了解 API 技術：REST、GraphQL 和異步 API 的比較分析
過去一年，海外科技巨頭Google、Microsoft、OpenAI 和其他公司都在致力于Agentic AI的布局，投資或構建軟件庫和框架以支持Agent功能和LLM 驅動的應用程序。
比如Microsoft Copilot、Amazon Q 和Google 即將推出的Project Astra，正在從基于知識轉變為更加基于行動。Adept、crewAI 和Imbue等公司和研究實驗室，也在開發基于智能體的模型和多智能體系統。
國內也是一樣。目前字節跳動、百度、阿里巴巴、騰訊等都推出了自己的智能體及構建平臺，阿里最近還投資了推出秘塔搜索的秘塔科技，大量科技企業都在研發他們的智能體產品，基于AI Agent的項目也越來越多。
Agentic workflow已被公認為AI Agent的下一步趨勢，很多人都認同吳恩達等專家教授的觀點：智能體工作流是釋放大型語言模型真正潛力的關鍵，也是實現通過上下文學習的目標的核心。
現在很多相關的項目及產品都開始支持整合與兼容Agent工作流，出現了更多的Agentic workflow開源項目。
在GitHub上，Dify已累積了42w+的星標，Flowise的星標接近19w，FastGPT的星標也超過了16w。而AutoGen、LangGraph、DB-GPT等開源項目，也已成為企業和開發者構建智能體工作流的神兵利器。
除了以上幾個耳熟能詳的項目，從Agentic workflow提出到現在不到半年的時間里，還有哪些相關的開源項目值得關注、學習和應用？本文，王吉偉頻道為整理了20個構建Agentic workflow的開源項目，幫助大家更好地理解與應用智能體工作流。
開源LLM 應用程序開發平臺，結合AI 工作流、RAG 管道、Agent功能、模型管理、可觀察性功能等，快速從原型進入生產。
項目地址：https://github.com/langgenius/dify?tab=readme-ov-file
中文官網：https://dify.ai/cn
體驗地址：https://cloud.dify.ai/apps
Dify是一個開源的大型語言模型（LLM）應用開發平臺。它直觀的界面融合了人工智能工作流、RAG（Retrieval-Augmented Generation）流程、智能體能力、模型管理、可觀測性特性等，讓您能夠快速從原型階段過渡到生產階段。以下是核心特性：
通過這些特性，Dify平臺為開發人員提供了一個強大而靈活的工具集，以構建、測試和部署基于LLM的應用程序，加速開發流程，并提高最終產品的質量和性能。
Dify也是著名的AI Agent構建平臺之一，大家可以通過上面的體驗地址，在線構建AI Agent及Agentic workflow。
基于 LLM 構建的基于知識的平臺，提供一套全面的開箱即用功能，例如數據處理、RAG 檢索和視覺 AI 工作流編排項目地址：https://github.com/labring/FastGPT
官網：https://fastgpt.in/
FastGPT項目是一個基于大型語言模型（LLM）構建的開源知識庫問答平臺。它提供了一系列即用型功能，如數據處理、模型調用、RAG檢索以及可視化AI工作流編排，使得用戶可以輕松開發和部署復雜的問答系統，而無需進行廣泛的設置或配置。
FastGPT的主要能力包括：
FastGPT從V4版本開始采用新的交互方式構建AI應用，使用Flow節點編排工作流，提高可玩性和擴展性。FastGPT支持多種模型，包括但不限于OpenAI的GPT系列、Claude、文心一言等，并且項目開源，允許社區貢獻和二次開發。它適用于構建特定領域的AI客服、自動化數據預處理、工作流編排等場景，提供了簡易模式和高級編排能力，以適應不同用戶的需求。
開發者可以通過Sealos進行一鍵部署，或者使用Docker Compose進行快速部署。FastGPT還提供了詳細的開發與部署指南，包括系統配置文件說明、多模型配置、版本更新/升級操作等。
AI的編程框架項目地址：https://github.com/microsoft/autogen案例庫：https://microsoft.github.io/autogen/docs/Gallery
AutoGen是由微軟、賓夕法尼亞州立大學和華盛頓大學的合作研究團隊共同開發的開源編程框架，旨在簡化人工智能智能體的構建和開發，以及促進多個智能體之間的協作，共同解決問題。AutoGen的目標是降低AgentAI開發和研究的門檻，其作用類似于PyTorch在深度學習領域的貢獻。該框架提供了一系列功能，包括：
