标签： AI框架

Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单
📦 项目简介

Flowise 是一款可视化构建 AI 智能体的低代码平台，让你通过拖拽节点的方式组装 AI Agent 工作流，无需编写代码即可串联大模型、知识库和外部工具。基于 LangChain 生态构建，支持几乎所有主流 LLM，是构建 RAG 应用和 AI 自动化工作流的首选工具之一。

54K+

GitHub Stars

24K+

Forks

v3.1.3

最新版本

TypeScript

语言
⚙️ 安装要求和过程

环境要求

Node.js ≥ 20.0.0（推荐 v20.20.2）

PNPM（可选，用于本地开发）

Docker（可选，用于容器化部署）

方式一：全局安装（最简单）

# 安装 Flowise npm install -g flowise # 启动服务 npx flowise start # 访问地址 http://localhost:3000

方式二：Docker 部署

# 克隆项目 git clone https://github.com/FlowiseAI/Flowise.git cd Flowise/docker # 配置环境变量 cp .env.example .env # 启动容器 docker compose up -d

方式三：本地开发

# 安装 PNPM npm i -g pnpm # 克隆仓库 git clone https://github.com/FlowiseAI/Flowise.git cd Flowise # 安装依赖 pnpm install # 构建项目 pnpm build # 启动开发服务器 pnpm dev

⚠️ 如果构建时出现内存溢出，运行 export NODE_OPTIONS="--max-old-space-size=4096" 后重试
✨ 核心功能

🎨 可视化工作流编排

通过拖拽节点、连线的可视化方式组装 AI Agent，支持 AgentFlow V2（迭代节点、条件节点、HTTP节点），无需编写代码即可构建复杂 AI 工作流。支持导出/导入工作流，方便分享与协作。

🤖 多模型支持

支持 OpenAI、Claude、Gemini、HuggingFace、Ollama 等几乎所有主流 LLM，同时支持 AWS Bedrock 全模型目录和自定义模型接入。Mistral AI FunctionAgent 支持工具调用流式输出。

📚 知识库与 RAG

原生支持向量存储和嵌入模型接入，可给 Agent 添加知识库，实现 RAG（检索增强生成）。支持多种向量数据库（Pinecone、Weaviate、Qdrant、Chroma 等）。

🔌 MCP 协议支持

支持 Model Context Protocol (MCP)，可接入各种 MCP 服务器，扩展 Agent 能力。同时支持自定义工具集成，真正实现对外部系统的无缝对接。

🔐 细粒度权限控制

API 密钥支持细粒度权限控制，可按用户权限限定 API 密钥权限范围。支持用户名密码认证，凭证字段类型安全优化，避免敏感信息泄露。

🚀 典型使用场景

场景一：构建企业知识库聊天机器人

上传企业文档（PDF、Word、Markdown等），Flowise 自动解析并建立向量索引。通过可视化界面组装”文档加载 → 文本分割 → 向量存储 → 检索 → LLM 生成”的完整 RAG 链路，一键部署为聊天接口，嵌入企业微信/官网/APP。

场景二：AI 工作流自动化

利用 AgentFlow V2 的迭代节点和条件节点，构建复杂的 AI 自动化工作流。例如：自动抓取网页内容 → 用 LLM 提取关键信息 → 判断内容类型 → 分别存储到不同数据库 → 发送通知。整个流程可视化编排，支持人工审核节点。

场景三：多模型对比与路由

在同一个工作流中接入多个 LLM，通过条件节点实现智能路由（简单问题用 GPT-3.5，复杂推理用 Claude Opus），或对同一个 Prompt 并行调用多个模型，对比输出质量后选择最佳答案。
💡 推荐理由

低代码、零门槛：可视化拖拽编排，产品/运营同学也能上手，不再依赖专业开发者

LangChain 生态加持：基于 LangChain 构建，享受其丰富的组件和工具生态，同时弥补了 LangChain 代码复杂的短板

活跃社区：54K+ Stars，3600+ Commits，频繁更新（最近一次提交 2026-06-30），社区支持完善

多部署方式：支持本地部署、Docker、Railway、Render、HuggingFace Spaces、Sealos 等一键部署，满足不同场景需求

开放协议：Apache-2.0 许可，可完全自托管，数据不出内网，满足企业合规要求
📥 下载地址

🐙 GitHub：github.com/FlowiseAI/Flowise

🌐 官方网站：flowiseai.com

📚 官方文档：docs.flowiseai.com

☁️ Flowise Cloud：flowiseai.com（官方托管服务，免部署即用）

💬 Discord 社区：discord.gg/jbaHfsRVBW
● ● ●

📌 本文由自动化任务定时发布 | 数据来源：GitHub API | 更新时间：2026-07-01

🔗 项目 GitHub: github.com/FlowiseAI/Flowise
2026年7月1日
Vercel AI SDK：构建流式 AI 应用的官方 TypeScript 工具包，25K+ Stars 让 Next.js 开发 AI 应用变得简单
🤖 Vercel AI SDK：构建 AI 应用的官方 TypeScript 工具包

The AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered applications and agents

⭐ GitHub Stars

25.251

💻 主要语言

TypeScript

📜 开源许可

NOASSERTION

🏢 开发团队

Vercel

📦 最新版本

@ai-sdk/xai@4.0.3

🔄 周下载量

100万+

📌 项目简介

Vercel AI SDK 是 Vercel 官方推出的 TypeScript 工具包，专为构建跨框架、跨平台的流式 AI 应用而设计。它提供了一套统一的 API，让开发者可以在 Next.js、React、Vue、Svelte 等任何 JavaScript 框架中，轻松集成 OpenAI、Anthropic、Google 等主流 LLM，并以流式方式将 AI 生成内容实时渲染到 UI 中。

作为 Vercel AI 工程平台 的开源核心，AI SDK 已被广泛用于构建 ChatGPT 类应用、AI 写作助手、智能客服等场景。它不仅是 Vercel 官方 AI 解决方案的基石，也是 TypeScript 生态中最流行的 AI 应用开发工具包，GitHub 星标超过 25,000+，npm 周下载量超过 100 万次。

⚙️ 安装要求和过程

环境要求
- 运行环境：Node.js 18.0+（推荐 20+）
- 框架支持：Next.js 14+（App Router 优先）、React 18+、Vue 3+、Svelte 4+
- TypeScript：推荐 5.0+（完整类型支持）
- 包管理器：npm / pnpm / yarn / bun 均可
快速安装

在 Next.js 项目中一键安装：
// 核心包 + OpenAI 提供商 npm install ai @ai-sdk/openai // 或使用 pnpm pnpm add ai @ai-sdk/openai // Vue/Nuxt 项目 npm install ai @ai-sdk/vue @ai-sdk/openai // Svelte/SvelteKit 项目 npm install ai @ai-sdk/svelte @ai-sdk/openai
最小可用示例（Next.js App Router）
// app/api/chat/route.ts import { openai } from '@ai-sdk/openai'; import { streamText } from 'ai'; export async function POST(req: Request) { const { prompt } = await req.json(); const result = await streamText({ model: openai('gpt-4o'), prompt, }); return result.toDataStreamResponse(); }
前端调用（React hooks）：
// app/components/Chat.tsx 'use client'; import { useChat } from 'ai/react'; export default function Chat() { const { messages, input, handleInputChange, handleSubmit } = useChat(); return ( <div> {messages.map(m => ( <div key={m.id}> <strong>{m.role}:</strong> {m.content} </div> ))} <form onSubmit={handleSubmit}> <input value={input} onChange={handleInputChange} /> </form> </div> ); }
无需手动管理流式响应、无需手写 ReadableStream 解析，AI SDK 全部帮你搞定。

🌟 核心功能
- 📡 流式输出（Streaming） — 内置完整的流式响应处理，AI 生成内容可逐字实时渲染到 UI，用户体验媲美 ChatGPT。支持 streamText、streamObject、streamData 等多种流式 API，兼容 Edge Runtime。
- 🧩 多框架支持 — 提供 React、Vue、Svelte 专用 hooks（useChat、useCompletion、useObject），一套核心逻辑适配所有主流前端框架。每个框架都有独立的 @ai-sdk/xxx 适配器包。
- 🔌 多模型统一接口 — 通过 @ai-sdk 系列提供商适配器，统一接入 OpenAI、Anthropic、Google Gemini、AWS Bedrock、Azure、Ollama、Groq 等 30+ LLM 提供商，切换模型只需改一行代码。
- 🛠️ 工具调用（Tool Calling） — 原生支持 LLM 工具调用（Function Calling），可用 TypeScript 函数定义 AI 可调用的”工具”，LLM 自行决定调用哪些工具。支持多步工具调用链（maxSteps），轻松构建自主 Agent。
- 💾 对话持久化 — 内置 useChat 的持久化支持，可对接 Vercel KV、Upstash Redis、PostgreSQL 等存储方案，轻松实现对话历史管理与多会话管理。
- 🖼️ 多模态支持 — 支持图像输入（Vision）、语音转文字（Transcription）、文字转语音（Speech）、图像生成（Image Generation）等多模态能力，覆盖 AI 应用全链路。
💡 典型使用场景

