AI学习之AI应用框架选型篇

在 AgentScope 的语境下，Agentic AI（原生智能体 AI） 不仅仅是指"能调用工具的 LLM"，它特指一种基于独立人格、通过消息驱动、具备社会化协作能力的智能实体构建方式。

要理解它与 Workflow（工作流）在搭建上 的具体区别，我们可以用"编写剧本"与"组建团队"来做类比。

一、什么是 AgentScope 眼中的 Agentic AI？

在 AgentScope 中，Agentic AI 的核心定义包含三个要素：

独立的主体性 (Subjectivity)：每个 Agent 都是一个独立的对象（Object），拥有私有的记忆（Memory）、独特的人设（Profile）和独立的工具箱。它不是流程图里的一个"步骤"，而是一个"人"。
消息驱动 (Message-Driven)：系统运行的燃料是"消息"。Agent 之间通过发送和接收消息（Msg 对象）来交互，而不是通过函数调用传递参数。
社会化协作 (Social Collaboration)：解决问题不是靠预设的 if-else 跳转，而是靠 Agent 之间的"沟通"。
- 例如：Agent A 说"这代码不对"，Agent B 听到后"自主决定"去修改代码。

二、2. 搭建上的具体区别：Workflow vs. Agentic AI

为了让你看清代码和思维层面的差异，我们以**"开发一个贪吃蛇游戏"**为例。

方式 A：Workflow (工作流 / 编排模式)

代表框架 ：Spring AI Alibaba Graph, LangChain, Dify
搭建思维 ：上帝视角 (God Mode)。你是总工程师，你设计好每一个步骤和流转规则。

搭建步骤：
1. 定义节点 (Nodes)：
  - Node_WriteCode: 负责生成代码。
  - Node_RunTest: 负责运行代码。
  - Node_FixBug: 负责修复。
2. 定义边 (Edges)：
  - 连接 Node_WriteCode -> Node_RunTest。
3. 定义硬逻辑 (Router)：
  - 编写代码：if (exitCode == 0) return END; else return Node_FixBug;
代码特征：充斥着 .addNode(), .addEdge(), .addConditionalEdges()。
缺陷：如果测试报错是环境问题而不是代码问题，且你没写处理环境错误的逻辑，流程就会卡死或死循环。

方式 B：Agentic AI (AgentScope 模式)

代表框架 ：AgentScope
搭建思维 ：CEO 视角 (Manager Mode)。你只负责招人和拉群，具体怎么干看员工发挥。

搭建步骤：
1. 定义角色 (Profiles)：
  - CoderAgent: 设定 Prompt "你是一个精通 Python 的程序员"。
  - ReviewerAgent: 设定 Prompt "你是一个苛刻的测试员，只负责报错"。
2. 组建流水线/群聊 (Pipeline/MsgHub)：
  - 不需要定义"如果出错跳到哪"。
  - 只需要定义对话顺序：SequencialPipeline(coder, reviewer)。
3. 交互逻辑：
  - coder 产出消息。
  - reviewer 收到消息，生成回复（可能是"通过"，可能是"报错信息"）。
  - 如果配置了循环，coder 看到 reviewer 的报错消息，利用 LLM 的理解能力，自主决定修改代码。
代码特征：
- new Agent(...)
- msg = coder(msg)
- msg = reviewer(msg)
优势：容错性极强。Reviewer 可能会说"代码没问题，但是你没写注释"，Coder 就会去加注释。这种逻辑在 Workflow 里很难预设。

三、代码层面的直观对比

为了更清晰地展示搭建的区别，我们看伪代码：

Workflow 搭建 (Spring AI Graph 风格)

你需要显式地管理状态流转：

复制代码

// 1. 显式定义状态流转图
StateGraph graph = new StateGraph();

graph.addNode("coder", coderFunction);
graph.addNode("tester", testerFunction);

// 2. 显式定义路由逻辑（硬编码）
graph.addConditionalEdges("tester", 
    response -> response.isSuccess() ? "END" : "coder" // 只有成功才结束，否则回退
);

return graph.compile();

Agentic AI 搭建 (AgentScope 风格)

你需要显式地管理角色和对话：

复制代码

// 1. 定义有"灵魂"的 Agent
Agent coder = new DialogAgent("coder", "你是一个资深程序员...", modelConfig);
Agent tester = new DialogAgent("tester", "你是一个测试专家...", modelConfig);

// 2. 定义交互模式（让他们自己聊）
// 这里没有显式的 if-else，只有"对话模式"
// 这是一个循环对话，直到满足终止条件（如出现 "SUCCESS" 关键词）
Pipeline loop = new LoopPipeline(
    new SequentialPipeline(coder, tester) 
);

// 3. 启动
loop.run("帮我写个贪吃蛇"); 
// 剩下的交给他们自己吵架，你不用管"怎么回退"，因为那是他们对话的一部分

四、总结：

我相信这两种类型的应用框架应该也是很多开发者的困惑，本篇就针对性的作一解惑，有问题可以在评论区一起留言探讨，然后就是在不同场景下方案选型的一个个人指导，仅供参考：

Workflow (搭建结构)：
- 像修水管。水流（数据）必须沿着管子流。
- 适用：企业级业务流、审批流、RAG 问答、数据清洗。确定性高，可控性强。
Agentic AI (搭建组织)：
- 像开圆桌会。大家围坐在一起，话语（消息）在空中传播。
- 适用：开放性问题解决（如 Manus）、代码生成、创意写作、多角色博弈模拟。创造性高，涌现性强。

要强调一点儿的是，在 AgentScope 中，你搭建的不是"程序块"，而是"虚拟员工"。这就是 Agentic AI 搭建的核心差异。

欢迎关注，一起交流，一起进步～