本篇是《AI Agent 实战：从设计模式到生产落地》的附录 A + B 合集：主流框架速查 + 工具与资源清单，方便随时查阅。
附录 A：主流框架速查
本附录为全书涉及的 5 大框架/协议的横向对比速查。详细选型逻辑见正文对应章节。
A.1 框架总览
| 框架/协议 |
类型 |
核心概念 |
适合 |
正文章节 |
| LangGraph |
编排框架 |
图（StateGraph）+ 节点 + 条件边 |
复杂编排、生产级 |
6、10-16 章 |
| AutoGen |
多 Agent 框架 |
Agent 群聊（ConversableAgent） |
研究、辩论、协商 |
16 章 |
| CrewAI |
多 Agent 框架 |
角色/任务/工具声明式 |
快速原型 |
16 章 |
| MCP |
工具接入协议 |
Server / Client + 工具/资源/提示 |
工具标准化接入 |
7 章 |
| OpenAI 兼容 API |
模型接口 |
chat.completions + tools 参数 |
通用模型调用 |
5、14 章 |
A.2 LangGraph 速查
核心概念
StateGraph（状态图）→ 节点（Node）+ 边（Edge）
├─ add_node: 添加处理节点
├─ add_edge: 顺序边
├─ add_conditional_edges: 条件边（路由/循环）
└─ compile: 编译为可执行图 → invoke(输入)
最小示例（提示链）
from langgraph.graph import StateGraph, END
g = StateGraph(dict)
g.add_node("extract", lambda s: {**s, "e": extract(s)})
g.add_node("write", lambda s: {**s, "r": write(s)})
g.add_edge("extract", "write")
g.add_edge("write", END)
app = g.compile()
result = app.invoke({"q": "..."})
关键能力
- 状态管理：节点间通过 state 传递，天然支持分支/循环
- 条件边：实现路由、反思循环、重试
- checkpointer：断点续跑、人工介入（Human-in-loop）
A.3 AutoGen 速查
核心概念
ConversableAgent（可对话 Agent）
├─ UserProxyAgent（人类代理：可执行代码/工具）
├─ AssistantAgent（助手）
└─ GroupChat（群聊）+ GroupChatManager（群聊管理者）
最小示例（双 Agent 对话）
from autogen import ConversableAgent, UserProxyAgent
assistant = ConversableAgent("assistant", llm_config={"model": "..."})
user_proxy = UserProxyAgent("user", code_execution_config={"work_dir": "."})
user_proxy.initiate_chat(assistant, message="帮我写个冒泡排序")
注意事项
- 群聊模式易失控：自由对话需强约束（停止条件/轮数上限，见 16 章）
- 生产场景慎用自由对话：优先结构化传递（16.3.1）
A.4 CrewAI 速查
核心概念
Agent（角色）+ Task（任务）+ Crew（团队）
├─ Agent: role/goal/backstory/tools
├─ Task: description/expected_output/agent
└─ Crew: agents + tasks + process(sequential/hierarchical)
最小示例
from crewai import Agent, Task, Crew
researcher = Agent(role="研究员", goal="查资料", backstory="...")
writer = Agent(role="写手", goal="写报告", backstory="...")
task1 = Task(description="调研市场", expected_output="要点清单", agent=researcher)
task2 = Task(description="写报告", expected_output="报告", agent=writer)
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()
注意事项
- 上手快但封装深：底层控制力弱，复杂逻辑受限
- 适合原型：快速验证多 Agent 想法（16.4）
A.5 MCP 速查
架构
MCP Client（Agent 应用） ←协议→ MCP Server（工具/数据提供方）
├─ 传输：stdio（本地）/ HTTP（远程）
├─ 能力：tools（工具）/ resources（资源）/ prompts（提示）
└─ SDK：mcp（官方）/ fastmcp（FastMCP 简化）
最小 Server（FastMCP）
from fastmcp import FastMCP
mcp = FastMCP("my-tools")
@mcp.tool()
def my_tool(x: int) -> int:
"""工具描述：何时用/做什么"""
return x * 2
mcp.run(transport="stdio")
关键点
- docstring 即工具描述（7.4.2）
- 接入前审查 Server 暴露的工具（供应链安全，22 章）
A.6 OpenAI 兼容 API 速查
基础调用
from openai import OpenAI
client = OpenAI(base_url="https://api.deepseek.com", api_key="<key>")
resp = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": "你好"}],
temperature=0.3,
max_tokens=1000,
)
print(resp.choices[0].message.content)
工具调用（第 5 章）
resp = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": "查订单 A1"}],
tools=[{...}], # Function Schema
