深度解析：LangChain、Agent、RAG、FC、ReAct、LangGraph、A2A、MCP

一、总览：技术全景图

这些概念并非平行关系，而是分属不同的层级。可以这样理解：

复制代码

┌─────────────────────────────────────────────────────────┐
│                    应用层 (Application)                  │
│         ChatBot / Copilot / 自动化工作流 / 多Agent系统     │
├─────────────────────────────────────────────────────────┤
│                    框架层 (Framework)                    │
│              LangChain / LangGraph / CrewAI             │
│               AutoGen / Dify / Coze 等                  │
├─────────────────────────────────────────────────────────┤
│                   编排模式层 (Pattern)                    │
│           ReAct / Plan-and-Execute / Multi-Agent        │
│                  Reflexion / LATS 等                    │
├─────────────────────────────────────────────────────────┤
│                   能力层 (Capability)                    │
│        Agent / RAG / Function Calling / Memory          │
│               Tool Use / Planning 等                    │
├─────────────────────────────────────────────────────────┤
│                  协议/接口层 (Protocol)                   │
│                   MCP / A2A / OpenAPI                   │
├─────────────────────────────────────────────────────────┤
│                    模型层 (Model)                        │
│        GPT / Claude / Gemini / DeepSeek / Qwen 等       │
└─────────────────────────────────────────────────────────┘

关键认知： RAG 是一种技术方案 ，FC 是一种模型能力 ，ReAct 是一种推理范式 ，Agent 是一种系统角色 ，MCP 和 A2A 是通信协议 ，LangChain 和 LangGraph 是开发框架。它们不在同一维度上。

二、逐个击破：核心概念详解

2.1 Function Calling（FC）--- 工具调用能力

本质：模型的底层能力

Function Calling 是大语言模型提供的一种能力，让模型能够在对话过程中识别用户意图，并生成结构化的函数调用请求（通常是 JSON 格式），由外部系统执行后将结果返回给模型。

工作流程：

复制代码

用户提问 → 模型判断需要调用某个工具 → 模型输出函数名+参数(JSON)
→ 外部代码执行该函数 → 将执行结果返回给模型 → 模型生成最终回答

核心特点：

由 OpenAI 于 2023 年 6 月 率先推出，现已成为行业标准能力
它不是框架，不是模式，而是模型本身的一项能力
本质上解决了"让 LLM 能够与外部世界交互"的问题
后续演化为 Tool Use（工具使用），各厂商命名不同，但原理一致

代码示例（OpenAI 风格）：

python 复制代码

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名"}
            }
        }
    }
}]

response = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools
)
# 模型返回: 调用 get_weather(city="北京")

与其他概念的关系：

FC 是构建 Agent 的基石能力------没有 FC，Agent 就无法调用工具
RAG 系统中也可以用 FC 来调用检索工具（但更常见的是直接在 pipeline 中集成检索）

2.2 RAG（Retrieval-Augmented Generation）--- 检索增强生成

本质：一种技术方案/架构模式

RAG 的核心思想是：在 LLM 生成回答之前，先从外部知识库中检索相关信息，将检索结果作为上下文注入到 Prompt 中，再让模型生成回答。

标准流程：

python 复制代码

用户提问
    ↓
[检索阶段] 将问题向量化 → 在向量数据库中检索相关文档片段
    ↓
[增强阶段] 将检索到的文档片段 + 原始问题 拼接成新的 Prompt
    ↓
[生成阶段] LLM 基于增强后的 Prompt 生成回答

核心解决的问题：

LLM 的知识截止日期问题（知识过时）
LLM 的幻觉问题（通过提供事实依据减少编造）
私有数据/领域知识的注入

典型技术栈：

环节	常用工具
文档加载	Unstructured, LlamaParse
文本分割	LangChain TextSplitter
向量化	OpenAI Embedding, BGE, Jina
向量数据库	Milvus, Pinecone, Chroma, Weaviate
检索策略	稠密检索、稀疏检索、混合检索、Reranking
生成	GPT-4, Claude, DeepSeek 等

RAG 的进阶演化：

阶段	名称	说明
Naive RAG	基础 RAG	检索 → 生成，最简单的 pipeline
Advanced RAG	进阶 RAG	加入 Query Rewriting、HyDE、Reranking、多路召回
Modular RAG	模块化 RAG	可插拔的模块组合，灵活编排
Agentic RAG	智能体 RAG	用 Agent 动态决定是否需要检索、检索什么、检索几次