AutoGen框架能夠以極低的工作量快速構建基于多智能體對話的新一代LLM應用程序。它簡化了復雜的LLM工作流的編排、自動化和優化過程，充分發揮了LLM模型的潛力，同時克服了它們的局限性。
該框架支持多種對話模式，適用于復雜的工作流程。開發人員可以利用AutoGen提供的可定制和可對話的智能體，構建出不同規模和結構的對話系統，無論是簡單的一對一對話還是復雜的多智能體交流網絡。
AutoGen還提供了一系列不同復雜度的工作系統示例，覆蓋了多個領域和不同程度的應用場景，展示了其在支持多樣化對話模式方面的靈活性和強大能力。
此外，AutoGen還增強了LLM的推理能力，提供了包括API統一管理、緩存機制等實用工具，以及高級功能，如錯誤處理、多配置推理、上下文編程等，以滿足更高級的使用需求。這些特性使得AutoGen成為一個功能全面、高效的AI智能體開發框架。
以下是兩個使用AutoGen的案例
1、autogen_focus_group：虛擬焦點小組，包含自定義角色、產品詳細信息和使用 AutoGen、Ollama/Llama3 和 Streamlit 創建的最終分析。
2、Research agent 3.0：基于Autogen + GPT 建立了AI Agent團隊，能夠生成高質量的研究并驗證彼此的工作。
拖放UI以構建您的自定義LLM流程項目地址：https://github.com/FlowiseAI/Flowise
官網：https://flowiseai.com/
文檔：https://docs.flowiseai.com/
Flowise是一個開源的低代碼工具，專為開發者設計，以便快速構建定制化的LLM（大型語言模型）工作流和AI智能體。它基于LangChain.js提供，通過拖放式的用戶界面，使用戶無需編寫代碼即可輕松創建強大的AI應用程序，如聊天機器人、智能客服和知識問答等。
Flowise的主要特點包括：
安裝部署方面，Flowise支持NPM部署和Docker部署。通過簡單的命令行操作即可啟動Flowise，并通過瀏覽器訪問其用戶界面進行進一步的操作。
此外，Flowise還提供了應用市場，其中包含預配置的應用程序，幫助用戶快速構建原型，縮短開發時間。Flowise的文檔和社區支持也為用戶提供了豐富的學習資源和交流平臺。
Flowise作為一個無代碼的LLM應用程序構建平臺，極大地降低了開發AI應用的門檻，提高了開發效率，使得構建個性化的AI解決方案變得更加容易和快捷。
使用內存、知識和工具構建AI助手項目地址：https://github.com/phidatahq/phidata
文檔：https://docs.phidata.com/introduction
PhiData是一個開源框架，專為構建具有長期記憶、豐富知識和執行操作能力的AI助手（也稱為智能體或Agent）而設計。它通過提供記憶、知識和工具的整合，增強了傳統大型語言模型（LLMs）的能力，使其能夠更加智能和自適應地響應用戶需求 。
PhiData的設計理念是，一個Assistant是以LLM為核心，加上長期記憶（Memory）、知識（結構化、非結構化）和工具（Tools，比如搜索、api調用等），這樣就組成了一個完整的Assistant。基于這一理念，PhiData可以幫助用戶方便構建助手應用，這些助手不僅擁有長期記憶，能夠記住與用戶的每一次對話，還具備豐富的業務知識和執行各種動作的能力。
PhiData的核心特點包括：
PhiData還提供了一些高級應用，例如與SQL數據庫結合使用進行數據分析，以及支持從文本生成結構化數據模型的功能 。
作為一個功能強大且靈活的框架，PhiData適用于需要高度定制AI助手和自動化任務的場景，推動了AI技術的創新和應用 。此外，PhiData框架的安裝簡單直接，通過Python的包管理器pip即可完成安裝 。
用PhiData構建AI助手的過程涉及三個主要步驟：創建一個Assistant對象；整合所需的工具、知識庫和存儲；通過Streamlit、FastApi或Django等平臺部署AI應用 。
PhiData的應用示例包括但不限于利用DuckDuckGo進行網絡搜索的助手、查詢財務數據的助手、編寫和運行Python代碼的助手、使用SQL進行數據分析的助手、從文本生成Pydantic模型的助手及具有知識和存儲功能的PDF助手等 。
以圖形形式構建彈性語言agents
項目地址：https://github.com/langchain-ai/langgraph
