2023 年被称作“大模型元年”2024 年“AI 应用”井喷而 2025、2026 年的行业关键词几乎毫无悬念地锁定在了一个词上——Agent智能体。随便打开一个技术论坛或招聘网站你会发现“Agent 工程师”“智能体开发”“Multi-Agent 架构”已成为高频词汇。那么Agent 到底是什么为什么它会火国内外有哪些主流框架市场又需要什么样的 Agent 工程师上篇我们先从宏观层面把这些“地图”铺开。一、重新认识 Agent它不只是“聊天机器人 Plus”1.1 从“模型”到“行动者”如果用一个公式粗暴概括Agent LLM大脑 规划Planning 工具Tools 记忆Memory 行动Action传统的 LLM 应用比如一个问答机器人是“你问一句它答一句”没有自主决策、不会调用外部工具、也没有持续记忆。Agent 则完全不同它是一个能够感知环境、制定计划、使用工具、执行动作并基于反馈进行迭代的自主系统。举个例子你告诉 Agent “帮我查一下北京明天的天气如果下雨就提醒我带伞并把提醒发到我的邮箱”。它会理解意图解析指令规划步骤先查天气 → 判断是否下雨 → 如果下雨调用邮件工具发送提醒调用工具天气 API、邮件服务执行动作并返回结果甚至在这个过程中出错时自我纠错比如 API 返回异常切换备选工具这种“思考-行动-观察”循环被看作是 LLM 原生应用走向真正生产力的关键一跃。1.2 Agent 的核心能力解析规划Planning任务分解、步骤编排、路径选择。常用技术如 ReAct、Plan-and-Execute、Tree of Thoughts 等。工具使用Tool Use能够调用外部 API、执行代码、操作数据库、读写文件、操控浏览器等。这是 Agent 从“纸上谈兵”变成“动手干仗”的基础。记忆Memory短期记忆上下文窗口内的对话历史和长期记忆基于向量数据库或知识库的用户画像、历史经验让 Agent 能学习、能个性化。多 Agent 协作Multi-Agent多个专职 Agent 分工协作像一支微型团队有的负责检索、有的负责分析、有的负责代码生成通过消息传递或任务委派完成复杂工作。1.3 为什么现在 Agent 才真正火起来本质上是大模型能力越过了可用性门槛。2023 年之前语言模型尚且难以稳定遵循指令工具调用的格式如 JSON也很难保持合法。到了 GPT-4、Claude 3.5 这一代模型指令遵循、推理、结构化输出等能力大幅增强才使得“让模型自主规划和执行”从论文走进现实。再加上各大厂商OpenAI、Anthropic、Google、Meta、阿里、百度等把 Agent 能力直接内置进模型和框架生态工具迅速丰富引爆了这波浪潮。二、国内外主流 Agent 生态速览现在 Agent 赛道的生态可以用“框架扎堆、平台混战”来形容。为便于理解我们可以把它们分为开发框架面向工程师和低代码/产品化平台面向非开发者和快速构建两大类。2.1 海外主流 Agent 框架LangChain / LangGraphLangChain 是最早流行的 LLM 应用框架其中AgentExecutor封装了经典的 ReAct 模式。2024 年后团队推出了LangGraph用图Graph来显式定义 Agent 的状态流转和多 Agent 交互更精细地控制每一步的执行逻辑。目前仍是全球使用最广泛的 Agent 框架但也被批评抽象层过多、调试困难。AutoGPT / BabyAGI2023 年走红的现象级项目证明了“让 AI 自主设定目标并拆解执行”的概念可行。但因实际可靠性和 token 消耗巨大现在更多作为原型参考很少直接用于生产。CrewAI主打多 Agent 协作概念简单定义 Agent角色、目标、背景故事、分配任务Task、组建团队Crew非常符合心理模型。适合构建内容生成流水线、研究分析团队等场景学习门槛较低。AutoGen微软微软推出的多 Agent 对话框架核心是“可对话的 Agent”通过多轮对话完成任务支持代码生成、执行和人类介入。2.0 版本后抽象为异步事件驱动架构更适用于复杂的企业工作流。OpenAI Agents SDK2025 年 OpenAI 发布的官方 Agent 开发工具包原 Swarm 实验项目升级而来极其轻量。核心概念就三个Agent带指令和工具的智能体、Handoff把对话转交给另一个 Agent、Guardrails输入/输出安全校验。几乎没有强加的结构你可以自由组合。下篇我们会用它动手实操。