Die 5 besten KI-Agenten-Frameworks, die sich im Jahr 2025 lohnen

Agent Die häufigste Übersetzung, die ich bisher gesehen habe, ist "intelligenter Körper", aber die direkte Übersetzung ist "Agent".

Was bedeutet "agentisch"? Ich denke, etwas wie "agentic" wäre besser geeignet.

Um den Leser nicht zu verwirren, werde ich in diesem Artikel direkt Englisch verwenden.

Mit der Weiterentwicklung der LLM sind die Fähigkeiten der KI nicht mehr auf die einfache Automatisierung von Aufgaben beschränkt; sie können komplexe und kontinuierliche Arbeitsabläufe bewältigen. Wir können LLM zum Beispiel nutzen, um intelligente Assistenten zu entwickeln, die automatisch Artikel auf E-Commerce-Plattformen bestellen und die Lieferung anstelle des Nutzers veranlassen. DieseLLM-basierte Assistenten werden als AI-Agenten bezeichnet.

Genauer gesagt ist ein KI-Agent ein LLM-gesteuerter intelligenter Assistent, der auf der Grundlage von vordefinierten Aufgaben und Werkzeugen bei bestimmten Aufgaben und Werkzeugen helfen kann. In seiner grundlegendsten Form hat ein KI-Agent die folgenden Hauptmerkmale:

• SpeicherverwaltungKI-Agent: Der KI-Agent kann Aufzeichnungen über Interaktionen mit Benutzern speichern und verwalten.
• Interaktion mit externen DatenquellenDie Fähigkeit, mit externen Systemen zu kommunizieren, um Daten zu erhalten oder Aufgaben zu erledigen.
• FunktionsausführungDie eigentliche Arbeit wird durch den Aufruf von Funktionen erledigt.

Der KI-Agent kann zum Beispiel folgende Aufgaben erfüllen:

• Restaurant-ReservierungenEin KI-Agent in einem Restaurantsystem kann den Nutzern beispielsweise helfen, Plätze online zu reservieren, verschiedene Restaurants zu vergleichen und ihnen durch Sprachinteraktion zu helfen, Restaurants direkt anzurufen.
• Virtuelle Kollaboration KollegenKI-Agent: Der KI-Agent kann als "kleine Sekretärin" Ihres Projekts fungieren und mit den Benutzern bei bestimmten Aufgaben zusammenarbeiten.
• Automatisierung des Tagesgeschäfts: KI-Agenten sind in der Lage, mehrstufige Vorgänge zu verarbeiten und sogar alltägliche Computeroperationen auszuführen. So kann der Replit Agent beispielsweise die Vorgänge simulieren, die Entwickler in einer Entwicklungsumgebung durchführen, indem er automatisch Abhängigkeiten installiert und Code bearbeitet; Anthropics Computer Use Agent kann führen Claude Den Computer so bedienen, wie es die Benutzer üblicherweise tun, z. B. die Maus bewegen, auf Tasten klicken und Text eingeben.

Während wir KI-Agenten mit Hilfe von Tech-Stacks wie Python, React usw. von Grund auf neu entwickeln können, ist es möglich, KI-Agenten mit Hilfe von Technologien wie Phidata, OpenAI Swarm, LangGraph, Microsoft Autogen, CrewAI, Vertex AI und Langflow Der Entwicklungsprozess wird mit Multi-Agent-Frameworks wie AI Assistant effizienter. Diese Frameworks bieten vorgefertigte Tools und Funktionen, mit denen wir schnell KI-Assistenten entwickeln können.

Welche Vorteile bietet die Verwendung dieser Rahmenwerke?