场景一：构建类 ChatGPT 的对话应用

AI SDK 的 useChat hook 封装了完整的对话状态管理（消息列表、输入状态、提交处理、流式更新），开发者只需几行代码即可构建支持流式输出的多轮对话 UI。配合 Next.js App Router 的 Server Actions，可实现端到端的类型安全。

适用项目：AI 聊天助手、智能客服系统、企业内部知识库问答、教育辅导机器人。

场景二：AI 辅助写作与内容生成

利用 useCompletion hook，可在任意输入框中集成 AI 续写、改写、翻译、摘要等功能。流式输出让用户实时看到生成结果，配合 streamObject 还可生成结构化 JSON 数据（如自动填充表单、结构化数据提取）。

适用项目：AI 写作工具、邮件智能助手、代码补全插件、SEO 内容生成器。

场景三：AI Agent 与自动化工作流

AI SDK 的 Tool Calling 功能允许定义 JavaScript 函数作为 AI 可调用的”工具”，LLM 可自行决定调用哪些工具来完成任务。配合 maxSteps 参数可实现多轮工具调用链，构建能自主规划并执行任务的 AI Agent。Vercel 还提供了 Agent 专用 API，支持中断/恢复、状态持久化等高级能力。

适用项目：智能数据分析助手、自动化工作流编排、AI 运维助手、个人生产力 Agent。

🔥 推荐理由

为什么选择 Vercel AI SDK？

1. Vercel 官方背书，生态最完整
作为 Next.js 母公司 Vercel 的官方 AI 解决方案，AI SDK 与 Next.js App Router 深度集成，部署到 Vercel 平台可享受零配置体验。同时支持 Netlify、Cloudflare Pages 等所有主流部署平台，Edge Runtime 全面兼容。

2. 流式输出体验最佳
AI SDK 的流式处理是 TypeScript 生态中最成熟的实现，支持文字、对象、工具调用结果、Data Stream 附件等多种数据类型的流式传输，前端渲染延迟低至毫秒级。内置的 Data Stream Protocol 还支持在流式响应中夹带自定义数据（如推理过程、来源引用）。

3. 跨框架复用，学习成本低
核心 API 设计高度一致，从 React 迁移到 Vue 只需更换 import 路径。官方文档提供各框架的完整示例，且每个示例都有 TypeScript 类型标注，上手非常快。AI SDK Core（模型调用）甚至可以脱离前端框架在纯 Node.js 环境中使用。

4. 内置多模态 AI 工具链
除了基础对话，还内置了 generateImage（图像生成）、embed（文本嵌入向量化）、transcribe（语音转文字）、speech（文字转语音）等多模态能力，并支持通过统一接口调用。未来还将支持视频生成等更多模态。

5. 活跃的社区与持续迭代
Vercel 团队保持高频迭代（平均每周发布），积极跟进 LLM 最新能力（如 Anthropic 的 Computer Use、OpenAI 的 o1 推理模式）。GitHub 上 25K+ Stars，npm 周下载量 100 万+，社区提供的示例项目和模板非常丰富。

💡 个人使用感受：我用 AI SDK 构建过两个 AI 聊天项目，最深刻的印象是”省心”——流式输出不用自己处理 ReadableStream，工具调用不用手写 JSON Schema 解析，连 TypeScript 类型都是自动推导的。如果你在用 Next.js，这基本上是唯一选择；如果你在用其他框架，它同样是最好的 TypeScript AI 工具包。

📥 下载地址

📦 GitHub 仓库
 📚 官方文档
 🚀 Vercel AI 模板
 📦 npm 包

开源许可：NOASSERTION（实际以仓库 LICENSE 文件为准）
GitHub：github.com/vercel/ai
官网/文档：sdk.vercel.ai
所属公司：Vercel（Next.js 母公司）
适合人群：Next.js/React/Vue 开发者、AI 应用创业者、全栈工程师、前端 AI 集成需求者
2026年6月30日

OpenAI Agents SDK：OpenAI官方多智能体框架，27K+ Stars让Agentic AI开发变得简单

OpenAI Agents SDK 多智能体编排架构示意图（图片来源：OpenAI 官方文档）

项目简介

OpenAI Agents SDK 是 OpenAI 官方出品的轻量级、强大的多智能体工作流编排框架，2025年3月开源，至今已获得 27,470+ Stars 和 4,227 Forks。一句话概括：让你用极简的 Python 代码，构建生产级的多智能体 AI 应用。

