作者 | Robert Krzaczyński 译者 | 刘雅梦 LangChain 发布了 Open SWE，这是一个完全开源的异步编码智能体，旨在在云端运行并处理复杂的软件开发任务。公司表示，Open SWE 代表了从 实时"副驾驶"助手向更自主、长期运行的智能体的转变，这些智能体可以直接集成到开发人员现有的工作流程中。 与许多专注于 IDE 内短期交互的编码助手不同，Open SWE 直接连接到 GitHub 仓库，并像工程团队的另一名成员一样工作。开发人员可以通过 GitHub Issues 或专用 UI 分配任务给它，之后它会研究代码库，生成详细计划，编写和测试代码，进行审查，并在完成后打开一个拉取请求。 该工具旨在处理长上下文、长期任务。每次运行都在一个安全的、隔离的 Daytona 沙箱中进行，允许智能体自由执行 shell 命令，而不会危及宿主环 境。这种架构使其能够完全在云端运行，并行处理多个任务，而不消耗本地资源。 Open SWE 还强调人在回路中的控制。开发人员可以在任务中途中断智能体、请求更改或提供新的指令，而无需重新启动。在计划阶段，用户可以在执 行开始之前接受、编辑或拒绝建议的策 ...

主流AI AGENT框架 - 当前主流AI Agent框架种类繁多，各有侧重，适用于不同应用场景 [1] - 主要框架包括LangGraph、AutoGen、CrewAI、Smolagents和RAGFlow [2] - 各框架特点鲜明，LangGraph基于状态驱动，AutoGen强调多Agent对话，CrewAI专注协作，Smolagents轻量级，RAGFlow专注RAG流程 [2] CrewAI框架 - 开源多智能体协调框架，基于Python，通过角色扮演AI智能体协作完成任务 [3] - 核心特点包括独立架构、高性能设计、深度可定制化和全场景适用 [4] - 支持两种模式：Crews模式（智能协作团队）和Flows模式（事件工作流） [7] - 拥有超过10万认证开发者社区，生态活跃 [8] - 通过平衡易用性、灵活性与性能，帮助构建智能自动化系统 [9] CrewAI使用流程 - 创建项目结构清晰，遵循Python最佳实践，降低操作门槛 [11][12] - 配置文件与实现代码分离，便于调整行为 [13] - 可定义具有特定角色、目标和背景的AI agent [14] - 支持为agent分配具体工作并设置协作流程 [15][16][17][18] - 通过简单代码即可实现agent协同工作 [19][20] - 提供环境变量配置和依赖安装的便捷方式 [21][22][23] - 运行后可实时观察代理思考和输出，最终报告自动保存 [25][26] LangChain框架 - 由LangChain创建的开源AI代理框架，基于图的架构管理复杂工作流 [26] - 状态功能记录并追踪AI系统处理的所有信息 [30] - 支持创建反应式agent，配置LLM参数和自定义提示 [32][33][34][35] - 提供静态和动态两种提示类型 [36][37][38] - 支持记忆功能实现多轮对话 [39][40] - 可配置结构化输出，通过Pydantic模型定义响应格式 [41][42] - 推出LangGraph Studio可视化界面，降低使用门槛 [43] AutoGen框架 - 微软开源框架，支持多Agent对话协作完成任务 [44] - 统一接口设计，支持自动回复和动态对话 [44] - 提供易用灵活的开发框架，加速智能体AI研发 [46] - 核心特性包括多智能体对话、LLM与工具调用、自主工作流等 [46][49][50] - 提供开箱即用案例系统，覆盖多领域 [51] - 支持无代码执行和代码执行器配置 [53][54][55] - 代码执行器可在沙盒环境安全运行代码 [57][58][59][60][61][62][63][64] Smolagents框架 - HuggingFace推出的轻量级Agent开发库 [66] - 设计理念为"低门槛，高天花板，可拓展" [67] - 主要特点包括简洁实现、一流代码代理支持、通用工具调用等 [68][69] - 支持Hub集成，模型无关，可处理多模态输入 [70][71] - 提供丰富工具支持，包括MCP服务器、LangChain工具等 [72] - 安装简单，示例代码简洁明了 [74][75] RAGFlow框架 - 端到端RAG解决方案，专注深度文档理解 [75] - 核心能力包括高质量文本切片和异构数据源支持 [77][78] - 可智能识别文档结构，处理复杂格式非结构化数据 [77] - 支持多种文件类型，包括Word、PPT、Excel、图片等 [78] - 提供可控文本切片，多种模板选择 [77] - 适用于文档解析、知识问答和多模态数据处理 [79][86] 框架对比与选择 - CrewAI适合多智能体协作场景，如内容团队和市场分析 [80] - LangGraph适合复杂状态机和多步骤任务编排 [81] - AutoGen适合研究型任务和交互式应用 [82][86] - Smolagents适合快速开发和私有化部署 [82][86] - RAGFlow是处理多模态文档的首选方案 [82][86] - 选择依据包括协作需求、流程复杂度和开发轻量级要求 [86]

