![[对比学习LangChain和MAF-03]完全不同的Agent设计哲学 - Artech](https://assets.cnblogs.com/images/ghs.png)
内容提要
本文讨论了LangChain和MAF两种Agent的设计哲学与实现方式。LangChain通过create_agent函数创建Agent，采用状态图结构，支持灵活的推理任务；而MAF则通过定义基类和多种Agent实现，提供不同的推理流程。两者通过消息关联维持用户与Agent的对话状态，但在功能和灵活性上有所不同，LangChain更注重基础功能的统一，而MAF则提供多样化的Agent类型。
关键要点
-
Agent能够自主决策和执行任务，根据用户输入和上下文信息规划行动。
-
LangChain和MAF在Agent的设计哲学和实现方式上存在显著差异。
-
LangChain通过create_agent函数创建Agent，采用状态图结构，支持灵活的推理任务。
-
MAF通过定义基类和多种Agent实现，提供不同的推理流程。
-
LangChain的Agent状态通过消息关联维持对话历史，核心成员为messages。
-
MAF的AgentSession用于维持用户与Agent之间的对话状态，支持序列化和反序列化。
-
LangChain的create_agent函数提供固定结构，适合大部分推理任务，而MAF提供多样化的Agent类型。
-
Deep Agents通过create_deep_agent函数集成复杂功能，自动注册Middleware。
-
LangChain的设计哲学强调统一性，而MAF则提供更多的灵活性和多样性。
延伸问答
LangChain和MAF在Agent设计上有什么主要区别？
LangChain通过create_agent函数创建Agent，采用状态图结构，强调统一性；而MAF则通过定义基类和多种Agent实现，提供多样化的推理流程，强调灵活性。
如何使用LangChain创建Agent？
使用create_agent函数，通过指定模型组件、工具列表、状态等参数来创建Agent对象，默认状态类型为AgentState。
MAF是如何维持用户与Agent之间的对话状态的？
MAF通过AgentSession对象来维持对话状态，支持序列化和反序列化，确保会话的连续性。
LangChain的Agent在功能上有什么限制？
LangChain的Agent具有固定结构，虽然能满足大部分推理任务，但对于复杂任务的定制能力依赖于注册Middleware。
Deep Agents与LangChain的关系是什么？
Deep Agents是LangChain的升级版，通过create_deep_agent函数创建，自动注册Middleware以增强功能，如任务规划和上下文管理。
LangChain和MAF在推理流程上有什么相似之处？
两者都通过消息关联的方式维持用户与Agent之间的对话状态，LangChain称之为Thread，MAF称之为Session。