LangGraph是一個基于LangChain之上構建的用于構建具有狀態的、多參與者應用程序的庫，它與大型語言模型（LLMs）一起使用，以創建Agent和多Agent工作流。它提供了一種新的方式，使用狀態圖（StateGraph）來構建復雜的智能體應用。它允許更精細的控制能力，支持大型語言模型（LLM）的循環調用以及在Agent過程中的精細化控制，這在構建復雜智能體時非常有用。
與其他LLM框架相比，它提供了以下核心優勢：周期性、可控性和持久性。LangGraph 允許你定義涉及周期的流程，這對于大多數Agent架構至關重要，這與基于有向無環圖（DAG）的解決方案不同。作為一個非常底層的框架，它為你的應用程序流程和狀態提供了細粒度的控制，這對于創建可靠的Agent至關重要。此外，LangGraph 包括內置的持久性功能，這使得它能夠支持高級的人工干預和記憶特性。
LangGraph的設計思想是通過圖結構來協調多個Chain、Agent、Tool等的協作，支持LLM調用的“循環”能力。在LangGraph中，任務細節通過Graph進行精確定義，包括節點與邊的定義，然后基于這個圖來編譯生成應用。在任務運行過程中，會維持一個中央狀態對象，該對象會根據節點的跳轉不斷更新。
LangGraph的誕生主要是為了解決LangChain簡單鏈（Chain）不具備“循環”能力的問題，以及AgentExecutor調度的Agent運行過于“黑盒”的問題。它提供了一種具備更精細控制能力的框架，來支持更復雜場景的LLM應用。
LangGraph支持持久性，允許Agent記住過去的交互并使用這些信息來指導未來的決策，支持高級的人機循環，使Agent能夠與人類用戶進行更自然、更有效的交互。
LangGraph與LangChain相比，引入了循環計算，允許節點根據圖的狀態被多次訪問，這對需要迭代處理、反饋循環和復雜決策的應用至關重要。它的狀態執行模型不斷更新和傳遞狀態，使計算更加上下文感知和適應性強。
具有 AWEL（Agentic Workflow Expression Language）和 Agents的AI原生數據應用程序開發框架項目地址：https://github.com/eosphoros-ai/DB-GPT
DB-GPT是一個開源的AI原生數據應用開發框架，它結合了AWEL（Agentic Workflow Expression Language）和智能體（Agents）技術。其核心目標是構建大模型領域的基礎設施，通過開發多模型管理（SMMF）、Text2SQL效果優化、RAG框架及優化、Multi-Agents框架協作、AWEL（智能體工作流編排）等技術能力，簡化圍繞數據庫構建大模型應用的過程，使得企業或開發者可以用更少的代碼搭建自己的專屬應用。
DB-GPT的特點包括：
DB-GPT的架構方案包括RAG框架、生成式BI（GBI）、微調框架、數據驅動的Multi-Agents框架、數據工廠和數據源對接等核心能力，旨在提供企業報表分析、業務洞察以及數據的清洗加工等數智化技術保障。
DB-GPT還提供了一些子模塊，如DB-GPT-Hub用于微調以提升Text2SQL效果，DB-GPT-Plugins作為插件倉庫，兼容Auto-GPT，以及GPT-Vis作為可視化協議和dbgpts作為官方提供的數據應用倉庫。
DB-GPT支持數據隱私保護，確保數據隱私和安全通過私有化大型語言模型和Agent去標識化技術。它適用于需要處理和分析大量數據的場景，如金融、電商、物流、醫療等，并可以幫助企業實現高效的數據管理、智能決策支持和業務流程優化。
更多DG-GPT內容可閱讀：DB-GPT：螞蟻開源的Text-to-SQL利器
用于AIAgent和工作流的模塊化Pythons框架，具有思維鏈推理、工具和內存項目地址：https://github.com/griptape-ai/griptape
官網：www.griptape.ai
Griptape是一個模塊化的Python框架，專為構建AI智能體和工作流而設計，支持思維鏈推理、工具和記憶功能。它提供了一種企業級的替代方案，與LangChain相媲美，旨在簡化自然語言處理（NLP）任務，提高開發者處理和理解大量文本數據的效率。
該項目基于PyTorch框架構建，利用BERT、RoBERTa等預訓練模型，在多種NLP任務上實現優異性能，同時保持代碼的模塊化設計，易于擴展和定制。Griptape的API設計簡單易懂，便于非NLP領域的開發者快速上手，并提供詳盡的文檔和社區支持，以幫助開發者快速入門和解決使用中的問題。”Griptape is an enterprise grade alternative to LangChain.”
