文章目錄一、為什么需要智能體框架二、smolagents：代碼優(yōu)先的輕量智能體框架2.1 核心設(shè)計(jì)理念2.2 smolagents 的兩類 Agent2.3 模型（Model）接入2.4 快速開始：第一個 smolagents Agent2.5 關(guān)鍵參數(shù)說明三、smolagents 實(shí)戰(zhàn)：工具創(chuàng)建與默認(rèn)工具集3.1 用 `@tool` 裝飾器創(chuàng)建工具3.2 用 `Tool` 類創(chuàng)建復(fù)雜工具3.3 工具的自動文檔化：寫好 docstring3.4 默認(rèn)工具集3.5 工具的分享與導(dǎo)入四、smolagents 進(jìn)階：檢索智能體、多智能體與視覺智能體4.1 檢索增強(qiáng)智能體（Agentic RAG）4.2 多智能體系統(tǒng)（Multi-Agent Systems）4.3 視覺智能體（Vision Agents）4.4 瀏覽器智能體（Browser Agents）4.5 smolagents 單元知識檢查（Quiz）要點(diǎn)五、LlamaIndex：數(shù)據(jù)框架中的智能體生態(tài)5.1 框架定位5.2 核心組件概覽5.3 快速開始：創(chuàng)建 LlamaIndex Agent5.4 LlamaHub：海量工具與數(shù)據(jù)連接器六、LlamaIndex 實(shí)戰(zhàn)：工具、Agent 與 Workflow6.1 四種工具封裝方式6.2 AgentWorkflow：構(gòu)建多步 Agent 應(yīng)用6.3 記憶與會話管理6.4 LlamaIndex 單元知識檢查（Quiz）要點(diǎn)七、LangGraph：圖狀態(tài)機(jī)驅(qū)動的 Agent 編排7.1 框架定位7.2 核心構(gòu)建模塊7.3 圖的基礎(chǔ)結(jié)構(gòu)：節(jié)點(diǎn)、邊與狀態(tài)7.4 條件邊：讓圖具備決策能力7.5 LangGraph 與 LangChain 生態(tài)八、LangGraph 實(shí)戰(zhàn)：Alfred 郵件分類管家8.1 問題建模8.2 實(shí)現(xiàn)代碼8.3 運(yùn)行流程解析8.4 進(jìn)階：加入工具調(diào)用與 ReAct 循環(huán)九、LangGraph 實(shí)戰(zhàn)：文檔分析智能體9.1 場景設(shè)定9.2 將 RAG 融入圖流程9.3 實(shí)現(xiàn)代碼9.4 生產(chǎn)級增強(qiáng)方向9.5 LangGraph 單元知識檢查（Quiz）要點(diǎn)十、三大框架對比與選型建議10.1 核心特性對比10.2 選型建議10.3 遷移學(xué)習(xí)：概念是相通的十一、常見問題解答（FAQ）Q1：CodeAgent 和 ToolCallingAgent 到底選哪個？Q2：三個框架能混用嗎？Q3：我的知識庫是 PDF/網(wǎng)頁/數(shù)據(jù)庫，用哪個框架？Q4：LangGraph 學(xué)習(xí)成本高嗎？Q5：Agent 的迭代次數(shù)怎么設(shè)置？Q6：如何調(diào)試 Agent 的工具調(diào)用？Q7：多智能體一定能提升效果嗎？Q8：框架版本更新快，文檔怎么看？十二、總結(jié)與下一步一、為什么需要智能體框架在上一篇中，我們手寫了一個 Dummy Agent Library，理解了智能體的核心循環(huán)。但在生產(chǎn)環(huán)境中，僅靠手寫循環(huán)遠(yuǎn)遠(yuǎn)不夠，我們還需要解決：模型接入：統(tǒng)一管理不同廠商（OpenAI、Anthropic、Hugging Face Inference、本地模型）的 API。工具生態(tài)：大量現(xiàn)成的工具封裝（搜索、網(wǎng)頁訪問、Python 執(zhí)行、向量檢索）。循環(huán)可靠性：解析容錯、重試機(jī)制、最大迭代限制。狀態(tài)管理：多步驟執(zhí)行中的狀態(tài)保存、恢復(fù)與可視化。可觀測性：日志、追蹤（Trace）、評估。智能體框架正是為解決這些問題而生的工程化封裝。Hugging Face《Agents Course》Unit 2 精心挑選了三個具有代表性的框架，覆蓋了 Agent 開發(fā)的三種主流范式：框架出品方核心范式適合場景smolagentsHugging Face代碼優(yōu)先（Code-first）輕量快速、深度集成 HF 生態(tài)