与 LangChain、AutoGen 等第三方框架不同，Agents SDK 是 OpenAI 官方原生维护，与 OpenAI API 深度集成，同时支持 100+ 其他 LLM（通过 LiteLLM），真正做到了 provider-agnostic（提供商无关）。

🌟 核心定位：不是另一个 AI 框架，而是 OpenAI 对「如何构建 Agentic AI 应用」的官方最佳实践。如果你在用 GPT/Claude 构建智能体应用，这是目前最权威的参考实现。

安装要求和过程

环境要求

Python：3.10 及以上版本
依赖：Pydantic v2、httpx、mcp-python-sdk
API Key：OpenAI API Key（或兼容的其它 LLM）

快速安装

# 使用 pip（推荐）
pip install openai-agents

# 使用 uv（更快）
uv add openai-agents

# 语音功能支持（可选）
pip install 'openai-agents[voice]'

# Redis 会话支持（可选）
pip install 'openai-agents[redis]'

最小可运行示例

import os
from agents import Agent, Runner

# 设置 API Key（支持任何兼容 OpenAI API 的服务）
os.environ["OPENAI_API_KEY"] = "your-api-key"

agent = Agent(
    name="Assistant",
    instructions="你是一个有帮助的助手。",
)

result = Runner.run_sync(agent, "用一句话解释什么是 MCP？")
print(result.final_output)

核心功能

🤖 1. Agents — 智能体定义

通过声明式 API 定义智能体：配置指令（instructions）、工具（tools）、安全护栏（guardrails）和交接策略（handoffs）。每个 Agent 是一个独立的 LLM 调用上下文。

🔄 2. Handoffs — 智能体交接

一个智能体可以将对话「交接」给另一个智能体，实现专业分工。例如： triage Agent → 路由到 billing Agent / technical Agent，是构建多智能体系统的核心机制。

🛡️ 3. Guardrails — 输入/输出安全护栏

可配置的安全检查，在 Agent 执行前后验证输入和输出。支持自定义 guardrail 函数，实现内容审核、敏感信息过滤、输出格式校验等。

🔧 4. Tools + MCP — 工具与协议扩展

支持函数工具（function tools）、MCP 服务器工具、托管工具（web search / file search / computer use）。MCP 协议原生支持，可接入 1000+ 工具生态。

📊 5. Tracing — 内置可观测性

所有 Agent 运行自动记录追踪信息，可在 OpenAI Traces Dashboard 查看、调试和优化工作流。无需额外配置，开箱即用。

📦 6. Sandbox Agents — 容器化工作空间

v0.14.0 新增功能。Agent 可以在隔离的容器环境中执行真实工作（读写文件、运行命令、应用补丁），支持长时间跨会话的任务。可用于代码审查、自动修复等场景。

🎙️ 7. Realtime Agents — 语音智能体

基于 gpt-realtime-2 模型构建语音智能体，支持实时语音对话，完整集成 Agent 所有功能（工具调用、handoffs、guardrails）。可用于构建 AI 客服、语音助手等。

💬 8. Sessions — 会话历史管理

自动管理跨多次运行的对话历史，开发者无需手动维护上下文。支持 Redis 持久化，适合生产环境。

典型使用场景

场景一：客户服务多智能体系统

构建一个客服系统，用户消息首先进入 Triage Agent，根据问题类型自动交接给：

Billing Agent：处理账单、退款、付费问题
Technical Agent：处理技术故障、错误排查
Escalation Agent：复杂问题升级人工处理（Human-in-the-loop）

每个专业 Agent 有自己的指令、工具和知识库，Handoffs 实现无缝切换。Guardrails 确保用户输入和 Agent 输出符合安全规范。

场景二：AI 编程助手（代码审查+自动修复）

利用 Sandbox Agents 在隔离环境中运行 AI 编程助手：

Agent 克隆代码仓库到沙箱
阅读代码、分析 Issue
生成修复方案并执行测试
自动提交 PR

整个过程在沙箱中完成，不影响生产环境。支持跨长时间任务（分钟级到小时级）。

场景三：语音 AI 助手（Realtime Agent）

基于 Realtime Agents 构建语音助手：

用户通过语音提问
gpt-realtime-2 实时理解并响应
Agent 调用工具（查天气、搜信息、控制智能家居）
支持中断、插话、多轮对话

可用于 AI 客服热线、语音笔记助手、语言学习陪练等场景。

项目数据一览

指标	数据
GitHub Stars	27,470+ ⭐
Forks	4,227
主要功能	多智能体编排、Handoffs、Guardrails、Tracing、MCP、Sandbox Agents、Realtime
编程语言	Python（也支持 JS/TS）
开源许可	MIT License
维护方	OpenAI 官方
创建时间	2025年3月11日
最后更新	2026年6月27日（非常活跃 🔥）

