https://github.com/taishan1994/agent-handbook

Agent学习笔记。
https://github.com/taishan1994/agent-handbook

agent-2-agent cot mcp pocketflow react reflection

Last synced: 5 months ago
JSON representation

Agent学习笔记。

• Host: GitHub
• URL: https://github.com/taishan1994/agent-handbook
• Owner: taishan1994
• License: mit
• Created: 2025-11-10T07:40:25.000Z (7 months ago)
• Default Branch: main
• Last Pushed: 2025-12-29T07:52:12.000Z (6 months ago)
• Last Synced: 2026-01-01T05:16:32.390Z (5 months ago)
• Topics: agent-2-agent, cot, mcp, pocketflow, react, reflection
• Language: Python
• Homepage:
• Size: 20.5 MB
• Stars: 2
• Watchers: 0
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
# Agent-Handbook

Agent学习笔记。

- pocketflow-handbook：使用Pocketflow的官方仓库及示例，构建基础的学习课程。基本上如果对pocketflow比较了解了，后续再去学习langchain或者langgraph等其它的框架就会更简单。

- pocketflow-adp：基于google的书籍《agentic-design-patterns》，使用pocketflow实现书中不同章节的代码。

- pocketflow-leetcode：构建一个可以自动写leetcode和测试i的智能体。

- anthropic-article：学习anthropic发布的有关智能体的文章。

- pocketflow-law-tag-agent：一个基础的RAG框架，后续优化方法可以基于这个框架进行尝试。

- mini-agents：对Minimax的Mini-Agents进行拆解，包括工具的使用、mcp的使用、skills的使用以及构建一个可以执行工具、mcp和skills的agent。

# 配套文章

- [一份全面的Agent学习资料，看完了我不信你还不会](https://mp.weixin.qq.com/s/acJA87ciZqxXh07y5cf8Bg)

- [从零开始构建一个会写leetcode的Agent](https://mp.weixin.qq.com/s/CONB6qRcgYD_RhXzMS_eqw)

- [终于弄懂了提示词，提示工程和上下文工程](https://mp.weixin.qq.com/s/iAR5EuMqYpMU-BRK3nNjqQ)

- [25种LLM部署框架你知道多少？](https://mp.weixin.qq.com/s/XEOFUt7wXZm7ZtDcVDls2A)

- [Agent评测之使用opencompass评测大模型的基础能力](https://mp.weixin.qq.com/s/I3s3Fei0wA-TsRnpSogDtQ)

- [Agent评测之使用大海捞针评估大模型的上下文长度](https://mp.weixin.qq.com/s/QSQDkLI0xECZeE0yHJiQjQ)

- [基于大语言模型的智能体优化综述](https://mp.weixin.qq.com/s/FZl2l47TQ98U53MLZA4z6Q)

- [基于大语言模型的智能体评估综述](https://mp.weixin.qq.com/s/YalQ1xrfpMRKPZUeFrvnag)

- [【search-o1】大模型的推理](https://mp.weixin.qq.com/s/ISE2k87aiBi4i67wXH1how)

- [【search-o1】利用RAG进行检索问答](https://mp.weixin.qq.com/s/Eucfjn99wDpcmFmACgywUQ)

- [【search-o1】利用Agent结合搜索引擎进行问答](https://mp.weixin.qq.com/s/MHc3BdigVvd-oW3Szm2zrQ?poc_token=HJWiz2ijBMxKCEMq2xkCyo8jRJap4chTd0k5vHct)

- [【search-o1】使用search-o1方法进行智能检索问答](https://mp.weixin.qq.com/s/Um6NKMtypvF2cq7-D_Ya1A)

- [mini-langchain-chatglm：五分钟实现基于知识的问答](https://mp.weixin.qq.com/s/8qUv2XIzeK36RO9QEUJA3A)

# Agent框架对比

**主流 AI Agent 框架优缺点对比（截至 2025 年 11 月）**

| 框架 | 优点 | 缺点 |

|------|------|------|

| **OpenAI Agents SDK** | - 轻量级、设计简洁
- 原语清晰（Agent 与 Handoff）
- 支持全面的跟踪功能
- 适合快速构建生产级多智能体系统
- 拥有活跃社区（GitHub 1.1万星） | - 对非 OpenAI 模型（如开源或竞品）支持有限
- 生态目前不如 LangChain 等成熟 |

| **AutoGen（Microsoft Research）** | - 开创了多智能体“群聊”模式
- 支持高度灵活的协作模式
- 适合研究与原型开发 | - 缺乏原生记忆支持
- 扩展性弱
- 企业级部署需额外集成
- 更适合小规模研究项目，不适合大规模生产 |

| **Microsoft Agent Framework (MAF)** | - 融合 AutoGen 与 Semantic Kernel 的长处
- 提供图式工作流、强类型接口
- 支持企业级功能（安全、可观测性）
- 支持 .NET 与 Python | - 相对较新，社区生态尚在建设中
- 学习曲线略陡 |

| **CrewAI** | - 完全从零构建、轻量快速
- 强调“角色-目标-任务”驱动的协作
- 可独立于 LangChain
- 适合构建结构化团队式智能体 | - 生态较新，工具链和可视化支持较少
- 不适合需要复杂流程编排的场景 |

| **Google ADK（Agent Development Kit）** | - 提供开发者 UI、CLI、调试工具链完整
- 支持 Google Agent Protocol
- 便于集成 Google 生态（如 Search、Gemini） | - 内置工具限制多（如每个 Agent 只能绑定一个内置工具）
- 深度绑定 Gemini，跨模型迁移困难 |

