![[对比学习LangChain和MAF-01]基本编程模式的差异(上篇) - Artech](https://assets.cnblogs.com/images/ghs.png)
Artech
·
[对比学习LangChain和MAF-01]基本编程模式的差异(上篇) - Artech
内容提要
本文比较了.NET开发者在转向AI领域时使用MAF（Microsoft Agent Framework）与LangChain的体验。作者指出MAF设计上的不足，并通过选择LangChain加深了对MAF的理解。文章介绍了如何使用C#创建Agent，重点在多轮对话的推理过程，并提供了天气穿衣建议的示例代码，分析了两者在Agent创建、状态管理和工具注册等方面的异同。
关键要点
-
作者是资深.NET开发者，最初选择MAF（Microsoft Agent Framework）进行AI开发，但对其设计不满意。
-
转向LangChain后，作者对MAF有了更深的理解，认为通过对比学习能够更好地理解MAF的精髓。
-
MAF和LangChain在Agent创建、状态管理和工具注册方面存在异同，MAF使用C#而LangChain主要使用Python。
-
MAF提供多样化的Agent，主要关注多轮对话的推理过程，使用ChatClientAgent进行实现。
-
LangChain通过create_agent函数创建Agent，而MAF则通过调用ChatClientAgent的构造函数或定义扩展方法来创建Agent。
-
多轮对话的状态管理，LangChain使用Thread，MAF使用Session。
-
示例代码展示了如何使用LangChain创建Agent并提供天气穿衣建议，强调了环境变量的使用。
-
MAF中注册工具的方式与LangChain类似，允许Agent在推理过程中调用工具获取信息。
-
流式响应（Streaming Response）可以提升用户体验，允许Agent在执行过程中逐步返回结果，MAF和LangChain均支持此功能。
延伸解读
MAF与LangChain的设计差异
MAF（Microsoft Agent Framework）和LangChain在设计理念上存在显著差异。MAF主要依赖C#进行开发，强调多轮对话的推理过程，而LangChain则以Python为主，提供更灵活的Agent创建方式。开发者在选择框架时，应考虑自身的编程语言熟悉度及项目需求。
多轮对话的状态管理
在多轮对话的状态管理上，MAF使用Session来维护上下文，而LangChain则采用Thread。这种设计差异可能影响开发者在实现复杂对话时的选择，尤其是在需要管理对话历史和状态时，开发者需根据具体需求选择合适的框架。
流式响应的用户体验
流式响应（Streaming Response）在MAF和LangChain中均被支持，能够提升用户体验。通过逐步返回结果，用户可以实时看到Agent的推理过程。这种设计在长耗时操作中尤为重要，开发者应考虑在应用中实现流式响应，以提高交互的流畅性。
延伸问答
MAF和LangChain在Agent创建方面有什么不同？
MAF通过调用ChatClientAgent的构造函数或定义扩展方法来创建Agent，而LangChain则使用create_agent函数来创建Agent。
在多轮对话中，MAF和LangChain如何管理状态？
MAF使用Session来管理多轮对话的状态，而LangChain使用Thread来维护状态。
使用LangChain创建Agent时需要注意哪些环境变量？
在LangChain中，LLM客户端组件会利用环境变量来定义配置，通常需要设置OPENAI_BASE_URL和OPENAI_API_KEY等。
MAF在设计上存在哪些不足之处？
作者认为MAF在设计上不够完善，具体不足之处未详细说明，但转向LangChain后对MAF有了更深的理解。
如何使用LangChain提供天气穿衣建议的示例代码？
示例代码使用create_agent函数创建Agent，并通过ainvoke方法调用Agent来获取天气穿衣建议。
流式响应在MAF和LangChain中是如何实现的？
MAF通过RunStreamingAsync方法支持流式响应，而LangChain则使用astream方法来逐步返回结果。
