【Agent开发】从搭建到开发的演进

【Agent开发】从搭建到开发的演进

简述

“搭建（Building）”与“开发（Developing）”AI Agent，实则指向了两种截然不同但又互为补充的技术路径与工程范式。

搭建”更多指向基于 Coze 、Dify 等低代码平台的业务逻辑编排与产品化落地，强调对模型能力的理解与工作流（Workflow）的设计；而“开发”则指基于 LangChain 、LangGraph 等代码框架进行的底层工程构建，涉及状态管理、工具链集成及复杂推理回路的实现。两者虽有交集，但在技术栈深度、交付目标及架构上完全不同。

搭建

一、低代码编排与业务侧落地

1. 岗位

关键词：Dify、Prompt、SOP、AIOps
不要求从零编写复杂的底层代码，而是依托于成熟的LLM Ops平台。依赖平台，通过平台提供的可视化画布，可以通过拖拽来定义agent的工作chain。
核心能力是将业务逻辑转化为DAG（面试高端用词），例如一个客服Agent可以转化为：“用户意图识别 → 知识库检索 → 答案生成 → 满意度评估” 的节点流程。其中可以涉及stt、RAG检索、LLM、API调用（tools）等等，当然这些都是有现成的SDK或者框架提供，无需注意技术实现用就可以了。
逃不掉的一个就是RAG配置，注意这里是配置而不是优化（检索算法），更多的工作室：上传文档、选择分块策略、调整检索阈值。

2. 画像

AI架构师、AI产品经理，核心是业务理解、模型调优（非微调、训练），关注的是问题解决率（效率、成功率、失败率），体感响应延迟，幻觉率（关键词触发：上下文相关性、忠诚度、答案相关性），RAGAS。这里的一些名词若有不懂可以配合AI学习，我就不展开了。

开发

岗位

关键词: Python、LangChain、FastAPI、VectorDB、Docker等等

● 顾名思义直接操作代码来控制LLM行为，构建自定义运行环境。LangChain应该属于霸主地位了，有些岗位要求有开发经验甚至阅读源码，深入理解框架源码。
● Custom Tools（自定义工具），这个可以类比cc里面的内置工具，例如编写一个查询企业私有SQL数据库并进行数据清洗的Tool（langchain sql agent二开）。
● 状态管理，需要自行设计长短期记忆（Memory），解决多轮对话中的上下文问题。
● 部署与运维，涉及将Agent封装为微服务，要处理三高问题，要掌握容器化技术。企业平台研发、架构分析，垂直类Agent商业化应用落地。
● RAG优化，非结构化数据解析处理、向量化、检索算法优化

高阶

熟悉Transformer架构、主流大模型技术栈、LLM微调、推理优化、多智体系统和通讯协议。不仅能开发功能，还能定位agent能力、llm能力的不足之处，提供改进意见，提供改进数据集。例如：
web agent方向：需要全栈能力是必须的，爬虫技术这这里有很大的用处。
code agent方向: 程序语言语法、代码结构分析、自动化代码生成（掌握语言越多越好，掌握编译原理），这个能力一般干过插桩技术、编译器能力都是顶级满足的。

LangChain 与 类OpenHands 区别

LangChain

组合

LangChain不仅仅是一个库，他是开发的胶水层和标准库。它的核心价值在于抽象，把llm开发拆分成了几个模块，使得开发者通过组合的方式构建复杂系统。
Chain：定义最基础的线性逻辑，例如RetrievalQAChain封装了“检索文档 → 拼接 Prompt → 询问 LLM”的全过程，掌握预置Chain是必须的。
Agents：上面我提过langchain的sql agent，当然还有其他多种Agent，你可以把这些agent作为subagent来理解。
Memory：多轮对话的核心，开发者需要根据自己的业务选择将记忆存储在什么地方。
Tools：这个我们都很熟悉，他是agent的手，langchain定义了Tool的标准接口，你可以把任何可以调用的方式都写成tool来实现功能拓展。