1. Die Wahl des richtigen LLMLLMs wie OpenAI, Anthropic, xAI, Mistral usw. können je nach Anwendungsszenario verwendet werden, oder LLMs wie Ollama und Tools wie LM Studio zur Erstellung von KI-Agenten.
2. Wissensdatenbank hinzufügenDiese Frameworks ermöglichen es Ihnen, bestimmte Dokumente (z. B. json, pdf-Dateien oder Websites) als Wissensbasis hinzuzufügen, die dem KI-Agenten helfen, Informationen zu erfassen und zu verstehen.
3. Eingebaute SpeicherfunktionEs müssen keine komplexen Systeme zur Speicherung und Verwaltung von Chat-Protokollen oder personalisierten Gesprächen aufgebaut werden. Das Framework verfügt über eine Speicherfunktion, die dem KI-Agenten hilft, sich an frühere Interaktionen zu erinnern und darauf zuzugreifen.
4. Werkzeuge zur AnpassungDas Multi-Agent-Framework ermöglicht es uns, dem KI-Agenten benutzerdefinierte Tools hinzuzufügen und ihn nahtlos in externe Systeme zu integrieren, um Vorgänge wie Online-Zahlungen, Websuchen, API-Aufrufe, Datenbankabfragen, Videobetrachtung, E-Mail-Versand und mehr durchzuführen.
5. Vereinfachung technischer HerausforderungenDiese Frameworks helfen uns, komplexe technische Aufgaben wie Wissens- und Speichermanagement zu vereinfachen und so die technischen Schwierigkeiten bei der Entwicklung von KI-Produkten zu verringern.
6. Beschleunigte Entwicklung und BereitstellungDas Framework stellt die Tools und die Infrastruktur bereit, die für den Aufbau von KI-Systemen erforderlich sind, und hilft uns, KI-Systeme schneller zu entwickeln und auf Cloud-Plattformen wie AWS bereitzustellen.

Mit diesen Frameworks können wir leichter effiziente und intelligente KI-Agenten entwickeln, um die Geschwindigkeit und Qualität der Produktentwicklung zu verbessern.

Als Nächstes stellen wir Ihnen die fünf wichtigsten Plattformen für die Entwicklung von KI-Agenten vor, damit Sie Ihren eigenen KI-Assistenten erstellen können!

Die Grundstruktur eines Agenten

Die Definition eines KI-Agenten kann eine Auswahl an großen oder kleinen Sprachmodellen, Speicher, Speicherplatz, externen Wissensquellen, Vektordatenbanken, Anweisungen, Beschreibungen, Namen usw. umfassen. Die Definition eines KI-Agenten kann eine Auswahl an Sprachmodellen, Speicher, Speicherplatz, externen Wissensquellen, Vektordatenbanken, Anweisungen, Beschreibungen, Namen usw. umfassen.

Zum Beispiel etwas wie Windsurfen Mit einem modernen KI-Agenten wie diesem kann jeder schnell vollständige Webanwendungen generieren, ausführen, bearbeiten, erstellen und bereitstellen. Er unterstützt die Codegenerierung und Anwendungserstellung für eine Vielzahl von Webtechnologien und Datenbanken, wie Astro, Vite, Next.js, Superbase und andere.

Anwendungsfälle von Multi-Agenten in Unternehmen

Agentenbasierte KI-Systeme haben ein breites Anwendungsspektrum im Unternehmensumfeld.Insbesondere bei der Ausführung automatisierter und sich wiederholender Aufgaben. Hier sind die wichtigsten Anwendungsszenarien, in denen der KI-Agent im Unternehmensbereich nützlich ist:

• Anrufe und andere AnalysenAnalyse der Videoanrufe der Teilnehmer, um Einblicke in die Stimmung, die Absichten und die Zufriedenheit der Teilnehmer zu erhalten. Ihre Analyse-/Berichterstattungsfunktionen helfen Unternehmen bei der Ausrichtung auf Kunden oder Märkte.
• Klassifizierung aufrufenAutomatische Kategorisierung von Anrufen basierend auf der Netzwerkbandbreite und -stärke der Teilnehmer für eine effiziente Verarbeitung.
• MarktbeobachtungBeobachtung und Analyse der Kundenstimmung in Marktanwendungen.
• Analyse der Umfragen und KommentareNutzung von Kundenfeedback und Umfragedaten, um Erkenntnisse zu gewinnen und das Kundenerlebnis zu verbessern.
• Reise- und SpesenmanagementAutomatisieren Sie die Berichterstattung, Verfolgung und Genehmigung von Ausgaben.
• Dialogisches BankingUnterstützung von Kunden bei Bankgeschäften durch KI-gestützte Chats oder Sprachassistenten.
• Universal AI unterstützt ChatbotsKundenbetreuer können Kundenbeschwerden bearbeiten, Probleme beheben und komplexe Aufgaben an andere Mitarbeiter delegieren.
• FinanzenDer Financial Agent kann zur Vorhersage von Wirtschafts-, Aktien- und Markttrends und zur praktischen Anlageberatung eingesetzt werden.
• MarktMarketing-Teams von Unternehmen können mithilfe von KI-Agenten personalisierte Inhalte und Anzeigentexte für verschiedene Zielgruppen erstellen, um die Konversionsraten zu erhöhen.
• Verkauf (Vertreter, Vereinbarung usw.)KI-Agent kann bei der Analyse von Kundeninteraktionsmustern im System helfen und die Vertriebsteams dabei unterstützen, sich auf die Lead-Konvertierung zu konzentrieren.
• FähigkeitenIn der Technologiebranche hilft der AI Coding Agent Entwicklern und Ingenieuren, produktiver zu werden, indem er die Vervollständigung, Generierung, Automatisierung, Prüfung und Fehlerbehebung von Code beschleunigt.