上下文工程的核心概念 - 将LLM视为通用的、不确定的文本生成函数而非拟人化实体 强调其无状态特性 需通过输入文本来控制输出[4][5][8] - 上下文工程的核心在于构建有效输入文本系统 而非依赖单句"魔法咒语"式的提示词工程[9][11] - LLM被类比为新型操作系统 需要为其准备完整运行环境而非零散指令[13] 上下文工程的技术要素 - 采用自动化系统构建"信息流水线" 从多源自动抓取整合数据形成完整上下文[15][17] - 工具箱包含四大核心工具：指令下达、知识记忆管理、检索增强生成(RAG)、智能体自主查资料[19][21] - RAG技术通过知识库检索防止模型幻觉 确保回答基于事实[19] - 智能体技术实现动态信息获取 自主判断需求并整合多源数据[21] 工程实践方法论 - 采用科学实验式流程 分"从后往前规划"和"从前往后构建"两阶段实施[23][24][25] - 实施路径：明确输出目标→倒推所需输入→设计自动化生产系统[26] - 模块化开发流程：依次测试数据接口、搜索功能、打包程序 最终进行端到端系统测试[30] - LangChain生态提供实践支持 包括LangGraph和LangSmith等工具[29][31]

Agentic系统构建 - 从讨论"是否是Agent"转向"Agentic性光谱"的思维转变 更有效减少定义争论[4][5] - 实际应用中更多机会集中在简单线性流程自动化 而非高度自治的复杂系统[6][7] - 企业面临的主要挑战是如何将现有工作流拆解为可自动化的"微任务"并建立评估体系[7] AI开发关键技能 - 掌握LangGraph/RAG/memory/evals等工具的组合应用能力 如同搭建乐高积木[9][11] - 建立系统性评估体系至关重要 可避免在错误路径上浪费数月时间[10] - AI辅助编程显著提升开发效率 但部分企业仍禁止使用[15] - 语音技术栈(voice stack)被严重低估 在降低用户交互门槛方面潜力巨大[15][18] 技术演进趋势 - MCP协议通过统一API标准显著简化数据对接流程 使集成成本从N×M降至N+M[21][22] - Agent间协作仍处早期阶段 跨团队Agent协同目前几乎没有成功案例[23] - 语音交互面临延迟挑战 需采用预响应机制等技巧优化用户体验[19] 初创企业建议 - 执行速度是初创企业成功的第一关键指标[26] - 技术知识深度比商业知识更为稀缺和关键[26] - 编程能力将成为基础技能 能明确表达需求比编码本身更重要[24]

行业观点分歧 - OpenAI发布构建AI Agents的实用指南，主张通过LLMs主导Agent设计[2] - LangChain创始人反对严格区分Agent类型，认为理想框架应允许结构化工作流向模型驱动灵活过渡[2] - Anthropic提出"Agentic系统"概念，将Workflows和Agents视为同一系统的不同表现形式[2][12] - 大模型派（Big Model）强调通用型智能体系统，工作流派（Big Workflow）主张模块化工作流构建[2] Agent定义差异 - OpenAI定义Agent为"能代表用户独立完成任务"的宏观系统[10] - Anthropic将Agent明确区分为预设规则的Workflows和动态决策的Agents[12][13] - 实际生产环境中大多数系统采用Workflows和Agents混合模式[16][20] - 建议采用"Agentic程度"的连续光谱概念替代二元分类[21] 技术实现挑战 - 构建可靠Agent的核心难点在于确保LLM每步获取精准上下文[26][27] - 上下文传递问题常源于系统提示不完整、工具描述不当或响应格式错误[28] - 声明式框架可视化清晰但动态性不足，代码优先方案更灵活但控制复杂[6][41] - 多Agent系统需解决通信机制问题，可采用交接或工作流混合模式[45][46] 框架设计维度 - 成熟框架需同时支持Workflows和Agents两种模式[32] - 需平衡可预测性与自主性，不同应用场景需求各异[33] - 理想框架应兼具低门槛（易用性）与高上限（扩展性）[37][40] - LangGraph采用声明式与命令式混合API，支持持久化与流式传输[30][31] 生产环境考量 - Agentic系统通常需牺牲延迟和成本换取任务表现[20][63] - 企业级应用需特殊功能如人工监督、容错机制和长期记忆存储[53][57] - 垂直领域需定制化方案，通用模型难以满足独特业务需求[67] - 框架价值体现在标准化构建方式、调试工具和生产级功能集成[49]