与其他概念的关系：

RAG 可以独立存在------不需要 Agent，一个简单的 pipeline 就能实现
RAG 也可以是 Agent 使用的工具之一------Agent 决定何时检索、检索什么
Agentic RAG 是 RAG 和 Agent 的结合体，代表了更高级的形态

2.3 ReAct（Reasoning + Acting）--- 推理与行动范式

本质：一种 Prompt/推理框架

ReAct 由普林斯顿大学和 Google 于 2022 年 提出（论文：ReAct: Synergizing Reasoning and Acting in Language Models ），核心思想是让模型交替进行推理（Reasoning） 和行动（Acting）。

经典模式：

python 复制代码

Thought: 用户问的是北京的天气，我需要先查询天气工具
Action: get_weather(city="北京")
Observation: 北京今天晴，25°C
Thought: 我已经获得了天气信息，可以回答用户了
Answer: 北京今天天气晴朗，气温25°C。

核心特点：

Thought（思考）：模型解释自己的推理过程
Action（行动）：模型决定调用哪个工具
Observation（观察）：模型接收工具返回的结果
三者交替循环，直到任务完成

与其他范式的对比：

范式	特点	适用场景
CoT（Chain-of-Thought）	只推理不行动	数学题、逻辑推理
Act-only	只行动不推理	简单工具调用
ReAct	推理 + 行动交替	复杂多步骤任务
Plan-and-Execute	先规划再执行	需要全局规划的任务
Reflexion	执行后反思改进	需要自我纠错的任务

与其他概念的关系：

ReAct 是 Agent 最常用的推理模式之一
Function Calling 提供了"行动"能力，ReAct 提供了"推理"框架，两者结合就形成了最基础的 Agent

2.4 Agent（智能体）--- 自主决策的执行者

本质：一种系统角色/架构模式

Agent 不是某个具体的库或工具，而是一种设计理念：让 LLM 具备自主感知环境、制定计划、调用工具、完成任务的能力。

一个完整 Agent 的核心组成：

python 复制代码

┌─────────────────────────────────────┐
│              Agent                  │
│                                     │
│  ┌──────────┐    ┌──────────────┐   │
│  │   LLM    │    │    Memory    │   │
│  │ (大脑)    │    │   (记忆系统)  │   │
│  └────┬─────┘    └──────────────┘   │
│       │                             │
│  ┌────▼─────┐    ┌──────────────┐   │
│  │ Planning  │    │   Tools     │   │
│  │ (规划能力) │    │  (工具集)    │   │
│  └──────────┘    └──────────────┘   │
│                                     │
│  ┌──────────────────────────────┐   │
│  │     Reasoning Strategy       │   │
│  │  (推理策略: ReAct/Plan等)      │   │
│  └──────────────────────────────┘   │
└─────────────────────────────────────┘

Agent 与其他概念的层级关系：

python 复制代码

Agent 是一个上层建筑，它组合了：
├── LLM（推理能力）
├── FC/Tool Use（工具调用能力）
├── ReAct/Plan-and-Execute（推理策略）
├── Memory（记忆管理）
├── RAG（知识检索能力，可选）
└── Planning（任务规划能力）

Agent 的分类：

类型	说明	例子
ReAct Agent	使用 ReAct 范式的 Agent	LangChain ReAct Agent
Plan-and-Execute Agent	先规划后执行	BabyAGI 思路
Tool-Use Agent	主要通过工具完成任务	GPTs
Multi-Agent	多个 Agent 协作	CrewAI, AutoGen
Autonomous Agent	高度自主的 Agent	AutoGPT, Devin

2.5 MCP（Model Context Protocol）--- 模型上下文协议

本质：一个开放协议/接口标准

MCP 由 Anthropic 于 2024 年 11 月 发布，目标是为 LLM 连接外部数据源和工具提供一个标准化的协议。

类比理解：

如果 Function Calling 是"让模型知道有哪些工具可以用"，那么 MCP 就是"定义这些工具应该如何被发现、描述和调用的统一标准"。

MCP 之于 AI 工具，就像 USB 协议 之于外设------统一了接口标准。

MCP 的架构：

python 复制代码

┌──────────────┐     MCP协议     ┌──────────────┐
│   MCP Client │ ◄────────────► │  MCP Server  │
│  (AI应用/IDE) │                │  (工具/数据)  │
└──────────────┘                └──────────────┘

