文章目錄一、為什么需要智能體框架二、smolagents：代碼優先的輕量智能體框架2.1 核心設計理念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 關鍵參數說明三、smolagents 實戰：工具創建與默認工具集3.1 用 `@tool` 裝飾器創建工具3.2 用 `Tool` 類創建復雜工具3.3 工具的自動文檔化：寫好 docstring3.4 默認工具集3.5 工具的分享與導入四、smolagents 進階：檢索智能體、多智能體與視覺智能體4.1 檢索增強智能體（Agentic RAG）4.2 多智能體系統（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）要點五、LlamaIndex：數據框架中的智能體生態5.1 框架定位5.2 核心組件概覽5.3 快速開始：創建 LlamaIndex Agent5.4 LlamaHub：海量工具與數據連接器六、LlamaIndex 實戰：工具、Agent 與 Workflow6.1 四種工具封裝方式6.2 AgentWorkflow：構建多步 Agent 應用6.3 記憶與會話管理6.4 LlamaIndex 單元知識檢查（Quiz）要點七、LangGraph：圖狀態機驅動的 Agent 編排7.1 框架定位7.2 核心構建模塊7.3 圖的基礎結構：節點、邊與狀態7.4 條件邊：讓圖具備決策能力7.5 LangGraph 與 LangChain 生態八、LangGraph 實戰：Alfred 郵件分類管家8.1 問題建模8.2 實現代碼8.3 運行流程解析8.4 進階：加入工具調用與 ReAct 循環九、LangGraph 實戰：文檔分析智能體9.1 場景設定9.2 將 RAG 融入圖流程9.3 實現代碼9.4 生產級增強方向9.5 LangGraph 單元知識檢查（Quiz）要點十、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 遷移學習：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/網頁/數據庫，用哪個框架？Q4：LangGraph 學習成本高嗎？Q5：Agent 的迭代次數怎么設置？Q6：如何調試 Agent 的工具調用？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。但在生產環境中，僅靠手寫循環遠遠不夠，我們還需要解決：模型接入：統一管理不同廠商（OpenAI、Anthropic、Hugging Face Inference、本地模型）的 API。工具生態：大量現成的工具封裝（搜索、網頁訪問、Python 執行、向量檢索）。循環可靠性：解析容錯、重試機制、最大迭代限制。狀態管理：多步驟執行中的狀態保存、恢復與可視化?？捎^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代碼優先（Code-first）輕量快速、深度集成 HF 生態