下载地址

pip install openai-agents

📚

官方文档

完整 API 参考

🚀 OpenAI Agents SDK 让构建生产级多智能体应用变得简单而强大。如果你正在做 AI Agent 项目，这应该是你的首选框架。

2026年6月28日

Haystack：构建生产级 LLM 应用的首选 AI 编排框架，25K+ Stars 让 RAG 和 Agent 工作流完全透明可控
Haystack 是由 deepset 团队（已被 Cohere 收购）开发的开源 AI 编排框架，专为构建生产级 LLM 应用而设计。它让开发者以显式控制的方式设计模块化 Pipeline 和 Agent 工作流，覆盖 RAG、多模态、语义搜索、问答系统和自主智能体等场景。

📦 安装要求和过程
环境要求

Python >= 3.9（推荐 3.10+）

pip 包管理器

可选：Docker（用于容器化部署）

可选：GPU（用于本地模型推理加速）

快速安装

# 安装稳定版

pip install haystack-ai

# 安装 nightly 预览版（尝鲜最新功能）

pip install –pre haystack-ai

# 验证安装

python -c “import haystack; print(haystack.__version__)”

💡 可选依赖：pip install haystack-ai[openai,anthropic,mistral] 可一次性安装主流模型提供商支持。
🚀 核心功能

🧠

上下文工程优先

显式控制信息检索、排序、过滤、组合、结构化和路由的全流程。Pipeline 和 Agent 工作流完全透明、可追踪。

🔄

模型与厂商无关

集成 OpenAI、Mistral、Anthropic、Cohere、HuggingFace、Azure、AWS Bedrock、本地模型等。切换模型或基础设施无需重写系统。

🧩

模块化与可定制

内置检索、索引、工具调用、记忆、评估等组件，也可自定义。支持循环、分支和条件逻辑，精确控制上下文流转。

🌐

可扩展生态系统

通过统一接口构建和共享自定义组件，社区和第三方可轻松扩展 Haystack。支持 Hayhooks 将 Pipeline 包装为 REST API 或 MCP 服务器。

💡 典型使用场景

1

企业级 RAG 知识库系统

某德国联邦部委使用 Haystack 构建了面向公众的语义搜索系统，支持多语言文档检索和精准问答。通过 Haystack 的混合检索（稠密+稀疏向量）和重排序功能，实现了比传统关键词搜索高出 3 倍的准确率。系统部署在私有云上，数据完全合规。

2

多模态 AI 客服助手

某欧洲航空公司使用 Haystack 构建了支持文本+图片输入的客服 Agent，客户可以上传行李损坏照片，Agent 自动检索相关政策文档并生成处理建议。Haystack 的多模态 Pipeline 设计让文本和视觉信息在统一框架下协同工作，大幅缩短了投诉处理周期。

🌟 推荐理由

💬 笔者心得

在尝试了 LangChain、LlamaIndex 等多个 LLM 应用框架后，Haystack 给我留下的印象是「透明」和「可控」。与 LangChain 的「黑盒」链式调用不同，Haystack 的 Pipeline 是显式定义的——每个组件的输入输出、数据流向都一目了然，调试起来非常直观。

特别值得一提的是 Haystack 对上下文工程（Context Engineering）的重视。在 RAG 系统中，如何精准控制检索策略、如何组合多路召回结果、如何设计记忆机制，这些才是决定效果的关键。Haystack 把这些控制权交给了开发者，而不是封装成不可见的「魔法」。

另外，Haystack 的企业级基因也很突出——它诞生于 deepset 的商业化实践，从第一天就考虑了生产部署、可观测性、访问控制等现实需求。现在 deepset 被 Cohere 收购，Haystack 企业版（Haystack Enterprise Platform）更是提供了托管化生产 setup，对的企业用户来说是很好的选择。