此外，Griptape框架支持從數據預處理到模型部署的全流程，提供了豐富的工具和庫，幫助開發者構建和部署機器學習模型。它支持多種機器學習框架，并提供了一些最佳實踐，如數據預處理、模型選擇和超參數調優，以提高模型的準確性和性能。
Griptape生態系統還包括多個相關項目，如Griptape-UI、Griptape-Deploy和Griptape-Data，共同構成了一個完整的機器學習開發和部署環境。”Griptape is a modular Python framework for building AI-powered applications that securely connect to your enterprise data and APIs.”
Griptape框架的推出，將助力開發者構建更加高效的AI工作流，其核心功能包括模塊化配置、多功能支持和易用性，為AI工作流的開發者帶來更加高效、靈活的工作體驗。”griptape 框架推出，助力構建AI工作流”。
無代碼多Agent框架，用于使用您的數據構建 LLM Agent、工作流和應用程序項目地址：https://github.com/trypromptly/LLMStack
官網：https://llmstack.trypromptly.com
LLMStack是一個開源的低代碼平臺，它使用戶能夠利用大型語言模型（LLMs）構建功能強大的AI體驗。這個平臺支持構建各種AI應用程序，包括文本生成、問題回答、文本摘要、文本翻譯以及媒體生成等。用戶還可以將多個LLMs組合起來構建復雜的AI應用，并且可以將個人數據連接到LLMStack以增強語言模型，或連接業務流程以自動化工作流。
LLMStack的主要特點包括：
LLMStack還提供了一個可視化編輯器，用于創建應用程序，這些應用程序可以通過API、用戶界面調用或從Slack、Discord等觸發。它還允許用戶導入數據源，如CSV、PDF、URLs、Youtube等，并將它們用于應用程序中，同時支持數據的共享和變量的使用，以向處理器提供動態值。
LLMStack的設計目標是降低構建AI應用的門檻，提高開發效率，并降低成本，同時確保數據的安全性和隱私性。無論是大型企業還是初創公司，都可以利用LLMStack快速開發和部署高效的人工智能解決方案。
構建基于斯坦福大學DSP論文的LLM驅動的智能體和智能體工作流項目地址：https://github.com/ax-llm/ax
項目文檔：axllm.dev
DSPy論文：https://arxiv.org/abs/2310.03714
DSPy項目: https://github.com/stanfordnlp/dspy
ax-llm/ax項目是一個用于構建大型語言模型（LLM）驅動的智能Agent和”Agent工作流”的框架，其設計靈感來源于斯坦福大學的DSP論文 。這個框架支持與多種LLM和向量數據庫的無縫整合，并允許開發者構建RAG（Retrieval-Augmented Generation）管道或協作Agent來解決復雜問題。Ax框架提供了一系列高級功能，包括流式驗證、多模態DSP等。
該項目原名llmclient，更改為“Ax”是為了強調團隊對于支持智能體工作流的重視。該團隊認同包括Andrew Ng教授在內等眾多專家的觀點：智能體工作流是釋放大型語言模型真正潛力的關鍵，也是實現通過上下文學習的目標的核心。該項目同時深受斯坦福大學DSPy論文的啟發，ax框架是這些理念融合的產物，為您提供了一個強大的工具，以便構建您的智能體應用。
ax框架的顯著特點之一是其利用提示簽名與LLM進行高效且類型安全的交互。提示簽名是從簡單簽名自動生成的，可以具有多個輸入和輸出字段。Ax目前支持包括OpenAI、Azure OpenAI、Cohere、Anthropic、Mistral、Groq、DeepSeek、Ollama、Google Gemini和Hugging Face在內的多種LLM，同時也支持多種向量數據庫，如In Memory、Weaviate、Cloudflare和Pinecone 。