2024 Fünf-Agenten-Rahmen

Sie können verschiedene Python-Frameworks verwenden, um Agenten zu erstellen und zu Anwendungen und Diensten hinzuzufügen. Zu diesen Frameworks gehören No-Code- (visuelle AI-Agent-Builder), Low-Code- und Medium-Code-Tools. Im Folgenden stelle ich Ihnen fünf der besten Python-basierten Agentenentwickler des Jahres 2024 vor, so dass Sie je nach Ihren geschäftlichen Anforderungen frei wählen können.

1 Phidata

Phidata ist ein Python-basiertes Framework zur Umwandlung von LLMs in Agenten in KI-Produkten und unterstützt Closed-Source- und Open-Source-LLMs von großen Anbietern wie OpenAI, Anthropic, Cohere, Ollama und Gemeinsam AI, etc. Durch die Unterstützung von Datenbanken und Vektorspeichern können wir KI-Systeme leicht mit Postgres, PgVector, Pinecone, LanceDb und anderen verbinden. Mit Phidata können wir sowohl grundlegende Agenten als auch fortgeschrittene Agenten mit Funktionsaufrufen, strukturierter Ausgabe und Feinabstimmung erstellen.

Die wichtigsten Merkmale von Phidata

• Integrierte Agenten-UIPhidata bietet eine sofort einsatzbereite Benutzeroberfläche, um Agent-Projekte lokal oder in der Cloud auszuführen und Sitzungen im Hintergrund zu verwalten.
• EinsätzeSie können den Agenten auf GitHub oder einem anderen Cloud-Dienst veröffentlichen oder ein AWS-Konto anschließen, um ihn in einer Produktionsumgebung bereitzustellen.
• Überwachung von SchlüsselindikatorenBietet Sitzungsschnappschüsse, API-Aufrufe, Token-Verwendung und unterstützt die Abstimmung von Einstellungen und Verbesserungen des Agenten.
• Template-UnterstützungBeschleunigen Sie den Entwicklungs- und Produktionsprozess von KI-Agenten mit vorkonfigurierten Codebase-Vorlagen.
• AWS-UnterstützungPhidata integriert sich nahtlos in AWS und kann vollständige Anwendungen auf AWS-Konten ausführen.
• Modell UnabhängigkeitUnterstützung für den Einsatz der neuesten Technologien von OpenAI, Anthropic, Groq und Mistral und andere fortgeschrittene Modelle und API-Schlüssel.
• Gebäude Multi-AgentPhidata: Mit Phidata können Sie ein Team von Agenten bilden, die sich gegenseitig Aufgaben übertragen und bei komplexen Aufgaben zusammenarbeiten; Phidata übernimmt nahtlos die Koordination der Agenten im Hintergrund.

Jetzt zeige ich Ihnen, wie Sie das Phidata-Framework und OpenAIs LLM verwenden, um einen einfachen KI-Agenten in Python zu erstellen, der die Finanzdaten von Yahoo Finance abfragt, um Empfehlungen von Analysten verschiedener Unternehmen über Yahoo Finance zu sammeln.

Abhängigkeiten installieren:

Erstellen Sie eine neue financial_agent.py:

openai importieren
from phi.agent importieren Agent
from phi.model.openai importiere OpenAIChat
from phi.tools.yfinance importieren YFinanceTools
from dotenv importieren load_dotenv
importieren os

# Laden von Umgebungsvariablen aus der .env-Datei
load_dotenv()

# Abrufen des API-Schlüssels aus der Umgebung
openai.api_key = os.getenv("OPENAI_API_KEY")

# Initialisierung des Agenten
finance_agent = Agent(
name="Finanz-KI-Agent",
model=OpenAIChat(id="gpt-4o"),
tools=[
YFinanceTools(
stock_price=True,
analyst_recommendations=True,
unternehmen_info=True,
unternehmen_nachrichten=True.
)
],
instructions=["Verwenden Sie Tabellen zur Anzeige von Daten"],
show_tool_calls=True,
markdown=True, )
)

