工具目录
• 支持 MCP- Agentic Radar - 用于智能体工作流的安全扫描器

848 颗星 · 106 次叉开 · 8 名贡献者 · 10 个问题 · Python · Apache-2.0

• 扫描智能体工作流源代码
• 查找漏洞 (CVE 和 OWASP)
• 生成交互式报告
• 提供建议修复步骤
• 支持流行的智能体工作流- AgentFlow - 具有流程内优化功能的可训练多智能体框架

1,477 颗星 · 190 次叉开 · 4 名贡献者 · 7 个问题 · Python · MIT

• 四个专业模块（规划者、执行者、验证者、生成者）
• Flow-GRPO 强化学习
• 工具集成（数学、编程、科学、搜索）
• 斯坦福大学研究项目
• 性能优于单体方法- Mastra - 带助手、RAG 和可观测性的 TypeScript AI 智能体框架

20,636 颗星 · 1,483 次叉开 · 297 名贡献者 · 366 个问题 · TypeScript · NOASSERTION

• 类型安全开发
• 多模型支持及路由器（GPT-4、Claude、Gemini、Llama）
• 结构化响应
• API 生成
• MCP 生成
• 工具集成- Flappy - 生产就绪的 LLM 智能体 SDK

307 颗星 · 23 次叉开 · 7 名贡献者 · 10 个问题 · Rust · Apache-2.0

• 生产级可靠性
• 类型安全的智能体开发
• 多语言支持
• 性能优化
• 开发者友好的 SDK- CleverBee - 具有网页浏览能力的深度科研助理智能体

309 颗星 · 16 次叉开 · 2 名贡献者 · 1 个问题 · Python · AGPL-3.0

• 通过 Chainlit 提供交互式 Web UI
• 支持外部集成的 MCP 工具
• 多 LLM 研究（可配置 LLM）
• 使用 Playwright 自动浏览网页
• 代币跟踪和成本估算- RAI - 基于 ROS 2 的机器人用智能体框架

484 颗星 · 65 次叉开 · 24 名贡献者 · 63 个问题 · Python · Apache-2.0

• ROS 2 集成

• 复杂动作执行

• 基于场景的测试

• 支持语音交互

• 供应商无关的架构

• Floom - AI 网关和智能体/管道市场

  44 颗星 · 4 次叉开 · 2 名贡献者 · 0 个问题 · C# · MIT

  • AI 管道编排
  • 智能体市场集成
  • Kubernetes 风格架构
  • 简化 AI 集成
  • DevOps 友好的部署

• CoreAgent - 极简代理框架，支持有状态工具

  25 颗星 · 3 次叉开 · 2 个问题 · Python

  • 简洁优先的设计
  • 支持有状态工具
  • 多代理协调
  • 共享状态管理
  • 内置工具库- Project Alice - 用于构建和部署代理式工作流的框架与平台

  253 颗星 · 34 次叉开 · 1 名贡献者 · 1 个问题 · Python · BSD-3-Clause

  • 无代码与编码界面
  • 可视化工作流构建器
  • 提供实时演示
  • 工作流部署平台
  • 处于 Alpha 阶段开发- AgentSquare - 在模块化设计空间中自动搜索 LLM 代理

  199 颗星 · 14 次叉开 · 10 个问题 · HTML

  • 模块进化与重组
  • 规划、推理、工具使用、记忆模块
  • 自适应代理搜索框架
  • 统一框架适用于六种代理任务
  • 清华大学研究项目- Flock - 使用黑板架构和类型化契约进行声明式多代理 LLM 协调

  87 颗星 · 9 次叉开 · 9 名贡献者 · 15 个问题 · Python · MIT

  • 黑板协调模式
  • 轻松编排复杂模式，如多输出扇出
  • 流畅的开发者体验——只需几行代码即可编写复杂流程
  • 代理遵循严格契约，而非脆弱的自然语言提示
  • 生产级可观测性与零信任安全模型- hcom - 让 AI 代理跨终端相互发送消息、监视并创建彼此