📥 下载地址

🌐 官方网站

haystack.deepset.ai

🐙 GitHub 仓库

github.com/deepset-ai/haystack

25,730+ Stars · 2,884+ Forks

📚 官方文档

docs.haystack.deepset.ai

💬 Discord 社区

discord.gg/qZxjM4bAHU

🐍 PyPI 安装

pip install haystack-ai

🍳 Cookbook 食谱

haystack.deepset.ai/cookbook

📊 项目速览

⭐ Stars：25,730+

🍴 Forks：2,884+

📅 创建时间：2019-11

🔄 最近更新：2026-06-26

📝 开源许可：Apache-2.0

💻 主要语言：Python

🏢 维护团队：deepset（Cohere 旗下）

🌟 用户案例：Apple、Meta、NVIDIA、Netflix、Airbus 等
2026年6月26日

CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

Star 数: 53.7K+ | 语言: Python | 协议: MIT | 更新: 2026-06-17

📌 项目简介

CrewAI 是一个完全独立、轻量、高性能的 Python 多智能体编排框架，专门用于协调角色扮演型自主 AI 智能体。它从零构建，不依赖 LangChain 或其他智能体框架，兼顾高层级开发的简洁性和底层控制的精准性，让多个 AI Agent 像真实团队一样分工协作，高效完成复杂任务。

目前已有超过 10 万名开发者通过官方学习平台完成认证，CrewAI 正快速成为企业级 AI 自动化的标准框架。

CrewAI 核心能力架构示意图

⚙️ 安装要求和过程

环境要求

Python: ≥ 3.10 且 < 3.14
依赖管理: 推荐使用 UV（极速 Python 包管理器）
LLM 接入: 需配置 OpenAI API Key 或兼容接口（支持 Ollama 本地模型）

快速安装

# 安装基础版本
uv pip install crewai

# 安装带常用工具的完整版本
uv pip install 'crewai[tools]'

# 创建新项目（推荐）
crewai create crew my_project

常见问题排查

报错信息	解决方案
`ModuleNotFoundError: No module named 'tiktoken'`	显式安装: `uv pip install 'crewai[embeddings]'`
`Failed building wheel for tiktoken`	安装 Rust 编译器 + Visual C++ Build Tools，或使用预编译包

✨ 核心功能

1. 完全独立的轻量框架

CrewAI 从零开始构建，完全不依赖 LangChain 等第三方智能体框架。执行速度比 LangGraph 快 5.76 倍（QA 任务场景），资源占用更低，定制更灵活。你可以在任意层级深度自定义 —— 从整体工作流到智能体内部提示词，全部开放。

2. 双模式编排：Crew + Flow

CrewAI 提供两种互补的核心编排能力：

Crew（智能体组）：支持智能体自主协作和动态决策，适合需要灵活交互的任务
Flow（工作流）：企业级生产架构，提供细粒度、事件驱动的流程控制，支持单 LLM 调用精准编排，原生兼容 Crew

两者可无缝结合，兼顾灵活性与可控性。

3. YAML 配置驱动开发

通过 agents.yaml 和 tasks.yaml 声明式配置智能体角色、目标和任务描述，将业务逻辑与代码逻辑完全解耦。@CrewBase 装饰器自动加载配置，开发体验极佳：

# config/agents.yaml
researcher:
  role: "{topic} Senior Data Researcher"
  goal: "Uncover cutting-edge developments in {topic}"
  backstory: "You're a seasoned researcher with a knack for ..."

# config/tasks.yaml
research_task:
  description: "Conduct a thorough research about {topic}"
  expected_output: "A list with 10 bullet points ..."
  agent: researcher

4. 丰富的工具生态与集成

内置 crewai_tools 工具包，包含 SerperDevTool（Google 搜索）、ScrapeWebsiteTool、PDFSearchTool 等常用工具。同时支持：

对接 Ollama / LM Studio 本地模型
对接 OpenAI / Anthropic / Gemini 等主流 LLM
自定义 Tool 类，轻松扩展能力边界
与企业现有系统、数据源和云基础设施无缝集成

5. 企业级可观测性与安全

CrewAI AMP Suite 提供企业级综合解决方案：

追踪与可观测性：实时监控 AI 智能体和 Workflows，提供指标、日志、调用链路追踪
统一控制平面：集中管理、监控、扩缩 AI 智能体和自动化流程
高级安全能力：内置安全与合规机制，支持本地/云端灵活部署
7×24 小时企业支持：专属支持团队保障业务无中断运行

💡 典型使用场景

场景一：AI 行业动态自动研究报告

配置一个「资深研究员」智能体和「报告分析师」智能体，前者利用搜索工具搜集最新资料，后者将分析结果整理为结构化 Markdown 报告。全程自动化，每天早上收到一份行业动态简报。

inputs = {'topic': 'AI Agents'}
LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)
# 输出: report.md — 完整的研究报告

适用：市场调研、竞品分析、技术趋势跟踪

场景二：股票分析自动化流水线

结合 SerperDevTool 获取实时财经新闻，多个分析智能体分别负责基本面分析、技术面分析、风险评估，最终由汇总智能体输出投资建议报告。CrewAI 官方示例仓库中提供了完整的 Stock Analysis 案例。