| **MetaGPT** | - 模拟软件公司工作流
- 擅长从单行需求生成完整项目代码
- 适合工程类多智能体协作 | - 依赖 asyncio
- 缺乏可视化构建器
- 对非技术用户不友好 |

| **Haystack Agents（deepset）** | - 围绕 RAG 构建
- 模块化强
- 适合企业级 NLP 应用（如智能搜索、文档处理） | - 通用智能体编排能力较弱
- 不如 AutoGen / CrewAI 等专为多智能体设计的框架灵活 |

| **Claude Agent SDK（Anthropic）** | - 专为 Claude 模型优化
- 支持 MCP 工具协议
- 适合构建生产级编码智能体 | - 仅支持 Claude 系列模型
- 目前仅提供 Python 版本
- 长上下文需手动压缩 |

| **Crawl4AI / Crawl4AI** | - 专为 LLM 优化的网页抓取框架
- 异步高性能
- 输出结构化 Markdown
- 适合构建 Web 数据摄入管道 | - 并非通用智能体框架
- 是特定于数据采集的工具，需与其他框架配合使用 |

| **LlamaIndex（Agents & LlamaAgents）** | - 在 RAG 场景下表现卓越
- 数据连接器丰富
- 文档和社区活跃 | - 聚焦数据检索而非通用智能体协作
- 扩展性和通用编排能力有限 |

| **Semantic Kernel – Agent Orchestration（Microsoft）** | - 多语言支持（.NET / Python / Java）
- 模型无关
- 适合企业级工作流编排
- 支持 Group Chat 等高级模式 | - 抽象层级高，初学者门槛略高
- 需结合其他组件构建完整智能体系统 |

| **PydanticAI** | - 强类型安全
- 与 Pydantic 深度集成
- 调试能力强（支持 Logfire）
- 适合构建可靠生产应用 | - 较新，生态和工具链尚不成熟
- 社区规模较小 |

| **Griptape** | - 模块化设计
- 支持记忆、工具、多智能体协作
- 适合构建 LLM 工作流与智能体应用 | - 文档和示例相对较少
- 社区活跃度不如头部框架 |

| **Flowise Agents** | - 低代码可视化编排
- 适合快速构建 LLM 工作流和简单智能体系统 | - 动态多智能体能力有限
- 不适合复杂协作场景
- 企业集成能力较弱 |

| **LangChain** | - 快速原型开发能力强
- 支持海量工具与模型集成（包括本地/私有模型）
- 成熟的 RAG 与 Agent 支持
- 拥有最广泛的社区与教程资源 | - 抽象层级高，学习曲线陡峭
- 调优与性能优化较复杂
- 在大型项目中带来治理和调试负担 |

| **LangGraph** | - 提供状态化、可持久记忆的多智能体工作流
- 基于图结构，支持循环、分支、暂停/恢复等高级控制流
- 与 LangChain 深度集成，适合构建复杂代理系统
- 支持节点级超时、重试等生产级特性 | - 需要熟悉图式编程范式
- 对简单任务而言可能过度设计
- 部分高级功能需依赖 LangSmith 等商业组件 |

| **DeepAgents** | - 基于 LangChain/LangGraph 构建的高级代理框架
- 内置规划、待办事项（TODOs）、文件系统支持
- 支持子代理（subagents）与中间件，实现职责隔离
- 支持真实 Web 搜索与上下文卸载 | - 相对新，生态和文档仍在完善
- 强依赖 LangChain 技术栈，学习成本叠加
- 更适合“深度推理”场景，不适合轻量级任务 |

| **PocketFlow** | - 极简设计（约 100 行核心代码）
- 无依赖、无厂商锁定
- 基于图结构，支持多智能体、RAG、任务分解等
- 非常适合教学、原型验证与 AI 编码代理辅助开发 | - 功能高度精简，缺少企业级特性（如可观测性、安全控制）
- 社区规模小，扩展能力有限
- 需自行实现高级功能（如记忆、评估） |

| **smolagents（Hugging Face）** | - 轻量级（核心代码约 1000 行）
- 首类支持“代码即动作”的 Code Agent
- 与 Hugging Face 生态无缝集成（模型、数据集、Space）
- 开发体验简洁，适合快速部署 | - 功能聚焦特定范式（代码生成型代理）
- 缺乏复杂的多智能体协调机制
- 企业级部署能力尚未成熟 |

| **HelloAgents** | - 专为教学与学习设计，代码透明、结构清晰
- 基于 OpenAI 原生 API 从零构建，深入讲解 Agent 核心原理
- 包含完整教程（《从零开始构建智能体》），适合入门者 | - 非生产级框架，功能有限
- 仅支持 OpenAI 模型，扩展性弱
- 社区主要用于教育，不适合工业部署 |

> **具体使用**：  

> - **企业级复杂系统**推荐：Microsoft Agent Framework、LangGraph、DeepAgents、Semantic Kernel。  

> - **研究与快速原型**推荐：AutoGen、CrewAI、LangChain、smolagents。  

> - **极简/教学用途**推荐：PocketFlow、HelloAgents。  

> - **特定能力突出**：Crawl4AI（数据抓取）、Claude SDK（编码代理）、Haystack（RAG 智能体）。  

> 实际选型应结合模型生态、团队技能栈、部署环境与可维护性综合评估。