tool_choice="auto",
)
msg = resp.choices[0].message
if msg.tool_calls:
print(msg.tool_calls[0].function.name, msg.tool_calls[0].function.arguments)
结构化输出（第 4 章）
resp = client.chat.completions.create(
model="deepseek-chat",
messages=[...],
response_format={"type": "json_object"}, # 或 json_schema
)
A.7 框架选型速查表
| 你的需求 |
首选 |
备选 |
| 纯顺序流程（提示链） |
自研（10 章） |
LangGraph |
| 复杂图结构（分支/循环） |
LangGraph |
自研 |
| 多 Agent 协作（生产） |
LangGraph + 自研编排 |
CrewAI |
| 多 Agent 研究/辩论 |
AutoGen |
LangGraph |
| 工具标准化接入 |
MCP |
手写 Schema |
| 快速原型验证 |
CrewAI |
AutoGen |
| 通用模型调用 |
OpenAI 兼容 API |
各厂商 SDK |
核心原则（第 29 章）：先自研跑通理解原理，再按需选框架；学模式，不追框架。
附录 B：工具与资源清单
本附录汇总全书涉及的开发工具、开源项目、云服务与学习资源。均为第三方资源，使用时以官方文档为准，接入前按第 22 章做安全审查。
B.1 开发框架与库
| 类别 |
工具 |
用途 |
备注 |
| Agent 编排 |
LangGraph |
图结构工作流 |
第 10-16 章对照 |
| Agent 编排 |
AutoGen |
多 Agent 对话 |
第 16 章 |
| Agent 编排 |
CrewAI |
声明式多 Agent |
第 16 章 |
| 工具接入 |
MCP / FastMCP |
工具标准化 |
第 7 章 |
| 提示工程 |
LangChain |
链式组件 |
部分章节对照 |
| 评测 |
Langfuse |
LLM 追踪/评测 |
第 20-21 章 |
| 评测 |
LangSmith |
LangChain 生态评测 |
第 20 章 |
| 评测 |
LLM-as-Judge（自建） |
模型评分 |
第 17、20 章 |
| 向量库 |
Chroma |
轻量向量库 |
第 8 章 |
| 向量库 |
Qdrant |
生产级向量库 |
第 8 章 |
| 向量库 |
FAISS |
Meta 开源向量库 |
第 8 章 |
| 向量库 |
Milvus |
大规模向量库 |
第 8 章 |
| 语义路由 |
semantic-router |
embedding 意图路由 |
第 11 章变体 |
| 记忆存储 |
Redis |
会话/缓存 |
第 3、9 章 |
| 记忆存储 |
PostgreSQL |
结构化记忆 |
第 9 章 |
B.2 模型与 API
| 模型 |
厂商 |
接入方式 |
特点 |
备注 |
| DeepSeek-V3 |
深度求索 |
OpenAI 兼容 API |
通用强、价格低 |
第 2 章推荐主力 |
| DeepSeek-R1 |
深度求索 |
OpenAI 兼容 API |
推理强 |
别乱调温度（24 章） |
| Qwen 系列 |
阿里 |
OpenAI 兼容 API / 开源 |
开源可私有化 |
长窗口 |
| 豆包 Doubao |
字节 |
火山方舟 API |
中文对话自然 |
字节生态 |
| 混元 Hunyuan |
腾讯 |
OpenAI 兼容 API |
腾讯生态 |
微信场景 |
| GPT 系列 |
OpenAI |
官方 API |
综合最强 |
成本高 |
| Claude |
Anthropic |
官方 API |
长文本/代码强 |
MCP 起源 |
B.3 追踪与可观测
| 工具 |
类型 |
特点 |
正文章节 |
| Langfuse |
开源可自部署 |
LLM 专用 trace/评测/成本面板 |
21 章推荐 |
| OpenTelemetry |
标准 |
通用可观测，可接 LLM |
21 章 |
| LangSmith |
SaaS |
LangChain 生态 |
20-21 章 |
| 自建 JSON 日志 |
自研 |
零依赖起步 |
21 章 |
B.4 部署基础设施
| 类别 |
工具/服务 |
用途 |
| 无服务器 |
AWS Lambda / 云函数 |
Agent 服务托管 |
| 容器 |
Docker |
环境打包 |
| 编排 |
Kubernetes / 云原生 |
大规模部署 |
| 网关 |
API Gateway |
限流/鉴权/路由 |
| 消息队列 |
Redis Streams / Kafka |
异步任务 |
| 定时任务 |
APScheduler / Celery beat |
周期任务 |
B.5 安全工具
| 工具 |
用途 |
说明 |
| Guardrails AI |
输出护栏 |
第 17 章 |
| NeMo Guardrails |
企业级护栏 |
NVIDIA，第 17 章 |
| LlamaGuard |
内容安全分类 |
Meta，第 22 章 |
| 自建注入检测 |
输入过滤 |
第 22 章 22.4 |
| 沙箱（Docker） |
代码执行隔离 |
第 22 章 |
B.6 学习资源
| 类型 |
资源 |
说明 |
| 文档 |
MCP 官方文档 |
协议最新规范 |
| 文档 |
LangGraph 官方文档 |
图编排 API |
| 开源 |
AutoGen / CrewAI 仓库 |
学习多 Agent 实现 |
| 图书 |
本书参考书单 |
见策划方案 1.1 节竞品表 |
| 社区 |
GitHub Trending / Hacker News |
跟踪 Agent 生态演进 |
| 论文 |
ReAct / Reflexion / ToT |
设计模式源头 |
B.7 快速上手建议
- 起步组合：DeepSeek API + Chroma + 自建日志（零成本跑通第 1-9 章）
- 工程组合：DeepSeek/Qwen API + Qdrant + Langfuse + MCP（生产级）
- 私有化组合：Qwen 开源 + Docker + 自建（数据敏感场景）
- 多 Agent 组合：LangGraph + MCP Server 群（复杂编排）
注意：第三方服务随时可能变更，接入前查看最新文档；涉及数据/安全的工具，先过第 22 章检查清单。