KeyFrame內部研究專用

Agentic AI Frameworks Explained: Workflows, Multi-Agent, & Production

IBM Technology·7月9日週四·11 min英文

三句話摘要

如何根據AI代理系統類型選擇對應的開發框架。 選擇AI代理框架的關鍵不是找「最好」的工具,而是先明確自己要建構什麼類型的系統,再匹配對應框架。 AI代理框架解決聊天機器人無法處理的複雜性問題。與簡單問答不同,代理系統需要進行規劃、行動與迭代,涉及多個代理協調,框架提供預定義架構、監控工具、任務管理與通訊協定等必要基礎設施。

重點整理

重點
  • 1

    AI代理框架解決聊天機器人無法處理的複雜性問題。與簡單問答不同,代理系統需要進行規劃、行動與迭代,涉及多個代理協調,框架提供預定義架構、監控工具、任務管理與通訊協定等必要基礎設施。

  • 2

    線性工作流系統(如客服代理:接收問題→知識庫搜尋→產生回應→建立工單)步驟順序可預測,最適合LangChain或LlamaIndex;自主代理系統為AI設定開放式目標讓其自行規劃,多代理協作實現目標,適合AutoGen或CrewAI。

  • 3

    角色基礎系統中每個代理有明確職責邊界但相互協作(如內容生成的研究代理→撰稿代理→編輯代理),CrewAI最適合此場景;生產編排系統需深度整合API和業務工作流,適合Astra或LangGraph。

  • 4

    快速原型工具如LangFlow和Flowise提供拖放式圖形介面,讓開發者快速驗證想法;框架無絕對優劣,應先問「我要建什麼系統」再選擇工具。

實用技巧與重點

乾貨
  • 五種系統類型:
  • 線性工作流
  • 自主代理系統
  • 角色基礎系統
  • 生產編排系統
  • 快速原型製作
  • 框架與應用對應:
  • LangChain:多步驟特定順序執行
  • LlamaIndex:資料檢索和索引重型應用
  • LangGraph:複雜設置(LangChain出品)
  • AutoGen:自主代理與多代理協作
  • Baby AGI:實驗性自主代理設定
  • CrewAI:角色基礎多代理系統
  • ChatDev:軟體開發專門框架
  • Astra:語義核心+AutoGen結合
  • LangFlow、Flowise:快速原型圖形介面
  • 系統範例與流程:
  • 客服代理:接收問題→知識庫搜尋→產生回應→建立工單
  • AI程式設計助理:規劃代理+編碼代理+審查代理
  • 內容生成系統:研究代理→撰稿代理→編輯代理
  • AI運維代理:偵測警報→搜尋文件→執行自動化腳本→發送摘要

結論

結論

選擇AI代理框架的關鍵不是找「最好」的工具,而是先明確自己要建構什麼類型的系統,再匹配對應框架。

完整解析

詳細

開發者面臨的框架選擇困境源自市場上眾多強大的AI代理框架——LangChain、LangGraph、CrewAI、AutoGen、語義核心等。但這個問題的解決方案在於先理解AI代理框架的本質及其適用場景。

AI代理框架本質是建構複雜AI系統的工具包。與聊天機器人應用只需接受問題並返回答案不同,代理系統需要進行大量的規劃、行動與迭代。以銷售數據分析代理為例,它必須存取資料庫、提取相關資料、進行分析計算、產生報告,並撰寫可發送給相關人員的回應。這種複雜的協調工作,特別是涉及多個代理同時運作時,必然需要框架來提供預定義架構、整合監控工具、任務管理功能與通訊協定。

常見的AI代理系統可分為五大類。線性工作流系統最為直接,步驟按特定順序執行且結果易於預測。客戶支援代理就是典型例子:接收用戶問題→在知識庫搜尋相關答案→產生回應→可能建立支援工單。此類系統流程可控,適合使用LangChain(擅長多步驟順序執行)或LlamaIndex(適合重型資料檢索應用),更複雜設置可使用LangGraph。

自主代理系統截然不同,為AI設定目標後讓其自行規劃達成方案。多個代理相互協作是常態。AI程式設計助理是經典案例,包括規劃代理制定解決方案、編碼代理編寫程式碼、審查代理檢查並提出建議與除錯協助,三者持續溝通以提供最優程式碼。由於問題通常是開放式的,此類系統適合AutoGen或Baby AGI等框架。

角色基礎系統介於兩者之間,多個代理協作但各有明確職責邊界。內容生成系統中,研究代理上網蒐集資料、撰稿代理根據資料撰寫文章、編輯代理審閱並進行修改,每個角色各司其職但相互配合。CrewAI最適合此場景,配合結構化設計的AutoGen也可行。

生產編排系統面向真實世界應用,需要與API、資料庫和業務工作流深度整合。AI運維代理能偵測警報、搜尋文件查找警報資訊、執行自動化腳本、向組織內發送摘要,此類系統適合Astra框架或LangGraph。最後是快速原型工具,用於驗證想法可行性。LangFlow和Flowise提供圖形介面,開發者可拖放組件、連接模型與工作流,快速測試想法,最適合快速迭代驗證。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。