  189 颗星 · 24 次叉开 · 3 名贡献者 · 4 个问题 · Rust · MIT

  • 适用于 Claude Code、Gemini CLI、Codex CLI 和 OpenCode
  • 代理在回合中相互通信，检测文件编辑冲突，读取对话记录
  • 代理可查看终端屏幕，订阅活动，并相互创建/分叉/恢复
  • TUI 控制面板、通过 MQTT 的跨设备中继、Python API
  • 多代理工作流脚本：辩论、集成精炼、代码审查监视器
  • 只需在现有工具命令前加上 hcom 前缀即可

• everyrow - 基于 AI 的数据操作 SDK，用于在 pandas DataFrame 上运行 LLM 代理

  29 颗星 · 3 次叉开 · 12 名贡献者 · 3 个问题 · Python · MIT

  • 使用自然语言筛选、排序、去重、合并行
  • 按行应用网络研究代理
  • 可扩展至数万行
  • 集成 Claude Code

• Axar - 极简 TypeScript 代理框架，用于构建生产就绪的 LLM 应用程序

  157 颗星 · 14 次叉开 · 7 名贡献者 · 4 个问题 · TypeScript · Apache-2.0

  • 强类型代理架构，提供一流的 TypeScript 支持
  • 基于装饰器的 API，用于定义代理、工具和工作流
  • 内置结构化 I/O 和验证（基于 Zod）
  • 轻量级、面向生产的設計
  • 易于与 OpenAI、Anthropic、Gemini 等模型集成

• PraisonAI - 具有自我反思功能的生产就绪多 AI 代理框架

  6,905 颗星 · 1,053 次叉开 · 35 名贡献者 · 56 个问题 · Python · MIT

  • 通过 LiteLLM 支持 100 多种 LLM
  • 集成 MCP 协议
  • 代理式工作流（路由、并行、循环、重复）
  • 内置记忆（短期、长期、实体）
  • 自我反思以提升响应质量
  • 同时提供 Python 和 JavaScript SDK

• Tambo - 用于构建具有生成式 UI 和 MCP 支持的 AI 驱动应用的 React 框架

  11,117 颗星 · 560 次叉开 · 57 名贡献者 · 49 个问题 · TypeScript · MIT

  • 用于 AI 驱动 UI 组合的组件库
  • 集成 Model Context Protocol (MCP)
  • 以 TypeScript 为首，完全类型安全
  • 兼容 SSR（Next.js、Remix 等）

• OpenAgents - 开源平台，用于构建具有多协议通信和编排能力的 AI 代理网络

  3,117 颗星 · 297 次叉开 · 19 名贡献者 · 58 个问题 · Python · Apache-2.0

  • 多协议支持：WebSocket、gRPC、HTTP、MCP、A2A
  • 多代理编排，支持集中式和去中心化拓扑结构
  • 兼容 Model Context Protocol (MCP) 和 Agent-to-Agent (A2A) 协议
  • PyPI 上提供 Python SDK

• Cordum - 安全第一的代理编排平台，具备预调度策略评估和 MCP 服务器支持

  461 颗星 · 22 次叉开 · 5 名贡献者 · 17 个问题 · Go · NOASSERTION

  • 预调度安全策略评估
  • 输出扫描与隔离
  • 作业调度与工作流引擎
  • MCP 服务器集成
  • gRPC 安全内核

• AgentField - 具有加密身份的 AI 后端开源基础设施

  1,405 颗星 · 226 次叉开 · 22 名贡献者 · 85 个问题 · Go · Apache-2.0

  • W3C DIDs 为每个代理提供加密身份
  • 引导式自主：代理在政策范围内自由推理
  • 异步原生执行，适用于运行数分钟到数天的工作流
  • 无需预先联合即可实现跨代理发现和 RPC
  • 内置内存织物，支持向量搜索