ax還提供了一些其他功能，包括RAG管道、智能分塊、嵌入、查詢、使用優化器的自動提示調整等。它還包括OpenTelemetry跟蹤/可觀察性支持，并提供可投入生產的TypeScript代碼 。
ax框架的安裝非常簡單，可以通過npm或yarn進行安裝，且易于使用。開發者可以選擇一個AI創建一個提示簽名并執行提示程序，還可以通過定義函數并將其傳遞給提示來啟用函數調用 。
控制你的AI Agent項目地址：https://github.com/PrefectHQ/ControlFlow
項目文檔：https://controlflow.ai/welcome
ControlFlow項目是由PrefectHQ發起的一個Python框架，專門用于構建具有Agent性的人工智能工作流。ControlFlow提供了一個結構化且以開發者為中心的框架，允許用戶定義工作流并將任務委托給大型語言模型（LLMs），同時不損失控制或透明度：
該框架的設計理念是將復雜的AI工作流分解為可管理、可觀察的步驟，即任務（Tasks）。每個任務代表一個離散的目標或需要完成的目標，例如生成文本、分類數據或從文檔中提取信息。任務定義了AI工作流中需要完成的”什么”（WHAT）。
在ControlFlow中，AI Agents扮演執行任務的角色，決定了”如何”（HOW）完成任務。每個Agent可以有針對特定類型任務的獨特配置、個性和能力。Agent被分配給適合它們特性和可用性的任務，這種任務和Agent的分離允許創建靈活且功能強大的工作流。
Flows是ControlFlow中的高級容器，用于封裝和協調整個AI驅動的工作流。它們提供一種結構化的方式來管理任務、Agent、工具和共享上下文。Flows可以維護所有組件的一致狀態、管理任務的執行順序以及提供Agent協作的共享上下文。
ControlFlow還提供了任務中心架構，允許用戶在維持精細控制的同時利用AI處理復雜的工作流。通過為每個任務設定明確的目標和約束，用戶可以在AI的自主性與精確監督之間取得平衡，從而充滿信心地構建復雜的AI驅動應用程序。
ControlFlow框架正在積極開發中，并即將進行首次公開發布。它旨在解決構建既強大又可預測的AI驅動應用程序的挑戰，支持多Agent協作、生態系統集成和系統可觀察性，適用于對穩定性和維護性有高要求的AI應用開發。
一個靈活的事件/智能體和自動化系統
項目地址：https://github.com/muesli/beehive
由muesli推出的beehive項目是一個靈活的事件/Agent和自動化系統，它允許用戶創建自己的Agent來執行由事件和過濾器觸發的自動化任務。這個系統是模塊化、靈活的，并且非常容易擴展，適合任何人使用。
它擁有模塊（稱之為 “Hives”），因此它可以與Twitter、Tumblr、Email、IRC、Jabber、RSS、Jenkins、Hue等平臺進行接口、對話或信息獲取。
這些模塊相互連接可以創建極其有用的Agent，例如在Tumblr博客上重新發布推文、將收到的聊天消息轉發到電子郵件賬戶、當溫度低于某個值時開啟暖氣系統、運行IRC機器人觸發Jenkins CI上的構建、控制Hue照明系統，以及當股票價格低于特定值時通知用戶等 。
安裝beehive非常簡單，提供了多種方式，包括Arch Linux的AUR軟件包、Linux和macOS的靜態二進制文件、Windows的64位版本，以及通過Docker和Ansible的部署工具。此外，還可以從源代碼構建，這要求有Go 1.13或更高版本的Go環境 。
配置beehive涉及到創建“蜜蜂”和設置“鏈”，通過Web界面可以圖形化地進行配置。用戶可以對事件做出反應并執行操作，例如監控RSS源并在有更新時發送電子郵件。beehive提供了完整的模板語言來處理事件參數，允許用戶定制化地構造動作 。
此外，beehive還提供了開發支持，包括IRC或Gitter上的社區討論，以及Twitter上的最新動態更新。項目的官方倉庫提供了完整的文檔和示例，方便用戶開始他們的beehive之旅 。