LangGraph

解决langchain调试困难，逻辑黑盒问题，状态管理问题。推出了langGraph。想要构建长周期任务、有容错能力，而不是简单的问答机器人，大部分技术开始转向LangGraph。

类OpenHands（OpenDevin）

PC使用能力

特征：CLI First、系统权限、工具链、权限模型
我们的体感就是这类agent直接跑在我们电脑中，有各种权限、技能、工具，可以作为助手角色来辅助你解决一些pc上的事务。例如写代码、整理文件。

特点

● 定位 ：开源的 AI 软件工程师（应用/平台）。
● 类比 ：它是一个已经造好的、全副武装的机器人 ，你只要对它说“把这面墙刷白”，它自己就会去拿工具干活。
● 作用 ：它是一个完整的产品 。它不仅包含 Agent（大脑），还包含了一个沙箱环境（电脑系统） ，它能真的打开终端运行 ls -la，能真的打开 VS Code 编辑文件，能真的打开浏览器查 StackOverflow。
● 特点 ：开箱即用，面向最终用户或开发者辅助，而不是用来开发的库。

总结

LangChain是基建，定位底层开发框架，它提供了构建 LLM 应用的基本组件，通用性极强，你想造个狗窝还是摩天大楼（Agent）都可以用它，但它本身不是agent，需要你去搭建。
OpenHands是造好的开箱用Agent，专注于编程特定领域。
是否可以利用LangChain来实现一个OpenDevin？ 可以，实际上OpenDevin核心逻辑就是由类似 LangChain 这样的“胶水层”和 Agent 逻辑组成的。

MCP与沙箱

支撑 Agent 运行的新兴基础设施。这部分内容是区分初级开发者与高级架构师的分水岭。

传统方式 vs MCP

传统 LangChain 开发： 如果你要让 Agent 访问 Google Drive，你需要去 LangChain 的库里找 GoogleDriveRetriever，或者自己写 API 封装。每接一个新服务，就要写一遍适配代码。
MCP 方式： 开发者编写一个符合 MCP 标准的 MCP Server（例如一个连接 Postgres 的 Server）。任何支持 MCP 的 Client（如 Claude Code）都可以直接连接这个 Server，自动获取工具定义和资源接口。
所以现在出现了一些岗位是MCP开发，已经从agent开发出来了一个新的分支。

安全沙箱

Agent运行时环境，可以利用Docker容器化、Firecracker 微虚机。总之agent开发职位中也是常有提及的一个技能，同时这个部分在agent评测里面也会再次提到，这里就埋下一个坑位到那边再讲。

场景

企业内部知识问答

偏向于搭建，利用dify + 钉钉/飞书 （目前这种落地场景很多）。业务逻辑清晰，无复杂推理，核心在于知识库的质量。

自动化采购

LangChain + Python + Crawler + ERP API，涉及多轮决策，需要精确控制流程状态，且需要深度集成内部老旧系统。
这里可能还会有CI、CD提效，DevOps等等的集成需求。

辅助研发、提效

claude code（同类开源or自研or二开）+ 私有化模型（api）+ MCP，这里的二开有很多是基于vscode，举例说明cline，antigravity都是一样的表现形式不一样。私有化模型开源llm例如qwen 235b。api就简单了去买就好了（这里有涉及一个pii脱敏的问题，防止内部代码外泄）。

未来

搭建的门槛将进一步降低，因为llm能力越来越强，把一些通过langchain硬编码的逻辑，被llm的CoT取代了。
开发将继续下沉到基础设施，评测工程师目前开始出现岗位，负责构建自动化测试集，评估agent，为dpo、sft提供专业帮助。Mcp工程师刚刚已经提到。优化工程师优化推理速度，优化资源调度，优化算法等等。

先讲到这里吧，感觉把搭建和开发讲清楚，拿岗位来描述职责，以及提到搭建和开发可能接触到的技术栈，应该扫盲了。
下一篇我们来讲Agent评测的扫盲内容，从不同的测试集讲起，以及目前的一些跑分好为什么就是不好用现象的简单解析。

8 posts - 7