• DeepAnalyze - 用于自主数据科学的代理式 LLM

  3,982 颗星 · 644 次叉开 · 12 名贡献者 · 26 个问题 · Python · MIT

  • 无预定义工作流的代理式 LLM
  • 自主编排与适应性优化
  • 基于课程体系的代理式训练，应用于真实环境
  • 支持的数据任务：数据准备、分析、建模、可视化和报告
  • 支持的数据研究：对非结构化、半结构化和结构化数据的深入研究

• agent-opt - 开源优化引擎，用于迭代式提示优化和代理工作流动态性能提升

  51 颗星 · 3 次叉开 · 3 名贡献者 · 0 个问题 · Python · NOASSERTION

  • 六种优化算法：随机、贝叶斯、ProTeGi、元提示、PromptWizard、GEPA
  • 通过启发式指标和 LLM 作为评判者灵活评估
  • 可通过 LiteLLM 与任何 LLM 提供商合作
  • 为自定义优化器和评估者提供干净的抽象层
  • 内置日志记录、进度跟踪和可重复实验- Agent OS - 以安全为先的内核，采用 POSIX 风格原语管理自主 AI 代理

  68 颗星 · 20 次叉开 · 14 名贡献者 · 0 个问题 · Python · MIT

  • 具有违规保障的策略引擎
  • 资源配额和审计日志
  • 与 CrewAI、LangChain、AutoGen、Semantic Kernel 等集成
  • 支持 MCP 服务器- AgentMesh - 用于多代理生态系统的安全信任层，采用零信任治理

18 颗星 · 6 次叉指 · 4 名贡献者 · 0 个问题 · Python · MIT

• Ed25519 加密代理身份

• 有界深度的委托链

• 适用于 Flask/FastAPI 的 HTTP 信任中间件

• 兼容 A2A 协议

• Quorum - 用于结构化辩论的多智能体 AI 讨论系统

  85 颗星 · 9 次叉指 · 1 名贡献者 · 0 个问题 · Python · NOASSERTION

  • 7 种讨论方法：标准式、牛津式、苏格拉底式、德尔菲式、头脑风暴式、权衡式、辩护式
  • 多阶段共识：独立作答、批判、讨论、综合
  • 支持 Claude、GPT、Gemini、Grok 以及本地 Ollama 模型
  • 终端 UI，支持实时流式输出
  • 自动发现本地 Ollama 模型

• auto-co - 自主 AI 公司操作系统 包含 14 个专业角色代理，可端到端运营一家初创公司

  29 颗星 · 6 次叉指 · 1 名贡献者 · 0 个问题 · TypeScript · MIT

  • 14 个专家角色代理：CEO（贝索斯）、CTO（沃格尔斯）、批评家（芒格）、CFO、市场专员、工程师、质量保证、DevOps 等
  • 持续的 Bash 循环 — 代理们自主辩论、决策并部署实际应用
  • 使用共享 Markdown 共识文件作为跨周期的接力棒
  • 仅在遇到真正阻碍时才通过 Telegram 上报给人类处理
  • 该仓库实际上是一家正在运行的公司：已构建了自己的落地页、Docker 架构及监控系统，历经 13 个自主循环

Awesome LLM Agents 快速上手指南

awesome-llm-agents 并非一个单一的可安装软件库，而是一个精选的 LLM Agent 框架与开发工具清单。本指南将帮助您根据项目需求选择合适的框架，并提供主流框架的快速启动方法。

1. 环境准备

在开始之前，请确保您的开发环境满足以下通用要求：

• 操作系统: Linux, macOS 或 Windows (WSL2 推荐)
• Python 版本: 大多数框架要求 Python 3.9 - 3.11
• 包管理器: pip (建议升级至最新版) 或 conda
• API Key: 准备好所需大模型服务商的 API Key (如 OpenAI, Anthropic, 或国内的大模型平台)