Generative AI SDK for Web，用于為使用JavaScript、React、Angular、Vue、Ember、Electron 構建的應用程序創建AI Agent項目地址：https://github.com/alan-ai/alan-sdk-web官網：https://alan.app/
alan-sdk-web是由Alan AI提供的一個生成式AI軟件開發工具包（SDK），專門用于Web平臺。它允許開發者在基于JavaScript、React、Angular、Vue、Ember和Electron等技術構建的應用程序中創建和集成AI智能體。這個SDK旨在幫助開發者快速將先進的AI功能嵌入到他們的Web應用中，而無需對用戶界面進行大量改動或改動最小。
Alan AI提供了一個全面的解決方案，充當企業的“統一大腦”，連接企業應用程序、API和數據源，以簡化工作流程。它包括以下幾個核心組件：
使用alan-sdk-web，開發者需要在Alan AI Studio注冊，構建對話腳本，并使用SDK將AI智能體嵌入到Web應用或網站中。SDK提供了豐富的API和配置選項，支持自定義AI按鈕、處理命令、播放文本和執行其他交互功能。
Alan AI還提供了示例應用程序，展示如何在不同框架中使用SDK，以及如何在React應用中集成Alan AI，包括如何添加SDK到項目、指定AI按鈕參數、使用各種方法和處理程序。
Alan AI SDK for Web的版本更新記錄顯示，它持續增強了文本聊天功能，修復了UI問題，并增加了額外的配置選項和API。
Plan-Validate-Solve（PVS）Agent實現準確、可靠和可重復的工作流程自動化
項目地址：https://github.com/felixbrock/lemon-agent
lemon-agent是一個基于LLM的智能體框架，旨在通過自動化執行任務來提高工作流程的效率和準確性。也是一個基于ACL 2023論文“Plan-and-Solve Prompting”構建，用于精確、可靠和可復現的工作流自動化的Plan-Validate-Solve (PVS)獨立的監督式計劃和解決智能體，可以輕松集成到LangChain等框架中，并與任何模型協同工作。
lemon-agent不僅是一個工具，更是一整套工作流程自動化解決方案。用戶可以使用Lemon Agent與Airtable、Hubspot、Discord、Notion和GitHub等工具進行交互，并構建強大的工作流自動化，讓LLM智能體可靠地執行讀寫操作。在功能上 ，目前它支持：
任務分離與人機交互：Lemon Agent目前具備規劃智能體（Planner Agent）和解決智能體（Solver Agent），以保持智能體的專注度并提升準確性。我們計劃很快增加更多類型的智能體。此外，Lemon Agent將在相關工作任務流程中請求批準，確保執行操作符合預期。
無限的配置選項：定義工作流時，Lemon Agent為用戶提供了無限的配置選項。例如，可以指示Lemon Agent在執行工作流步驟前請求許可，或者在模型每次執行工作流步驟時講一個爸爸的笑話。
UI靈活性：可以在Lemon Agent之上構建任何用戶界面（UI），或者通過內置的命令行界面（CLI）與之交互。
可視化分析：通過使用分析可視化工具，您可以輕松地更好地了解工具的使用頻率和順序。這樣，您就可以識別智能體決策能力中的薄弱環節，并通過進一步配置您的Lemon Agent工作流，引導其行為更具確定性。
“lemon-agent”項目特別強調了Plan-Validate-Solve（計劃-驗證-解決）的自動化流程，這意味著它支持智能體在執行任務之前進行詳盡的規劃，執行過程中進行實時驗證，并在遇到問題時進行解決，以確保任務的順利完成。
AGentic Intelligence 操作系統項目地址：https://github.com/lion-agi/lionagi項目文檔：https://ocean-lion.com/Welcome#Why+Automating+Workflows%3F