# Ausgabe einer Zusammenfassung der Analystenempfehlungen für NVDA
finance_agent.print_response("Zusammenfassung der Analystenempfehlungen für NVDA", stream=True)

Code oben:

1. Importieren von Modulen und Laden von API-Schlüsseln
   Zunächst importieren Sie die erforderlichen Module und Pakete und laden den API-Schlüssel von OpenAI über die .env-Datei. Dieses Laden von API-Schlüsseln gilt auch für andere Modellanbieter wie Anthropic, Mistral und Groq.
2. Erstellen eines Proxys
   Verwenden Sie die Agenten-Klasse von Phidata, um einen neuen Agenten zu erstellen und seine einzigartigen Funktionen und Merkmale zu spezifizieren, einschließlich Modelle, Werkzeuge, Befehle und mehr.
3. Antwort drucken
   Rufen Sie die print_response-Methode auf, um die Antwort des Agenten auf die Frage auszugeben, und geben Sie an, ob sie als Stream angezeigt werden soll (stream=True).

2 Schwarm

Schwarm OpenAI hat kürzlich ein experimentelles Open-Source-Agent-Framework veröffentlicht, ein leichtgewichtiges Multi-Agent-Orchestrierungs-Framework.

zur Kenntnis nehmenSwarm: Swarm befindet sich noch in der Experimentierphase. Es kann für Entwicklungs- und Ausbildungszwecke verwendet werden, wird aber nicht für Produktionsumgebungen empfohlen. Die neuesten Informationen finden Sie im offiziellen Repository:

https://github.com/openai/swarm

Verwendung des Schwarms Agenten im Gesang antworten Übergaben Als Abstraktion für die Orchestrierung und Koordination von Agenten ist es ein leichtgewichtiges Framework, das einfach zu testen und zu verwalten ist. Die Agenten von Swarm können mit Tools, Befehlen und anderen Parametern konfiguriert werden, um bestimmte Aufgaben auszuführen.

Zusätzlich zu seiner leichtgewichtigen und einfachen Architektur hat Swarm die folgenden Hauptmerkmale:

1. Übergabe an die nächste GenerationSwarm unterstützt den Aufbau von Multi-Agenten-Systemen, bei denen ein Agent jederzeit Gespräche an andere Agenten weitergeben kann.
2. SkalierbarkeitSwarm: Mit seiner vereinfachten Handoff-Architektur erleichtert Swarm den Aufbau von Agentensystemen, die Millionen von Benutzern unterstützen können.
3. SkalierbarkeitSwarm ist so konzipiert, dass es in hohem Maße anpassbar ist und dazu verwendet werden kann, ein völlig individuelles Agentenerlebnis zu schaffen.
4. Integriertes Abrufsystem und SpeicherverwaltungSwarm verfügt über integrierte Funktionen zur Speicherung und Verarbeitung von Dialoginhalten.
5. DatenschutzSwarm läuft in erster Linie auf der Client-Seite und speichert keinen Status zwischen Aufrufen, was den Datenschutz erheblich verbessert.
6. BildungsressourcenSwarm bietet eine Reihe von einfachen bis fortgeschrittenen Multi-Agenten-Anwendungsbeispielen, die Entwickler testen und von denen sie lernen können.

Als nächstes zeige ich Ihnen, wie Sie Swarm verwenden:

from swarm import Schwarm, Agent

# Schwarm-Client initialisieren
client = Schwarm()
mini_model = "gpt-4o-mini"

# Definieren Sie die Koordinierungsfunktion für die Übergabe von Aufgaben an Agent B
def transfer_to_agent_b().
return agent_b

# Definieren Sie Agent A
agent_a = Agent(
name="Agent A", instructions="Sie sind ein hilfreicher Assistent.
instructions="Sie sind ein hilfreicher Assistent.", functions=[transfer_to_agent_b], return agent_b
functions=[transfer_to_agent_b], )
)

# Definieren Sie Agent B
agent_b = Agent(
name="Agent B",
model=mini_model,
instructions="Sie sprechen nur auf Finnisch.", )
)

# Starten Sie das Agentensystem und rufen Sie die Antwort ab
response = client.run(
agent=agent_a, messages=[{"role": "user", "content": "Ich möchte mit Agent B sprechen.", "user", "content": "Ich möchte mit Agent B sprechen.")
messages=[{"role": "user", "content": "Ich möchte mit Agent B sprechen."}],
debug=False, )
)

# Drucken Sie die Antwort von Agent B
print(antwort.nachrichten[-1]["inhalt"])

obiger Code

1. 1. Initialisierung
      • Swarm wird verwendet, um eine Client-Instanz zu erstellen.
      • Agent definiert den Namen, die Funktion und das Sprachmodell des Agenten (z.B. gpt-4o-mini).
   2. Übergangslogik

transfer_to_agent_b ist eine Koordinatorfunktion, die Aufgaben von agent_a auf agent_b überträgt.