MCP Server 可以封装：
├── 数据库连接
├── 文件系统访问
├── API 调用
├── 浏览器操作
└── 任意自定义工具

MCP 提供的三种核心能力（Primitives）：

能力	说明
Resources	暴露数据/文件供模型读取（类似 GET 请求）
Tools	暴露可执行的操作供模型调用（类似 POST 请求）
Prompts	预定义的 Prompt 模板

MCP vs Function Calling：

维度	Function Calling	MCP
层级	模型能力	开放协议
工具定义	每次请求时在代码中定义	MCP Server 标准化暴露
可发现性	需要开发者手动注册	客户端自动发现可用工具
复用性	绑定在特定应用中	一个 MCP Server 可被任何 MCP Client 使用
标准化	各厂商格式不统一	统一的 JSON-RPC 2.0 协议
生态	封闭在应用内部	可构建共享的 MCP Server 生态

2.6 A2A（Agent-to-Agent Protocol）--- 智能体间通信协议

本质：Agent 间的互操作协议

A2A 由 Google 于 2025 年 4 月 发布，是专门用于 Agent 与 Agent 之间通信的开放协议。

核心解决的问题：

MCP 解决的是"Agent 如何连接工具和数据"，而 A2A 解决的是"Agent 如何发现、连接并协作其他 Agent"。

A2A 的关键概念：

概念	说明
Agent Card	Agent 的"名片"，以 JSON 格式描述 Agent 的能力、端点、认证方式（发布在 `/.well-known/agent.json`）
Task	Agent 之间的任务单元，有完整的生命周期（创建 → 执行 → 完成/失败）
Message	Agent 之间传递的消息，包含多个 Part（文本、文件、结构化数据）
Artifact	任务的输出产物

A2A 的工作流程：

python 复制代码

Agent A（客户端）                     Agent B（远程）
     │                                    │
     │  1. 发现 Agent Card                 │
     │ ──────────────────────────────────►│
     │                                    │
     │  2. 创建 Task                       │
     │ ──────────────────────────────────► │
     │                                     │
     │  3. 接收任务状态更新/流式结果           │
     │ ◄────────────────────────────────── │
     │                                     │
     │  4. 任务完成，获取 Artifact           │
     │ ◄────────────────────────────────── │

A2A vs MCP：

维度	MCP	A2A
通信对象	模型 ↔ 工具/数据	Agent ↔ Agent
抽象层级	低层级（函数调用）	高层级（任务协作）
有状态性	通常是无状态的请求-响应	有状态的任务生命周期
交互模式	同步为主	支持同步、异步、流式推送
类比	USB 接口（设备连接标准）	HTTP 协议（服务间通信标准）
发布者	Anthropic（2024.11）	Google（2025.04）

互补关系：

MCP 和 A2A 并非竞争关系，而是互补的------MCP 是 Agent 的"手"（连接工具），A2A 是 Agent 的"嘴"（连接其他 Agent）。

2.7 LangChain --- LLM 应用开发框架

本质：一个开源开发框架/SDK

LangChain 是目前最流行的 LLM 应用开发框架，由 Harrison Chase 于 2022 年 10 月 创建。它提供了构建 LLM 应用所需的各种组件和抽象。

核心模块（LangChain 生态）：

python 复制代码

LangChain 生态
├── langchain-core        # 基础抽象层（Runnable接口、Prompt模板等）
├── langchain             # 核心链（Chain、Agent、Retriever等）
├── langchain-community   # 第三方集成（数百个工具/模型/数据库接入）
├── langchain-openai      # OpenAI 专用集成
├── langchain-anthropic   # Anthropic 专用集成
├── langgraph             # 有状态多Agent编排（独立包）
├── langsmith             # 可观测性平台（LLM应用调试/监控）
└── langserve             # LangChain应用部署为REST API

LangChain 提供的核心抽象：

抽象	说明
Model	统一的 LLM/ChatModel 接口
Prompt Template	结构化 Prompt 管理
Chain (LCEL)	组件的链式组合（LangChain Expression Language）
Retriever	统一的检索接口
Agent	工具调用 + 推理循环
Memory	对话历史管理
Tool	工具定义和调用