Anthropic MCP A2A 协议严格来说 MCPModel Context Protocol是模型与外部工具/数据源交互的标准协议A2AAgent-to-Agent则是 Google 等力推的跨 Agent 通信协议。它们不是框架但在构建开放互联的 Agent 生态中极其重要。越来越多的框架已内置支持。2.2 国内主流 Agent 平台 / 框架国内大厂和创业公司齐头并进生态呈现出“平台化、场景化”的特点。Coze扣子字节跳动推出的 Agent 构建平台支持零代码搭建、丰富的插件市场、知识库、工作流编排和定时任务且能一键发布到飞书、微信、豆包等渠道。非常适合快速制作客服、营销、个人助理类 Agent。国内开发者入门必看。Dify开源的低代码 LLM 应用平台定位类似“中国版 LangChain GPTs 商店”。提供可视化的工作流编排、RAG 管道、Agent 策略ReAct、Function Calling 等以及对话日志。被大量企业用于内部知识库问答和业务流程自动化。百度千帆 AppBuilder / 文心智能体平台百度基于文心大模型的应用构建平台Agent 部分叫“智能体”提供零代码和低代码两种模式支持插件、知识增强、记忆等功能深度打通百度搜索生态。千帆模型能力在企业级市场有一定优势。阿里百炼 / 通义千问智能体阿里云百炼平台可构建 Agent 应用基于通义千问系列模型。支持函数调用、知识库、流程编排等。通义千问 APP 内部的智能体频道也展示了面向 C 端的 Agent 体验。腾讯元器腾讯混元大模型的智能体开发平台依托微信生态可快速构建公众号助手、企业微信客服 Agent 等。因为背靠微信流量入口备受关注。其他值得关注FastGPT开源知识库问答平台Agent 模块支持工具调用。Agently轻量级 Agent 开发框架AI 原生思路设计。ModelScope魔搭社区Agent阿里系开源社区有很多预训练 Agent 模型和教程。三、走进招聘市场Agent 工程师到底需要什么能力翻看各大招聘平台Boss 直聘、猎聘、LinkedIn你会发现“Agent 工程师”“智能体开发工程师”“AI 应用开发工程师”的岗位激增。本质上市场需要的是能将大模型与实际业务逻辑连接起来构建可靠、可扩展的 AI 系统的工程师。3.1 硬技能金字塔底座LLM 基础熟悉主流模型GPT-4o、Claude、Gemini、Qwen、DeepSeek 等的能力边界掌握提示工程Prompt Engineering、结构化输出、上下文工程。知道什么时候该 fine-tune什么时候该用 few-shot什么时候必须上 Agent。核心Agent 框架与设计模式至少深入掌握 1~2 个框架如 LangGraph、AutoGen、OpenAI Agents SDK理解 ReAct、Plan-Execute、LLM Compiler 等规划策略能设计工具 Schema 和管理工具生命周期能设计记忆方案窗口记忆、摘要记忆、向量记忆。扩展RAG 与知识增强Agent 离不开“知识”向量数据库、嵌入模型、文档切分与检索策略是必知必会。RAG 的进阶技术如 Graph RAG、Agentic RAG也开始被要求。多 Agent 与编排理解 Agent 间的通信机制、任务委派、状态共享。能够设计多 Agent 协作拓扑流水线、星型、网状并处理冲突和并发。工程落地能写生产级代码Python 为主异步编程常用熟悉 API 设计、容器化部署、可观测性Langfuse、Phoenix、OpenTelemetry、安全与防护提示注入防御、内容审核、权限控制。评估与测试Agent 的非确定性使传统测试手段失效。需要构建评估集使用 LLM-as-a-Judge、人工抽检、轨迹评估Trace Evaluation等方法确保 Agent 质量。3.2 软技能与思维转变“拥抱不确定性”Agent 的输出无法 100% 控制工程师需要从“写死逻辑”转变为“设计约束和容错”。产品感Agent 工程师往往同时肩负产品设计的角色要判断哪些地方该用 Agent哪些地方应回归确定性自动化。过度 Agent 化反而降低体验。快速学习这个领域每周都有新论文、新框架、新协议极强的学习能力和技术判断力是必备的。3.3 市场薪资与发展2025 年初国内一线城市有 1~3 年经验的 Agent 工程师薪资普遍在 25K~45K/月资深或架构方向可达 50K~70K 以上并伴有期权。海外市场 Remote 岗位年薪在 150K~300K 美元之间。岗位多集中在 AI 初创公司、大厂 AI 实验室、以及正积极“AI 改造”的传统软件企业。在可预见的未来Agent 工程师很可能像当年的“后端工程师”一样成为一个基础岗位类别。