目前主流的 Agent 框架
About 7 min
目前主流的 Agent 框架
🔍 主流程介紹
1. LangChain
特色
- 非常成熟、被廣泛使用的框架。 (RoboticsBiz)
- 模組化：支持模型、prompt template、chain、agent、tool、memory 等元件。
- 廣泛的工具／資料庫整合（向量資料庫、檔案 loader 等）使其在 RAG（Retrieval Augmented Generation）非常強。 (APIpie.ai)
- 適用於：你需要「把 LLM 變成應用程式／系統」並整合外部資料、記憶、工具。
優點
- 社群大、案例多、生態成熟。
- 靈活度高，可自行擴展工具、自訂流程。
- 支援多模型（不僅限特定廠牌），適合你若想用不同模型／本地模型。
缺點
- 入門可能稍微有些學習曲線（眾多模組、流程選項）。
- 若只是做極簡「一句話呼叫模型」可能太重。
- 若需要非常簡化或完全零程式碼的環境，可能不是最快速方案。
2. AutoGen
特色
- 微軟 (Microsoft) 出的多代理對話／協作框架。 (Firecrawl - The Web Data API for AI)
- 適合構建「多個代理角色互動／分工」的系統。
優點
- 若你的系統需要「多角色代理」互相協作（例如虛擬角色中有多個子角色）時很有用。
- 設計比較針對對話與代理協作。
缺點
- 相比 LangChain，可能在工具整合、外部系統呼叫上自由度稍低。
- 若只是單一代理或簡化應用可能不是最輕量選擇。
3. CrewAI
特色
- 主打「角色扮演」與「多代理團隊協作」。 (Medium)
- 適合內容創作、資料分析、協作流程中不同角色分工的場景。
優點
- 快速原型、多角色設定比較直觀。
- 適合你若想讓虛擬角色中有多個子代理／角色互動。
缺點
- 若你的系統重點是「工具呼叫＋記憶＋遊戲／控制流程」而不是多角色自動協作，CrewAI 的分工架構可能不是最核心。
- 生態比 LangChain 少；自訂工具或系統整合可能需更多手動工作。
4. Letta （前稱 MemGPT）
特色
- 主打「記憶」與長期上下文管理的代理框架。 (Humai.blog)
- 適合需要長期對話記錄、人物背景、角色演化的系統。
優點
- 若你的虛擬角色需要「記住你過去做過什麼、習慣、偏好」這類特性，Letta 在記憶這邊有特化。
- 支援多模型、協作、狀態持久化。
缺點
- 相對於更通用型的框架（如 LangChain）可能在工具整合、控制流程上功能較窄。
- 若控制／遊戲場景中工具呼叫很多（MCP 控制、動畫、音訊等）可能還需搭配其它模組。
5. Semantic Kernel
特色
- 由微軟打造，偏向企業整合／流程型代理應用。 (Gist)
- 支援多語言／企業環境整合較好。
優點
- 若你的系統需要和現有企業系統、後端／資料庫、認證、合規流程整合，Semantic Kernel 是考量之一。
- 提供 agent、process abstraction 等。
缺點
- 若你的焦點是遊戲／虛擬角色控制、輕量化流程，可能相對較「企業級」且較重。
- 生態與社群案例可能不如 LangChain 廣泛。
🧠 主流 AI Agent 框架比較總覽（2025）
| 框架 | 開發者 / 支援者 | 核心定位 | 優點 | 缺點 | 適合用途 |
|---|---|---|---|---|---|
| LangChain | LangChain Inc.（開源社群最活躍） | LLM 應用開發框架：整合模型、記憶、資料庫、工具、Agent | 模組完整（Chains, Agents, Tools, Memory） 支援多模型與 RAG 生態最大、教學多 | 入門曲線高 配置較繁瑣 不適合極輕量應用 | 通用型 AI 系統、RAG、智慧助理、多模態 Agent |