前置依赖安装：

# 升级 pip
python -m pip install --upgrade pip

# 安装基础虚拟环境工具 (推荐)
pip install virtualenv

2. 选择与安装框架

由于该列表包含多个独立框架，请根据您的场景选择其中一个进行安装。以下是列表中几个最主流框架的安装命令（优先使用官方源，国内用户如遇网络问题可配置清华/阿里镜像）：

场景 A：多智能体协作与角色扮演 (推荐：CrewAI / MetaGPT)

适用于需要多个 AI 角色协同完成复杂任务的场景。

安装 CrewAI:

pip install crewai
# 国内加速
pip install crewai -i https://pypi.tuna.tsinghua.edu.cn/simple

安装 MetaGPT:

pip install metagpt

场景 B：应用开发与链式调用 (推荐：LangChain / LlamaIndex)

适用于构建 RAG 应用、连接多种数据源和模型。

安装 LangChain:

pip install langchain langchain-community langchain-core

安装 LlamaIndex:

pip install llama-index

场景 C：可视化低代码开发 (推荐：Dify / Flowise)

适用于希望通过 UI 界面拖拽构建工作流的开发者。

部署 Dify (推荐使用 Docker):

git clone https://github.com/langgenius/dify.git
cd dify/docker
docker compose up -d

场景 D：轻量级与代码优先 (推荐：Smolagents / AutoGen)

适用于快速原型验证或微软生态集成。

安装 Microsoft AutoGen:

pip install pyautogen

安装 Smolagents:

pip install smolagents

3. 基本使用示例

以下展示两个最具代表性框架的最小化运行代码。

示例 1：使用 CrewAI 创建简单的多智能体团队

此示例创建一个研究员和一个撰写员，协同完成一项任务。

from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI
import os

# 设置 API Key (支持国内兼容 OpenAI 协议的模型)
os.environ["OPENAI_API_KEY"] = "your-api-key"
os.environ["OPENAI_API_BASE"] = "https://api.your-provider.com/v1" # 可选：国内中转地址

# 定义代理 (Agent)
researcher = Agent(
  role='高级技术研究员',
  goal='深入挖掘 AI 领域的最新趋势',
  backstory='你是一位拥有 10 年经验的资深技术分析师，擅长从海量信息中提取核心价值。',
  verbose=True,
  allow_delegation=False
)

writer = Agent(
  role='技术博客作者',
  goal='将复杂的技术概念转化为通俗易懂的文章',
  backstory='你是一位知名的科技博主，擅长用生动的语言解释技术原理。',
  verbose=True,
  allow_delegation=False
)

# 定义任务 (Task)
task1 = Task(
  description='调研 2026 年 LLM Agent 的发展趋势，列出三个关键点。',
  expected_output='包含三个关键趋势的列表。',
  agent=researcher
)

task2 = Task(
  description='根据调研结果，写一篇简短的博客摘要。',
  expected_output='一篇 200 字左右的博客摘要。',
  agent=writer
)

# 组建团队并执行
crew = Crew(
  agents=[researcher, writer],
  tasks=[task1, task2],
  process=Process.sequential
)

result = crew.kickoff()
print("######################")
print(result)

示例 2：使用 LangChain 构建简单的问答链

此示例展示如何快速连接模型并进行对话。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
import os

# 配置环境变量
os.environ["OPENAI_API_KEY"] = "your-api-key"

# 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的 AI 助手。"),
    ("user", "{input}")
])

# 构建链
chain = prompt | llm | StrOutputParser()

# 执行
response = chain.invoke({"input": "请用一句话解释什么是 LLM Agent？"})
print(response)

示例 3：使用 Dify (可视化操作)

Dify 无需编写代码即可上手：

1. 在浏览器访问 http://localhost:3000 (如果您通过 Docker 部署)。
2. 注册管理员账号。
3. 在“设置”中配置您的模型供应商（支持 Azure, OpenAI, 以及国内多家大模型）。
4. 点击“创建应用”，选择“聊天助手”或"Agent"模式。
5. 在可视化界面中添加“提示词”、“知识库”或“工具”，点击“运行”即可测试。