适用：量化投研、财经内容自动生成、投资决策辅助

场景三：旅行规划智能体组

「目的地推荐师」「酒店比价员」「行程安排师」三个智能体协同工作：推荐师根据预算和偏好输出目的地清单，比价员自动抓取酒店价格，安排师生成逐日行程表。CrewAI 官方 Trip Planner 示例可直接运行。

适用：个性化推荐系统、旅行/餐饮/购物助手、智能客服

🌟 推荐理由

在多智能体框架的选型上，我曾对比过 LangGraph、AutoGen 和 CrewAI，最终选择深入使用 CrewAI，原因主要有三点：

学习曲线最平缓。YAML 配置 + Python 代码的分离设计让业务逻辑一目了然，官方 learn.crewai.com 学习平台提供从入门到精通的系统课程，还有 DeepLearning.AI 的免费短课程，上手速度远超同类框架。
生产就绪。很多多智能体框架停留在 Demo 阶段，CrewAI 在设计之初就考虑了生产环境需求 —— Memory（记忆）、Delegation（任务委托）、Human-in-the-loop（人工介入）等生产必备功能一应俱全，且有企业级 AMP Suite 提供运维保障。
性能优势明显。官方基准测试显示 CrewAI 比 LangGraph 快 5.76 倍，在实际项目中我也感受到明显差异，尤其是多智能体并行执行场景下，响应速度和稳定性表现出色。

如果你正在考虑引入多智能体架构，CrewAI 是目前最成熟、最易上手的选项之一。建议从官方示例仓库 crewAI-examples 挑一个最接近你需求的案例跑起来，15 分钟就能感受到它的威力。

📥 下载地址

🔗 官方网站: https://crewai.com
🔗 GitHub 仓库: https://github.com/crewAIInc/crewAI （Star 53.7K+）
🔗 官方文档: https://docs.crewai.com
🔗 在线试用: https://app.crewai.com （免费试用 Control Plane）
🔗 示例仓库: crewAI-examples
🔗 社区论坛: https://community.crewai.com

本文由 AI 辅助撰写，技术细节请参考官方文档。如有错误，欢迎在评论区指正。

2026年6月17日

LangChain — 135K+ Stars 的 AI 智能体工程平台，构建 LLM 应用的首选框架
🔗 LangChain

The Agent Engineering Platform — 135K+ Stars

📦 langchain-ai/langchain · MIT License · Python

📝 项目简介

LangChain 是一个智能体工程平台，为构建 LLM 驱动的应用提供标准化接口与丰富的第三方集成，帮助开发者快速构建、调试和部署生产级 AI 智能体应用。

135K+

GitHub Stars

279K+

依赖项目

600+

集成组件

v1.x

最新稳定版
⚙️ 安装要求与过程

环境要求

Python ≥ 3.9

推荐使用 uv 作为包管理工具

需要有效的 LLM API Key（OpenAI / Anthropic / 国内模型等）

# 快速安装

# 使用 uv 安装（推荐） uv add langchain # 使用 pip 安装 pip install langchain # 安装特定模型集成 pip install langchain-openai pip install langchain-anthropic

# 快速开始 — Hello World

from langchain.chat_models import init_chat_model # 初始化模型（支持任意提供商） model = init_chat_model("openai:gpt-4o") # model = init_chat_model("anthropic:claude-sonnet-4-20250514") result = model.invoke("用一句话解释什么是 LangChain") print(result.content)
⭐ 核心功能

1

标准化模型接口

为模型、嵌入、向量存储等核心组件提供统一接口，切换底层模型无需重构业务代码，彻底告别厂商锁定。

2

丰富的第三方集成

内置 600+ 集成组件，覆盖主流 LLM 提供商、向量数据库、检索工具、API 工具等，即插即用。

3

灵活的抽象层次

从高层级链式调用（快速原型）到底层组件细粒度控制（复杂生产场景），支持不同复杂度的应用需求。

4

LangGraph 智能体编排

配套 LangGraph 提供低层级智能体编排框架，支持复杂可控的多智能体工作流，适合生产级应用场景。

5

LangSmith 可观测性

无缝对接 LangSmith 进行智能体评估、调试与监控，支持生产环境部署与长时状态工作流扩缩容。

🚀 典型使用场景

场景一：RAG（检索增强生成）问答系统

将企业知识库文档向量化存储，结合 LangChain 的 Retriever 组件与 LLM，实现基于私有数据的精准问答。支持对接 Chroma、Pinecone、FAISS 等主流向量数据库，是构建企业 AI 知识助手的首选方案。