LangChain 的定位：

它是胶水层，把 LLM、Prompt、工具、检索、记忆等组件粘合在一起
它是框架，不是协议、不是模型、不是模式
它覆盖了从简单 Chain 到复杂 Agent 的全场景

一个简单的 LangChain RAG 示例：

python 复制代码

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 构建检索器
vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())
retriever = vectorstore.as_retriever()

# 构建 RAG Chain
prompt = ChatPromptTemplate.from_template(
    "根据以下上下文回答问题：\n{context}\n\n问题：{question}"
)

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4")
    | StrOutputParser()
)

chain.invoke("什么是向量数据库？")

2.8 LangGraph --- 有状态多智能体编排框架

本质：LangChain 生态中的编排框架

LangGraph 由 LangChain 团队于 2024 年 发布，是专门用于构建有状态、多步骤、多 Agent 应用的框架。

LangGraph vs LangChain 的核心区别：

维度	LangChain	LangGraph
执行模型	链式（线性 pipeline）	图（有向图，支持循环）
状态管理	有限	内置持久化状态
流程控制	顺序执行为主	支持条件分支、循环、并行
适用场景	简单 Chain、RAG	复杂 Agent 工作流、多 Agent 协作
人机交互	较难实现	原生支持 Human-in-the-loop
时间旅行	不支持	支持状态回溯/重放

LangGraph 的核心概念：

python 复制代码

from langgraph.graph import StateGraph, START, END

# 定义状态
class AgentState(TypedDict):
    messages: list
    next_step: str

# 构建图
graph = StateGraph(AgentState)
graph.add_node("reasoner", reasoner_node)
graph.add_node("tool_caller", tool_caller_node)
graph.add_node("responder", responder_node)

# 定义边（包括条件边）
graph.add_edge(START, "reasoner")
graph.add_conditional_edges("reasoner", route_after_reasoning)
graph.add_edge("tool_caller", "reasoner")
graph.add_edge("responder", END)

# 编译并运行
app = graph.compile()
result = app.invoke({"messages": [user_message]})

LangGraph 的典型应用场景：

多步推理的复杂 Agent
多 Agent 协作系统（如：研究员 Agent + 写手 Agent + 审核 Agent）
需要 Human-in-the-loop 的审批流程
需要状态持久化的长时间运行任务

三、关系矩阵：它们之间到底是什么关系？

3.1 层级依赖关系

python 复制代码

                    ┌─────────────┐
                    │ 完整的AI应用  │
                    └──────┬──────┘
                           │
              ┌────────────┼────────────┐
              │            │            │
        ┌─────▼─────┐ ┌───▼────┐ ┌────▼─────┐
        │  Multi-   │ │ Agent  │ │ Simple   │
        │  Agent    │ │ System │ │ RAG App  │
        │  System   │ └───┬────┘ └──────────┘
        └─────┬─────┘     │
              │           │
    ┌─────────┼───────────┤
    │         │           │
┌───▼──┐ ┌───▼────┐ ┌────▼────┐
│LangGraph││LangChain││LangGraph│
└───┬──┘ └───┬────┘ └────┬────┘
    │         │           │
    ├─────────┼───────────┤
    │         │           │
┌───▼──┐ ┌───▼────┐ ┌────▼───┐
│ A2A  │ │ ReAct  │ │  RAG   │
│协议   ││ 推理模式 │ │ 技术方案│
└───┬──┘ └───┬────┘ └────┬───┘
    │         │           │
    └─────────┼───────────┘
              │
        ┌─────▼─────┐
        │Function   │
        │Calling    │
        │/ MCP      │
        └─────┬─────┘
              │
        ┌─────▼─────┐
        │    LLM    │
        └───────────┘

3.2 功能定位关系

这个概念...	解决的问题
LLM	提供语言理解和生成能力
Function Calling	让模型能"动手"调用外部函数
MCP	标准化"动手"的接口（工具连接协议）
RAG	让模型能"查资料"获取外部知识
ReAct	让模型学会"边想边做"（推理策略）
Agent	将上述能力整合为一个自主执行单元
A2A	让多个 Agent 能"对话协作"（通信协议）
LangChain	提供构建上述系统的工具包
LangGraph	提供编排复杂 Agent 工作流的框架

