有不少读者朋友发来私信询问，如果要开发AI Agent应该如何对AI框架进行选型。这确实不是一两句话能够说清楚的，因为我觉得也不好选🤦
一方面，虽然市面上选择很多，但各自的差异也比较大，没有能“包治百病”的。另一方面，在我看来各种方案都不够好：要么代码臃肿，概念堆砌；要么就是各种黑盒方案，在生产环境很不可控…
在上篇文章中，我们讨论了AI智能体开发中「人类在环 (human-in-the-loop)」机制的一些重要方面。今天，我给出一些示例代码来展示其中核心部分的实现过程及注意事项。文末附上源码下载链接。
前段时间确实有点忙，好久没有发文了。不过最近有好多AI技术方面的想法要跟大家分享:-)
今天我们主要聊一聊在AI Agent开发中非常重要的一个特性：human-in-the-loop。
大概一个多月之前，我们曾经深入讨论了AI Agent自主性的本质是什么。今天，我们沿着这个话题更进一步，去探究一下AI Agent的自主性这一本质特性，可能会对新时代的软件开发工作带来什么样的影响。
本文集中精力展开讨论三件事：
最近，国外一些很有见地的工程师，正在热议一个新的概念：Context Engineering。也许，这一概念的提出，代表了业界对于当前AI技术以及落地阶段的某种认知的转变。今天，我们就来简明扼要地讨论一下Context Engineering这一概念产生的背景、它的定义，以及它与Prompt Engineering的区别。
如何开发AI Agent，存在不同的工程体系。当前正处于群雄混战的「战国」时代。在这种「乱局」下，AI从业者如何选择，就需要更审慎的思考。
今天我们来讨论一下两个具体的开发框架，LangGraph和LlamaIndex，结合上篇我们对Agent概念本质的剖析，来做一个提纲挈领（而非细节）的对比。
市面上的AI开发框架远不止这两个，而且在Agent开发之外，LangGraph和LlamaIndex也都包含了众多其他的能力。之所以本篇我选择这两个框架进行对比，一个是因为它们都算是AI时代「老牌」的框架了，使用者广泛；另一个则是因为篇幅有限，我们需要一个一个地来聊。
从事AI的人都知道，如果你现在没有在搞Agent，出门都不好意思跟人打招呼。
但是，到底什么是Agent呢？恐怕专家们也未必说得清楚。这实在怪不到谁的头上，谁让这个概念的含义竟如此宽泛呢？
本文集中精力讨论清楚三件事：
浮言易逝，唯有文字长存。
今天来聊一个非常具体的技术问题。
对于工程师来说，当我们使用LangChain来连接一个LLM推理服务时，多多少少会碰到一个疑问：到底应该调用OpenAI还是ChatOpenAI？我发现，每次解释这个问题时，都会费很多唇舌，所以干脆写下来供更多人参考。这背后其实涉及到两个关键问题：