1. 1. Laufendes Agentensystem

client.run() führt das Agentensystem aus und übergibt die Nachrichten und Debug-Parameter, um die Ausführung der Aufgabe zu verfolgen.

Wenn Sie die Sprache im Befehl für agent_b in eine andere Sprache ändern (z. B. Englisch, Schwedisch, Finnisch), erhalten Sie eine Antwort in der entsprechenden Sprache.

3 CrewAI

CrewAI Eines der beliebtesten agentenbasierten KI-Frameworks für die schnelle Erstellung von KI-Agenten und deren Integration in die neuesten LLMs und Codebases. Große Unternehmen wie Oracle, Deloitte, Accenture und andere nutzen und vertrauen CrewAI.

CrewAI ist umfangreicher und vielseitiger als andere agentenbasierte Frameworks.

1. SkalierbarkeitUnterstützt die Integration von über 700 Anwendungen, darunter Notion, Zoom, Stripe, Mailchimp, Airtable und viele mehr.
2. Artefakt
   • Entwickler können das CrewAI-Framework nutzen, um Multi-Agenten-Automatisierungssysteme von Grund auf zu entwickeln.
   • Designer können mit dem UI Studio und den Vorlagentools voll funktionsfähige Agenten in einer codefreien Umgebung erstellen.
3. EinsätzeSie können Ihre bevorzugte Bereitstellungsmethode verwenden, um Ihren Entwicklungsagenten schnell in die Produktionsumgebung zu migrieren.
4. Überwachung von AgentenWie Phidata bietet CrewAI intuitive Dashboards zur Überwachung von Fortschritt und Leistung der Agenten.
5. Eingebaute SchulungswerkzeugeNutzen Sie die in CrewAI integrierten Trainings- und Testwerkzeuge, um die Leistung und Effizienz des Agenten zu verbessern und die Qualität seiner Antworten sicherzustellen.

Zuerst müssen wir CrewAI installieren:

Der obige Befehl installiert CrewAI und seine Werkzeuge und überprüft, ob die Installation erfolgreich war.

Sobald die Installation abgeschlossen ist, können Sie den folgenden Befehl ausführen, um ein neues CrewAI-Projekt zu erstellen:

Nach der Ausführung dieses Befehls werden wir aufgefordert, einen aus der folgenden Liste von Modellanbietern auszuwählen, z. B. OpenAI, Anthropic, xAI, Mistral, usw. Nach der Auswahl eines Anbieters können Sie auch ein bestimmtes Modell aus der Liste auswählen, z. B. gpt-4o-mini.

Die folgenden Befehle können verwendet werden, um ein Multi-Agenten-System zu erstellen:

Die vollständige CrewAI-Anwendung wurde in ein GitHub-Repository hochgeladen und kann mit dem folgenden Befehl heruntergeladen und ausgeführt werden:

https://github.com/GetStream/stream-tutorial-projects/tree/main/AI/Multi-Agent-AI

Nach der Ausführung erhalten Sie eine Antwort ähnlich der folgenden:

4  Autogen

Autogen ist ein Open-Source-Framework für den Aufbau von Agentensystemen. Mit diesem Framework können Sie Multi-Agenten-Zusammenarbeit und LLM-Workflows erstellen.

Autogen verfügt über die folgenden Hauptfunktionen:

1. sprachenübergreifende UnterstützungErstellen Sie Agenten mit Programmiersprachen wie Python und .
2. Lokaler VertreterAgenten können lokal betrieben und ausprobiert werden, um mehr Privatsphäre zu gewährleisten.
3. asynchrone NachrichtenkommunikationVerwenden Sie asynchrone Nachrichten für die Kommunikation zwischen Agenten.
4. SkalierbarkeitUnterstützt Entwickler beim Aufbau verteilter Agentennetze für die organisationsübergreifende Zusammenarbeit.
5. AnpassungsfähigkeitMit den steckbaren Komponenten des Agentensystems können Sie Ihr System individuell anpassen und gestalten.