lionagi是一個智能Agent工作流程自動化框架，旨在實現智能智能體工作流的自動化，通過引入先進的機器學習模型到現有的工作流和數據基礎設施中，從而提升效率和智能化水平。
為什么要自動化工作流程？諸如大語言模型 (LLM)之類的智能 AI 模型引入了人機互動的新可能性。LLM 因其“一模型勝任所有工作”的特點和令人難以置信的性能在全球范圍內引起了廣泛關注。使用 LLM 的一種方式是作為搜索引擎使用，然而這種用法因 LLM 的幻覺現象而變得復雜。
LLM 內部的運作更像是一個黑箱，缺乏可解釋性，這意味著我們不知道它是如何得出某個答案或結論的，因此我們不能完全信任/依賴這樣的系統輸出。使用 LLM 的另一種方法是將其視為智能Agent，配備各種工具和數據源。
LionAGI作為智能Agent進行的工作流程有清晰的步驟，可以執行明確的工作流，其決策邏輯可指定、觀察、評估和優化為執行操作而做出的每個決策的邏輯。這種方法，仍然無法準確指出LLM如何生成其輸出，但流程本身是可解釋的。
LionAGI還可以管理和指導其他Agents，也可以并行使用多個不同的工具。
通用 GUI，可實現AI工作流的無縫交互和管理
項目地址：https://github.com/jbexta/AgentPilot
AgentPilot是一個開源的桌面應用程序，它允許用戶創建、管理和與AI智能體進行聊天。這個應用程序具備多種功能，包括多智能體支持、分支聊天，并通過LiteLLM與多個提供商進行集成。AgentPilot使用戶能夠在低代碼環境中配置不同提供商的模型進行交互，并管理它們的語音、個性和操作 。
該應用程序目前是0.2版本前的預發布版，一些新功能尚未完全實現。新版本引入了語音輸入、文件夾、工具和RAG（Retrieval-Augmented Generation）功能。AgentPilot允許用戶對工作流程進行更好的組織，管理一系列工具，并可以分配給任何智能體以修改它們的功能 。
AgentPilot支持多種插件類型，包括可以覆蓋默認智能體行為的“智能體”插件，以及可以覆蓋默認工作流行為的“工作流”插件。此外，Open Interpreter已集成到AgentPilot中，可以作為插件獨立使用，也可以由任何智能體來執行代碼 。
用戶可以通過Python包索引安裝AgentPilot，或從提供的鏈接下載適用于不同平臺的可執行文件。
使用 XState 創建狀態機驅動的 LLM Agent項目地址：https://github.com/statelyai/agent
項目文檔：https://stately.ai/docs/agents
Stately Agent是Stately.ai提供的一個基于actor模型和狀態機創建AI智能體的框架。這些智能體能夠觀察環境、決定行動方案，并執行動作以實現目標。Stately Agent框架不僅支持文本生成和函數調用，還能夠：
Stately Agent的創建和行為定制非常靈活，可以通過createAgent函數來創建智能體，并設置名稱、使用的AI SDK語言模型、智能體能觸發的事件等。智能體可以與狀態機進行交互，根據當前狀態和目標來決定下一步行動。此外，Stately Agent還具備記憶功能，包括短期（本地）記憶和長期記憶，能夠記住消息、觀察結果、反饋和計劃 。
作為一個用于使用狀態機構建AI Agent的靈活框架，Stately Agent 通過以下方式超越了普通的基于LLM的AI Agent：
Stately Agent 還可以與現有的狀態機actor進行交互，以確定接下來應該執行的動作，為開發人員提供了一種強大的方式來構建能夠理解環境、記憶并做出決策的AI智能體 。
異步數據流執行引擎，允許開發人員通過將Agent工作流描述為YAML或JSON中的聲明性數據流圖來構建Agent應用程序
項目地址：https://github.com/receptron/graphai