OpenAI Agents (openai-agents) | OpenAI 官方 | 官方 Agent 平台：與 GPTs 同核心，支援工具呼叫與記憶 | 官方支援、穩定性高 與 GPT-4o、Whisper、DALL·E 完美整合 設定簡單 | 僅支援 OpenAI 模型 封閉、可擴展性低 不易嵌入自訂系統 | 快速原型、產品級 GPT 助理、內部工具 Agent |
| AutoGen | 微軟 Microsoft | 多代理協作框架：讓多個 Agent 分工合作完成任務 | 多角色互動自然 支援人類在迴圈中 (Human-in-the-loop) 可與 LangChain 結合 | 框架重、配置多 不適合單代理應用 | 研究、團隊協作型 AI、代理溝通模擬 |
| CrewAI | CrewAI Inc.（開源社群） | 角色分工與團隊協作 Agent | 建立多角色工作流簡單 支援任務委派、對話互動 | 生態較新 文件不如 LangChain 完善 | 多角色對話、內容生產、虛擬團隊 |
| Letta (MemGPT) | Letta AI | 長期記憶型 Agent 框架 | 對話記憶強大 支援狀態保存與角色成長 | 工具整合度低 社群規模小 | 個人助理、虛擬角色、長期互動型應用 |
| Semantic Kernel | 微軟 Microsoft | 企業級 Agent 流程框架 | 強整合企業系統 (Azure, .NET) 流程穩定、支援 Plugin | 偏重企業環境、學習曲線高 | 企業後端整合、流程自動化 |
| LlamaIndex（原 GPT Index） | Jerry Liu 等開源貢獻者 | 資料導向框架（RAG 為主） | 文件檢索、知識庫整合強 與 LangChain 相容 | 不是完整 Agent 架構（無多步決策） | 文件問答、知識庫系統 |
| Haystack | deepset.ai | 開源 NLP / RAG 框架 | 工業級穩定 支援自建搜尋 + Pipeline | 不以 Agent 為中心 模型切換不靈活 | 文件搜尋、問答、知識庫後端 |
🔍 重點對比（簡表）
| 類別 | 最強代表 | 說明 |
|---|---|---|
| 🧩 通用 LLM 應用框架 | LangChain | 模組完整、支援度最高，可組合多功能 Agent。 |
| ⚙️ 官方簡化版本 | OpenAI Agents | 官方支援、最容易上手，但只能用 OpenAI 模型。 |
| 👥 多角色互動 | AutoGen / CrewAI | 適合多 Agent 協作、虛擬角色群體模擬。 |
| 🧠 長期記憶型 | Letta (MemGPT) | 強化記憶與人格持久性，適合虛擬角色。 |
| 🏢 企業整合導向 | Semantic Kernel | 適合大型企業系統或 Azure 生態。 |
🧭 選擇建議（依用途）
| 你的目標 | 推薦框架 | 理由 |
|---|---|---|
| 想做一個「有記憶、有工具、有控制能力」的 AI 助理 | ✅ LangChain | 模組齊全，方便擴充記憶與工具（MCP、Unity 控制等）。 |
| 想快速做出一個像 GPTs 一樣的 Agent | ✅ OpenAI Agents | 官方整合度高，上線快。 |
| 想做「多角色互動、對話分工」的系統（如 NPC 群） | ✅ CrewAI / AutoGen | 多代理溝通、任務協作。 |
| 想讓 AI 角色「記得你以前說過的話」並逐步成長 | ✅ Letta | 長期記憶與狀態管理能力強。 |
| 想在企業系統內導入 AI 流程 | ✅ Semantic Kernel | 企業導向、流程穩定。 |
📘 小結：一句話差異整理
| 框架 | 一句話定位 |
|---|---|
| LangChain → 「AI 系統開發瑞士刀」 | |
| OpenAI Agents → 「官方 GPTs 的程式版」 | |
| AutoGen → 「多 Agent 協作模擬框架」 | |
| CrewAI → 「分工團隊型 Agent」 | |
| Letta → 「有長期記憶的個人 AI 助理」 | |
| Semantic Kernel → 「企業級 AI Agent 工具鏈」 |