3.3 协作关系举例

场景：构建一个"AI研究助手"

python 复制代码

用户："帮我调研 MCP 协议的最新进展，写一份报告"

执行流程：
1. [LangGraph] 编排整个工作流
2. [Agent-研究员] 接收任务
   ├── 使用 [FC] 调用搜索工具 → 获取最新资料
   ├── 使用 [RAG] 检索本地知识库 → 补充背景知识
   └── 使用 [ReAct] 范式 → 边推理边行动
3. [Agent-写手] 接收研究员的资料
   ├── 使用 [RAG] 检索写作风格参考
   └── 生成报告初稿
4. [Agent-审核员] 审核报告质量
   └── 通过 [A2A] 协议与写手沟通修改意见
5. [MCP Server] 提供文件系统访问 → 保存最终报告

四、横向对比表

4.1 全维度对比

维度	FC	RAG	ReAct	Agent	MCP	A2A	LangChain	LangGraph
类型	模型能力	技术方案	推理范式	架构角色	通信协议	通信协议	开发框架	编排框架
层级	能力层	能力层	模式层	能力层	协议层	协议层	框架层	框架层
是否可独立使用	否(需模型)	是	否(需Agent)	是	是	是	是	是(但需LLM)
发布者	OpenAI	Meta/FB	Princeton	-	Anthropic	Google	LangChain	LangChain
发布时间	2023.06	2020.05	2022.10	-	2024.11	2025.04	2022.10	2024
是否需要其他组件	需要LLM	需要Embedding+向量库	需要LLM+Tools	需要LLM+FC+...	需要Client	需要Agent	需要LLM	需要LLM
是否有标准规范	各厂不同	无统一标准	论文定义	无统一标准	有(RPC 2.0)	有(JSON)	有(API)	有(API)

4.2 竞争/互补关系

关系	说明
MCP ↔ FC	互补且部分竞争：MCP 是 FC 的标准化升级，但 FC 更底层更灵活
MCP ↔ A2A	完全互补：MCP 管"Agent↔工具"，A2A 管"Agent↔Agent"
LangChain ↔ LangGraph	包含关系：LangGraph 是 LangChain 生态的一部分，但可独立使用
LangChain ↔ CrewAI/AutoGen	竞争关系：都是多Agent框架，不同实现方案
ReAct ↔ Plan-and-Execute	互补/替代关系：不同的推理策略，适用于不同场景

五、补充：容易遗漏的重要概念

5.1 Tool Use（工具使用）

Function Calling 的更广义称呼。FC 特指模型输出结构化函数调用的能力，而 Tool Use 泛指 LLM 使用外部工具的整个过程（包括发现、选择、调用、处理结果）。MCP 协议本质上就是标准化了 Tool Use 的接口。

5.2 Memory（记忆系统）

Agent 的核心组件之一，负责管理对话历史和长期记忆。

类型	说明	技术实现
短期记忆	当前对话上下文	Context Window
长期记忆	跨对话的信息持久化	向量数据库 + 检索
工作记忆	任务执行中的中间状态	LangGraph State

5.3 Planning（规划能力）

Agent 将复杂任务分解为子任务的能力。常见策略：

Task Decomposition：将大任务拆分为小步骤
Plan-and-Execute：先制定完整计划，再逐步执行
Tree of Thoughts (ToT)：探索多条推理路径

5.4 Multi-Agent System（多智能体系统）

由多个专业化 Agent 协作完成复杂任务的系统。

框架	发布者	特点
LangGraph	LangChain	图编排，灵活控制流
CrewAI	社区	角色化，模拟团队协作
AutoGen	Microsoft	对话式多Agent
OpenAI Swarm	OpenAI	轻量级Agent编排（实验性）
Dify	社区	低代码Agent构建平台
Coze	字节跳动	低代码Agent构建平台

5.5 Agentic Design Patterns（智能体设计模式）

Andrew Ng（吴恩达）总结的四种 Agent 设计模式：

模式	说明
Reflection	Agent 反思并改进自己的输出
Tool Use	Agent 使用外部工具（FC/MCP）
Planning	Agent 分解任务并制定执行计划
Multi-Agent	多个 Agent 协作