场景二：智能客服 / AI Agent 工作流

利用 LangChain 的 Agent 与 Tools 机制，让 LLM 自主调用搜索引擎、数据库查询、API 接口等工具，构建能完成多步骤复杂任务的智能助手。结合 LangGraph 可实现包含人工审批节点的复杂业务流程自动化。

场景三：结构化数据抽取与处理

利用 LangChain 的 OutputParser 与 Structured Output 功能，从非结构化文本中抽取结构化信息（如提取简历关键信息、解析合同要素），并输出为 JSON / Pydantic 模型，方便后续业务系统处理。

💡 推荐理由

LangChain 是 AI 应用开发领域当之无愧的”基础设施”。如果你正在构建任何与 LLM 相关的应用，LangChain 几乎是你绕不开的选择。

它的核心价值在于标准化：无论你用 OpenAI、Anthropic 还是国产模型，接口一致；无论你用 PostgreSQL、Pinecone 还是 FAISS 存向量，接口一致。这种抽象让你可以随时切换底层技术，而不用重写应用逻辑。

2026 年 LangChain 已迭代至 v1.x 稳定版，配套生态（LangGraph 智能体编排、LangSmith 可观测性、Deep Agents 低代码智能体）日趋完善，从快速原型到生产部署的全流程都有成熟方案支撑。

当然，LangChain 的抽象层较厚，对于追求极致性能的场景可能需要权衡。但对于绝大多数 AI 应用开发者而言，它依然是目前最成熟、社区最活跃、学习资源最丰富的不二之选。

📥 下载地址

🐙

GitHub 仓库

github.com/langchain-ai/langchain

📚

官方文档

docs.langchain.com

🎓

LangChain Academy 免费课程

academy.langchain.com

📦

PyPI 安装包

pypi.org/project/langchain

⋯⋯

AI
开源
LangChain
LLM
AI Agent
2026年6月17日

标签： AI框架

Flowise：可视化构建AI智能体的低代码平台，54K+Stars让AI Agent开发变得简单

📦 项目简介

⚙️ 安装要求和过程

环境要求

方式一：全局安装（最简单）

方式二：Docker 部署

方式三：本地开发

✨ 核心功能

🎨 可视化工作流编排

🤖 多模型支持

📚 知识库与 RAG

🔌 MCP 协议支持

🔐 细粒度权限控制

🚀 典型使用场景

场景一：构建企业知识库聊天机器人

场景二：AI 工作流自动化

场景三：多模型对比与路由

💡 推荐理由

📥 下载地址

Vercel AI SDK：构建流式 AI 应用的官方 TypeScript 工具包，25K+ Stars 让 Next.js 开发 AI 应用变得简单

🤖 Vercel AI SDK：构建 AI 应用的官方 TypeScript 工具包

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

最小可用示例（Next.js App Router）

🌟 核心功能

💡 典型使用场景

场景一：构建类 ChatGPT 的对话应用

场景二：AI 辅助写作与内容生成

场景三：AI Agent 与自动化工作流

🔥 推荐理由

为什么选择 Vercel AI SDK？

📥 下载地址

OpenAI Agents SDK：OpenAI官方多智能体框架，27K+ Stars让Agentic AI开发变得简单

项目简介

安装要求和过程

环境要求

快速安装

最小可运行示例

核心功能

🤖 1. Agents — 智能体定义

🔄 2. Handoffs — 智能体交接

🛡️ 3. Guardrails — 输入/输出安全护栏

🔧 4. Tools + MCP — 工具与协议扩展

📊 5. Tracing — 内置可观测性

📦 6. Sandbox Agents — 容器化工作空间

🎙️ 7. Realtime Agents — 语音智能体

💬 8. Sessions — 会话历史管理

典型使用场景

场景一：客户服务多智能体系统

场景二：AI 编程助手（代码审查+自动修复）

场景三：语音 AI 助手（Realtime Agent）

推荐理由

项目数据一览

下载地址

Haystack：构建生产级 LLM 应用的首选 AI 编排框架，25K+ Stars 让 RAG 和 Agent 工作流完全透明可控

📦 安装要求和过程

环境要求

快速安装

🚀 核心功能

上下文工程优先

模型与厂商无关

模块化与可定制

可扩展生态系统

💡 典型使用场景

企业级 RAG 知识库系统

多模态 AI 客服助手

🌟 推荐理由

📥 下载地址

CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

常见问题排查

✨ 核心功能

1. 完全独立的轻量框架