Hermes Agent
NousResearch 推出的自主 AI Agent 框架,支持多种 LLM 后端,能够随用户需求不断成长和适应。
用于构建 AI Agent 的核心框架
NousResearch 推出的自主 AI Agent 框架,支持多种 LLM 后端,能够随用户需求不断成长和适应。
AutoGPT 是一个自主 AI Agent,能够自动完成用户指定的任务。它会自主思考、规划并执行步骤,是 AI Agent 自主性的里程碑项目。
OpenCode 是开源的终端编程 Agent,跨平台支持并兼容 Claude、OpenAI 等多种 LLM,提供交互式 TUI 与可扩展的 AI 编码体验。
Langflow 是一个可视化的 AI Agent 和工作流构建平台,支持拖拽式设计 Agent 流程、集成多种 LLM 和工具,降低 Agent 开发门槛。
Python 生态的可视化 LLM 工作流构建器,强调多 Agent。
Dify 是一个开源的 LLM 应用开发平台,提供可视化的 Agent 编排界面,支持工作流、知识库和多种模型。
LangChain 是面向 Agent 工程化的开源框架与编排平台,提供模型接入、工具调用、RAG、记忆与可观测性的统一抽象。
LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它提供了链式调用、记忆管理、Agent 编排等核心功能,是构建 AI Agent 的首选框架之一。
由 Andrej Karpathy 开发的 AI 研究自动化 Agent,能在单 GPU 上自动运行纳米聊天训练研究实验。
OpenHands(前 OpenDevin)是面向软件开发的自主 AI Agent 平台,可独立完成代码修改、Bug 修复、特性开发等全流程工程任务。
OpenHands 是一个开源 AI 开发代理平台,支持通过智能体自动执行开发任务、修改代码与协作迭代。
统一高效的百种大语言模型与视觉语言模型微调框架,支持 LoRA、QLoRA、RLHF 等多种训练策略,为 Agent 提供定制化模型能力。
多智能体框架,致力于构建首个 AI 软件公司,通过自然语言编程实现多角色协作,自动完成需求分析、设计、编码和测试全流程。
MetaGPT 是一个把多智能体协作与软件工程 SOP 结合的多 Agent 框架,可让多个 Agent 像真实软件公司一样协作产出代码与文档。
微软出品的 AI 智能体入门课程,包含 12 节循序渐进的动手课程,覆盖智能体核心概念、工具使用和多智能体协作等主题。
Pi Mono 是一个全面的 AI 智能体工具包,包含编码智能体 CLI、统一 LLM API、TUI 与 Web UI 组件库、Slack 机器人及 vLLM Pod 管理,一站式覆盖智能体开发全链路。
一个开源的智能体工具平台(原名 oh-my-opencode),提供最佳智能体工具链,支持多种 AI 编程代理。
Open Interpreter 是面向开源模型的轻量级编程 Agent,支持 DeepSeek、Kimi、Qwen 等本地模型在终端执行代码与自动化任务。
领先的Claude Agent编排平台,支持部署智能多Agent群组、协调自主工作流程、构建对话式AI系统。具备企业级架构、分布式群集智能、RAG集成,原生支持Claude Code和Codex集成。
Meta 开源的 Llama 2 基础大语言模型,提供 7B 至 70B 参数预训练和微调版本,支持对话和文本补全,是开源 LLM 生态的重要基础。
微软研究院开源的多 Agent 编程框架,强调可对话 Agent 编排。
OpenManus 是 MetaGPT 团队打造的开源 AI Agent 框架,无需邀请码即可体验类 Manus 的自主任务执行能力,支持 MCP 工具调用和多 Agent 协作。
CrewAI 是一个用于编排角色扮演、自主协作 AI Agent 的多智能体框架,可让多个 Agent 像团队一样分工完成复杂任务。
面向多角色协作的 Python Agent 框架,强调角色分工与任务编排。
(24 / 252)
改了 Prompt 怎么知道是变好了还是变差了?系统介绍 Agent 的 canary 发布、质量门禁、自动回滚架构,以及如何在生产环境中持续监控 Agent 行为漂移。
大多数团队靠"看起来对了"来判断 Agent 质量。真正的评估需要三层指标、不腐烂的数据集、以及不会什么都同意的评判器。本文给出可运行的代码和可落地的决策框架。
系统对比 Agent Memory 的三大类别——短期记忆、长期记忆、共享记忆,从存储介质、生命周期、检索方式、典型框架到设计模式,完整覆盖 Agent 个性化和多 Agent 协作的工程实现。
本文系统讲解小语言模型(SLM)在 Agent 场景中的微调策略与边缘推理架构,覆盖 QLoRA 量化、推理引擎选型、上下文压缩与工具调用约束,帮助在边缘端以低延迟、低成本、强隐私地部署生产级 Agent。
系统梳理 Agent 工具调用的 7 大容错模式:超时分级、指数退避 + 抖动、熔断器、备用 Provider 链、可恢复错误分类、结构化校验、幂等键设计,让 Agent 在不稳定的真实环境中保持稳定输出。
多数 Agent 工作流并非败在模型能力,而是败在编排层。对比 DAG、状态机、可视化构建器三种编排范式,给出可复制的生产级错误处理、人工审批和条件分支代码。