第四章：Agent框架搭建——LangChain vs AutoGen vs 自研框架

说实话，选框架这事儿，我踩过不少坑。刚开始做研报Agent的时候，觉得随便找个框架就能搞定。结果呢？项目做到一半发现扩展性不够，换框架又得重写一大片代码。今天我就把这三个主流方案掰开揉碎了讲，顺便说说我自己的血泪史。

4.1 三大框架的定位差异

先给个直观的对比。你想想看，选框架就像选工具箱——

• LangChain：像个瑞士军刀，啥都有，但每个工具都不算特别精。适合快速验证想法。
• AutoGen：微软出品，主打多Agent协作。如果你要做多个AI角色互相配合，这个很合适。
• 自研框架：完全定制，但代价是开发周期长。我一般只在核心业务上这么干。

我个人习惯是：先用LangChain搭原型，跑通了再决定要不要换。别一上来就自研，除非你团队有三个月以上的空闲时间。

维度	LangChain	AutoGen	自研框架
上手难度	低（文档全）	中（概念多）	高（全自己写）
多Agent支持	弱（需额外配置）	强（原生支持）	可定制
扩展性	中（受限于抽象层）	中（受限于通信协议）	强（完全控制）
适合场景	快速原型、简单流程	多角色协作、对话系统	复杂业务、高性能要求

4.2 核心组件：Memory、Tool、Chain

这三个组件，说白了就是Agent的「大脑」、「手脚」和「工作流」。我一个个说。

4.2.1 Memory（记忆）

Memory管的是Agent能不能记住上下文。研报Agent尤其需要这个——你想想，用户问完「2024年Q1的营收数据」，接着问「那毛利率呢？」如果Agent忘了前面在聊哪家公司，那就尴尬了。

我在项目中遇到过三种Memory模式：

• BufferMemory：简单存最近几轮对话。适合短对话，但长对话会爆。
• SummaryMemory：自动总结历史对话。我常用这个，省token又保留关键信息。
• VectorStoreMemory：用向量数据库存记忆。适合超长对话或跨会话记忆。

4.2.2 Tool（工具）

Tool就是Agent能调用的外部能力。研报Agent常用的Tool包括：

• 数据查询（SQL、API）
• 文档解析（PDF、Excel）
• 计算引擎（财务指标计算）
• 图表生成（折线图、柱状图）

嗯，这里要注意：Tool的注册方式各框架不同。LangChain用@tool装饰器，AutoGen用函数注册，自研框架就随意了。

# LangChain的Tool定义示例
from langchain.tools import tool

@tool
def query_financial_data(company: str, year: int) -> str:
    """查询指定公司指定年份的财务数据"""
    # 实际逻辑：调用数据库或API
    return f"{company} {year}年营收：100亿，净利润：20亿"

4.2.3 Chain（链）

Chain是串联多个步骤的「流水线」。比如研报生成流程：

1. 数据采集Chain → 2. 分析Chain → 3. 报告生成Chain

LangChain的Chain设计得比较灵活，可以嵌套。AutoGen则用「对话流」替代了Chain的概念。自研框架嘛，我一般直接用Python的异步流程控制。

4.3 项目目录结构设计

好的目录结构，能让团队协作效率翻倍。我分享一个经过多次迭代后的方案：

research_agent/
├── agents/              # Agent定义
│   ├── base_agent.py    # 基类
│   ├── data_agent.py    # 数据采集Agent
│   ├── analysis_agent.py# 分析Agent
│   └── report_agent.py  # 报告生成Agent
├── chains/              # 流程编排
│   ├── data_pipeline.py
│   ├── analysis_pipeline.py
│   └── report_pipeline.py
├── tools/               # 工具集
│   ├── database.py
│   ├── calculator.py
│   └── chart_generator.py
├── memory/              # 记忆管理
│   ├── buffer_memory.py
│   └── vector_memory.py
├── models/              # 数据模型
│   ├── financial.py
│   └── report.py
├── config/              # 配置文件
│   ├── settings.py
│   └── prompts.yaml
├── tests/               # 测试
│   ├── test_agents.py
│   └── test_chains.py
└── main.py              # 入口

这个结构的好处是：每个模块职责清晰，新人来了也能快速定位。我见过不少项目把所有代码塞进一个文件夹，结果后期维护成本高得吓人。

4.4 框架选型决策树

为了帮你快速决策，我画了个流程图。说白了就是问自己三个问题：

你看，其实没那么复杂。核心就三点：团队能力、项目周期、定制需求。别为了用框架而用框架，工具是为人服务的。

4.5 实战经验总结

最后分享几个我踩过的坑：

• 别迷信框架：LangChain虽然方便，但它的抽象层有时候会限制性能。我遇到过因为Chain嵌套太多导致响应慢的问题，后来拆成异步任务解决了。
• Memory要谨慎：默认的Memory实现往往不够用。我建议自己封装一层，加上过期策略和持久化。
• Tool的异常处理：每个Tool都要考虑失败情况。比如数据库查询超时了，Agent是重试还是报错？这个逻辑得提前设计好。