GraphAI是一個異步數據流執行引擎，它使得開發人員能夠通過在YAML或JSON文件中描述智能體工作流的聲明性數據流圖來構建智能體應用程序。
正如Andrew Ng在他的文章“The Batch: Issue 242”中所闡述的，通過分步驟多次調用大型語言模型，并允許它們逐步構建輸出，通常能夠獲得更高質量的結果。吳恩達博士將這種策略稱為“智能體工作流”。
這類智能體應用程序涉及到多個異步API調用（例如，OpenAI的聊天完成API、數據庫查詢、網絡搜索）并需要管理它們之間的數據依賴性。隨著應用程序復雜度的提升，由于API的異步特性，按照傳統編程方式管理這些依賴項變得日益困難。
GraphAI賦予了開發人員一種能力，在YAML或JSON格式的數據流圖中描述這些智能體間的依賴關系（即異步API調用），這種方式被稱為聲明式數據流編程。GraphAI引擎將負責處理并發的異步調用、數據依賴性管理、任務優先級控制、map-reduce處理、錯誤處理、重試機制以及日志記錄等所有復雜任務。
用10行代碼構建多代理工作流
項目地址：https://github.com/shibing624/agentica
Agentica是一個用于構建多智能體工作流的工具，它允許開發者用極少的代碼量（僅需10行代碼）來創建復雜的智能體應用程序。Agentica項目的核心特點包括支持多種智能體功能，如規劃（Planning）、記憶（Memory）、工具使用（Tool use）等，以及一個為大型語言模型（LLM）智能體構建的框架，它提供了簡單的代碼快速編排智能體的能力，并支持多種功能，例如Reflection（反思）、Plan and Solve（計劃并執行）、RAG、多智能體、多角色、工作流等 。
Agentica項目包括三個組件。Planner組件負責讓LLM生成多步計劃來完成復雜任務，定義每一步所依賴的上一步的輸出。Worker組件接受這些計劃，并循環遍歷計劃中的每個子任務，調用工具完成任務，能夠自動反思糾錯以完成任務。最后，Solver組件將所有輸出整合為最終答案 。
此外，Agentica項目還提供了多種示例，包括基于文檔的問答、代碼執行、科技報告撰寫、新聞稿撰寫等，這些示例展示了Agentica在不同場景下的應用能力 。項目還提供了安裝指南和快速入門指南，幫助開發者快速開始使用Agentica構建自己的智能體應用程序 。
Agentica項目由shibing624維護，它是一個開源項目，鼓勵社區貢獻，并且提供了詳細的文檔和示例來幫助開發者學習和使用 。項目還提供了如何引用Agentica的學術引用格式，以便于在研究中使用Agentica時進行適當的引用
快節奏、基于智能團隊合作的座席工作流程
項目地址：https://github.com/Drlordbasil/GroqAgenticWorkflow
GroqAgenticWorkflow由Drlordbasil發起，旨在通過智能體的合作來實現任務的高效執行和流程的自動化。這是一個快節奏、基于智能團隊協作的智能工作流項目，一個創新的人工智能系統，它利用Groq技術自主生成有盈利潛力的Python腳本。該平臺整合了專業的AI智能體、先進的NLP技術和前沿的語言模型，構建了一個自我維持的開發生態系統。其主要特性如下：
GroqAgenticWorkflow在革命性的AI驅動架構上運行，架構中包括幾個智能體角色：
創意生成：Bob，產品管理AI，根據市場趨勢提出項目創意；
架構設計：AI架構師Mike，負責軟件結構設計和算法選擇；
開發：AI開發人員Annie，負責代碼編寫、測試和優化；
DevOps和部署：DevOps AI Alex，管理基礎設施和部署流程；
持續優化：團隊協作，持續改進代碼庫和流程。
GroqAgenticWorkflow不僅是開發工具，也有機會成為推動各行業創新的催化劑，拓寬AI驅動解決方案的邊界。其未來愿景包括利用AI進行市場分析和趨勢預測、自動生成移動和Web應用程序、AI智能體自我進化及實現持續改進、構建基于區塊鏈的去中心化協作網絡。
?文/王吉偉
原文轉自 微信公眾號@王吉偉