5.6 OpenAI Agents SDK / Responses API

OpenAI 于 2025 年推出的 Agents SDK，提供了原生的 Agent 构建能力，内置了 Handoff（Agent 间交接）、Guardrails（安全护栏）等机制。这代表了大模型厂商正在从"提供模型"向"提供 Agent 基础设施"转型。

5.7 LangSmith

LangChain 生态中的可观测性平台，用于：

Trace 追踪（查看每一步 LLM 调用）
评估（自动化测试 Agent 表现）
监控（生产环境的性能监控）
Debugging（回放和调试 Agent 执行过程）

六、典型技术选型场景

场景 1：简单的知识问答系统

python 复制代码

需求：基于内部文档的 Q&A 系统
选型：RAG pipeline
技术栈：LangChain + Chroma + GPT-4
不需要：Agent、A2A、MCP

场景 2：多功能 AI 助手

python 复制代码

需求：能搜索、计算、查天气的聊天助手
选型：ReAct Agent + Function Calling
技术栈：LangChain/LangGraph + Tools + GPT-4
可选加入：MCP（标准化工具接入）

场景 3：复杂工作流自动化

python 复制代码

需求：自动化研究报告生成（调研→分析→写作→审核）
选型：Multi-Agent + LangGraph
技术栈：LangGraph + 多个专业化 Agent + RAG
可选加入：A2A（如果 Agent 来自不同系统）

场景 4：企业级 Agent 平台

python 复制代码

需求：构建可插拔、可扩展的 Agent 平台
选型：MCP + A2A + LangGraph
技术栈：MCP Server（标准化工具接入）+ A2A（Agent 间通信）
        + LangGraph（工作流编排）+ LangSmith（可观测性）

七、总结与展望

一句话总结每个概念

概念	一句话
FC	让模型有"手"，能调用外部函数
RAG	让模型有"图书馆"，能查资料再回答
ReAct	让模型学会"三思而后行"
Agent	把手、脑、记忆、计划整合为一个自主实体
MCP	统一了"手"的接口标准
A2A	统一了"Agent 之间说话"的方式
LangChain	构建这一切的工具箱
LangGraph	编排复杂 Agent 工作流的导演

行业趋势

协议标准化：MCP 和 A2A 的出现标志着行业正在走向标准化，未来 Agent 生态将更加互联互通
框架收敛：LangChain/LangGraph 生态已经非常成熟，但 OpenAI Agents SDK 等原生方案也在快速追赶
从 RAG 到 Agentic RAG：RAG 正在从静态 pipeline 演化为由 Agent 动态控制的自适应系统
Multi-Agent 成为标配：复杂任务越来越多地由多个专业 Agent 协作完成
可观测性至关重要：随着 Agent 系统复杂度增加，LangSmith 等可观测性工具将成为刚需

深度解析：LangChain、Agent、RAG、FC、ReAct、LangGraph、A2A、MCP — 区别、联系与全景图

目录

一、总览：技术全景图

二、逐个击破：核心概念详解

2.1 Function Calling（FC）--- 工具调用能力

2.2 RAG（Retrieval-Augmented Generation）--- 检索增强生成

2.3 ReAct（Reasoning + Acting）--- 推理与行动范式

2.4 Agent（智能体）--- 自主决策的执行者

2.5 MCP（Model Context Protocol）--- 模型上下文协议

2.6 A2A（Agent-to-Agent Protocol）--- 智能体间通信协议

2.7 LangChain --- LLM 应用开发框架

2.8 LangGraph --- 有状态多智能体编排框架

三、关系矩阵：它们之间到底是什么关系？

3.1 层级依赖关系

3.2 功能定位关系

3.3 协作关系举例

四、横向对比表

4.1 全维度对比

4.2 竞争/互补关系

五、补充：容易遗漏的重要概念

5.1 Tool Use（工具使用）

5.2 Memory（记忆系统）

5.3 Planning（规划能力）

5.4 Multi-Agent System（多智能体系统）

5.5 Agentic Design Patterns（智能体设计模式）

5.6 OpenAI Agents SDK / Responses API

5.7 LangSmith

六、典型技术选型场景

场景 1：简单的知识问答系统

场景 2：多功能 AI 助手

场景 3：复杂工作流自动化

场景 4：企业级 Agent 平台

七、总结与展望

一句话总结每个概念

行业趋势