文章目录一、为什么需要智能体框架二、smolagents：代码优先的轻量智能体框架2.1 核心设计理念2.2 smolagents 的两类 Agent2.3 模型（Model）接入2.4 快速开始：第一个 smolagents Agent2.5 关键参数说明三、smolagents 实战：工具创建与默认工具集3.1 用 `@tool` 装饰器创建工具3.2 用 `Tool` 类创建复杂工具3.3 工具的自动文档化：写好 docstring3.4 默认工具集3.5 工具的分享与导入四、smolagents 进阶：检索智能体、多智能体与视觉智能体4.1 检索增强智能体（Agentic RAG）4.2 多智能体系统（Multi-Agent Systems）4.3 视觉智能体（Vision Agents）4.4 浏览器智能体（Browser Agents）4.5 smolagents 单元知识检查（Quiz）要点五、LlamaIndex：数据框架中的智能体生态5.1 框架定位5.2 核心组件概览5.3 快速开始：创建 LlamaIndex Agent5.4 LlamaHub：海量工具与数据连接器六、LlamaIndex 实战：工具、Agent 与 Workflow6.1 四种工具封装方式6.2 AgentWorkflow：构建多步 Agent 应用6.3 记忆与会话管理6.4 LlamaIndex 单元知识检查（Quiz）要点七、LangGraph：图状态机驱动的 Agent 编排7.1 框架定位7.2 核心构建模块7.3 图的基础结构：节点、边与状态7.4 条件边：让图具备决策能力7.5 LangGraph 与 LangChain 生态八、LangGraph 实战：Alfred 邮件分类管家8.1 问题建模8.2 实现代码8.3 运行流程解析8.4 进阶：加入工具调用与 ReAct 循环九、LangGraph 实战：文档分析智能体9.1 场景设定9.2 将 RAG 融入图流程9.3 实现代码9.4 生产级增强方向9.5 LangGraph 单元知识检查（Quiz）要点十、三大框架对比与选型建议10.1 核心特性对比10.2 选型建议10.3 迁移学习：概念是相通的十一、常见问题解答（FAQ）Q1：CodeAgent 和 ToolCallingAgent 到底选哪个？Q2：三个框架能混用吗？Q3：我的知识库是 PDF/网页/数据库，用哪个框架？Q4：LangGraph 学习成本高吗？Q5：Agent 的迭代次数怎么设置？Q6：如何调试 Agent 的工具调用？Q7：多智能体一定能提升效果吗？Q8：框架版本更新快，文档怎么看？十二、总结与下一步一、为什么需要智能体框架在上一篇中，我们手写了一个 Dummy Agent Library，理解了智能体的核心循环。但在生产环境中，仅靠手写循环远远不够，我们还需要解决：模型接入：统一管理不同厂商（OpenAI、Anthropic、Hugging Face Inference、本地模型）的 API。工具生态：大量现成的工具封装（搜索、网页访问、Python 执行、向量检索）。循环可靠性：解析容错、重试机制、最大迭代限制。状态管理：多步骤执行中的状态保存、恢复与可视化。可观测性：日志、追踪（Trace）、评估。智能体框架正是为解决这些问题而生的工程化封装。Hugging Face《Agents Course》Unit 2 精心挑选了三个具有代表性的框架，覆盖了 Agent 开发的三种主流范式：框架出品方核心范式适合场景smolagentsHugging Face代码优先（Code-first）轻量快速、深度集成 HF 生态 
长河君 · 2026/8/8 17:12:10 · 阅读 1.2k 三大智能体框架实战：smolagents、LlamaIndex 与 LangGraph 从入门到精通
文章目录一、为什么需要智能体框架二、smolagents：代码优先的轻量智能体框架2.1 核心设计理念2.2 smolagents 的两类 Agent2.3 模型（Model）接入2.4 快速开始：第一个 smolagents Agent2.5 关键参数说明三、smolagents 实战：工具创建与默认工具集3.1 用 `@tool` 装饰器创建工具3.2 用 `Tool` 类创建复杂工具3.3 工具的自动文档化：写好 docstring3.4 默认工具集3.5 工具的分享与导入四、smolagents 进阶：检索智能体、多智能体与视觉智能体4.1 检索增强智能体（Agentic RAG）4.2 多智能体系统（Multi-Agent Systems）4.3 视觉智能体（Vision Agents）4.4 浏览器智能体（Browser Agents）4.5 smolagents 单元知识检查（Quiz）要点五、LlamaIndex：数据框架中的智能体生态5.1 框架定位5.2 核心组件概览5.3 快速开始：创建 LlamaIndex Agent5.4 LlamaHub：海量工具与数据连接器六、LlamaIndex 实战：工具、Agent 与 Workflow6.1 四种工具封装方式6.2 AgentWorkflow：构建多步 Agent 应用6.3 记忆与会话管理6.4 LlamaIndex 单元知识检查（Quiz）要点七、LangGraph：图状态机驱动的 Agent 编排7.1 框架定位7.2 核心构建模块7.3 图的基础结构：节点、边与状态7.4 条件边：让图具备决策能力7.5 LangGraph 与 LangChain 生态八、LangGraph 实战：Alfred 邮件分类管家8.1 问题建模8.2 实现代码8.3 运行流程解析8.4 进阶：加入工具调用与 ReAct 循环九、LangGraph 实战：文档分析智能体9.1 场景设定9.2 将 RAG 融入图流程9.3 实现代码9.4 生产级增强方向9.5 LangGraph 单元知识检查（Quiz）要点十、三大框架对比与选型建议10.1 核心特性对比10.2 选型建议10.3 迁移学习：概念是相通的十一、常见问题解答（FAQ）Q1：CodeAgent 和 ToolCallingAgent 到底选哪个？Q2：三个框架能混用吗？Q3：我的知识库是 PDF/网页/数据库，用哪个框架？Q4：LangGraph 学习成本高吗？Q5：Agent 的迭代次数怎么设置？Q6：如何调试 Agent 的工具调用？Q7：多智能体一定能提升效果吗？Q8：框架版本更新快，文档怎么看？十二、总结与下一步一、为什么需要智能体框架在上一篇中，我们手写了一个 Dummy Agent Library，理解了智能体的核心循环。但在生产环境中，仅靠手写循环远远不够，我们还需要解决：模型接入：统一管理不同厂商（OpenAI、Anthropic、Hugging Face Inference、本地模型）的 API。工具生态：大量现成的工具封装（搜索、网页访问、Python 执行、向量检索）。循环可靠性：解析容错、重试机制、最大迭代限制。状态管理：多步骤执行中的状态保存、恢复与可视化。可观测性：日志、追踪（Trace）、评估。智能体框架正是为解决这些问题而生的工程化封装。Hugging Face《Agents Course》Unit 2 精心挑选了三个具有代表性的框架，覆盖了 Agent 开发的三种主流范式：框架出品方核心范式适合场景smolagentsHugging Face代码优先（Code-first）轻量快速、深度集成 HF 生态