Der folgende Codeblock erstellt ein einfaches KI-Wetteragentensystem:

asyncio importieren
from autogen_agentchat.agents importiere AssistantAgent
from autogen_agentchat.task import Konsole, TextMentionTermination
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models import OpenAIChatCompletionClient

importieren os
from dotenv importieren load_dotenv

load_dotenv()

# Definieren Sie das Werkzeug
async def get_weather(city: str) -> str.
return f "Das Wetter in {Stadt} ist 73 Grad und sonnig."

async def main() -> None: return f "Das Wetter in {Stadt} ist 73 Grad und sonnig.
# Agent definieren
wetter_agent = AssistantAgent(
name="wetter_agent", model_client=OpenAgent
model_client=OpenAIChatCompletionClient(
model="gpt-4o-mini",
api_key=os.getenv("OPENAI_API_KEY"),
),
tools=[get_weather], )
)

# Definieren Sie die Abbruchbedingung
Beendigung = TextMentionTermination("TERMINATE")

    # Definieren Sie das Agententeam
agent_team = RoundRobinGroupChat([weather_agent], termination_condition=termination)

# Starten Sie das Team und geben Sie die Nachricht an die Konsole weiter
stream = agent_team.run_stream(task="Wie ist das Wetter in New York?")
await Konsole(stream)

asyncio.run(main())

obiger Code

1. Werkzeug-Definitionget_weather: get_weather ist eine Beispielfunktion, die Informationen über das Wetter in einer Stadt liefert.
2. Definition des AgentenAgent mit AssistantAgent definieren und den Modell-Client auf OpenAIs GPT-4o-mini setzen. Der API-Schlüssel wird aus der .env-Datei geladen.
3. Bedingungen für die BeendigungTextMentionTermination: Definieren Sie eine Abbruchbedingung über TextMentionTermination, die die Aufgabe beendet, wenn "TERMINATE" erwähnt wird.
4. AgententeamRoundRobinGroupChat: Verwenden Sie RoundRobinGroupChat, um ein Team von Agenten zu erstellen, denen Aufgaben nach dem Polling-Prinzip zugewiesen werden.

Nach der Ausführung dieses Codes wird die Konsole eine Ausgabe ähnlich der folgenden anzeigen:

5 LangGraph

LangGraph LangGraph ist ein knotenbasiertes KI-Framework für den Aufbau von Multi-Agenten-Systemen, die komplexe Aufgaben bewältigen. Als Teil des LangChain-Ökosystems ist LangGraph ein graph-strukturiertes Agenten-Framework. Benutzer können lineare, hierarchische und sequentielle Arbeitsabläufe durch Knoten und Kanten erstellen. Dazu gehören.Knotenpunktsteht für die Aktion des Agenten.Kantedie einen Übergang zwischen Aktionen bezeichnen.Staatist ein weiterer wichtiger Bestandteil des LangGraph Agent.

LangGraphs Vorteile und Hauptmerkmale

1. frei und quelloffenLangGraph ist eine freie Bibliothek unter der MIT Open Source Licence.
2. Streaming-UnterstützungBietet wortwörtliche Streaming-Unterstützung, um die Zwischenschritte und Denkprozesse des Agenten aufzuzeigen.
3. Optionen für den EinsatzMehrere groß angelegte Implementierungen werden unterstützt, und die Leistung der Agenten kann durch LangSmith überwacht werden. Mit der Enterprise-Option kann LangGraph vollständig auf der eigenen Infrastruktur eingesetzt werden.
4. Anpassung an das UnternehmenReplit Die Verwendung von LangGraph für den AI Coding Agent zeigt die Anwendbarkeit von LangGraph in Unternehmen.
5. hohe LeistungKein zusätzlicher Codeaufwand bei komplexen Agent-Workflows.
6. Zirkulation und KontrollierbarkeitDefinieren Sie mühelos Multi-Agent-Workflows, die Schleifen enthalten, und haben Sie die vollständige Kontrolle über den Status des Agenten.
7. ObjektivierungLangGraph speichert den Agentenstatus automatisch nach jedem Schritt im Graphen und unterstützt auch das Anhalten und Wiederaufnehmen der Graphenausführung an jedem Punkt.

Unter der unten angegebenen Adresse können Sie den Beispielcode herunterladen:

https://langchain-ai.github.io/langgraph/