一个 Agent 产品到底用了哪些技术？本文拆解主流 Agent 产品的完整技术栈，帮你从零建立认知地图。
┌─────────────────────────────────────────┐
│ 6. 观测与评估 追踪、调试、A/B 测试 │
├─────────────────────────────────────────┤
│ 5. 部署与运行 把 Agent 变成可用的服务 │
├─────────────────────────────────────────┤
│ 4. 低代码平台 拖拽搭建，无需写代码 │
├─────────────────────────────────────────┤
│ 3. 工具与协议 让 Agent 操作外部世界 │
├─────────────────────────────────────────┤
│ 2. 记忆与存储 短期记忆 + 长期知识库 │
├─────────────────────────────────────────┤
│ 1. 框架与编排 搭骨架，定义 Agent 行为 │
├─────────────────────────────────────────┤
│ 0. 大语言模型 大脑，一切能力的来源 │
└─────────────────────────────────────────┘
Agent 所有决策、推理、生成能力都来自这层。选择哪个模型，直接决定了 Agent 的上限。
更新于 2026-07-22，基于各厂商最新发布。
模型
厂商
定位
特点
GPT-5.5 OpenAI
综合旗舰
2026年4月发布，当前最强；1M上下文，内置 Computer Use/MCP/Web Search；GPT-5.5 Pro 支持更多算力解决难题
Claude Opus 4.8 Anthropic
Agent 专家
2026年5月发布，代码+长程 Agent 任务最强；Fable 5（6月发布）能力更强但有限制；Opus 4.8 是当前最实用的旗舰
Claude Sonnet 4.6 Anthropic
性价比之选
2026年2月发布，速度+智能平衡，1M上下文（Beta），日常 Agent 首选
Gemini 3.6 Flash Google
低成本 Agent
2026年7月22日刚发布 ；比前代少用17% Token，专为大规模 Agent 工作流优化
Llama 4 Meta
开源标杆
可本地部署，数据不出门；社区生态活跃
注：GPT-4o、o3、o4-mini 已于 2026年2月从 ChatGPT 退役。Claude 3.5 也已退出主力阵容。
模型
厂商
定位
特点
DeepSeek V4-Pro 深度求索
开源旗舰
2026年4月发布；1.6万亿参数（MoE），1M上下文，MIT 开源；专为华为昇腾适配；价格不到 GPT 的 1/10
Qwen3.7-Max 阿里通义千问
国产第一
Arena 盲测国产榜首；开源家族下载量破亿；阿里云生态深度整合
GLM-5.2 智谱 AI
长程 Agent
2026年7月最新；百万 Token 上下文，每两月迭代一版；全球600万+用户；多 Agent 协同能力强
Kimi K2.6 月之暗面
Agent Swarm
可同时调度数百个子 Agent；K2.5 已实现独立全流程软件开发
MiniMax M3 MiniMax
性价比屠夫
2026年6月发布；原生多模态，SWE-Bench Pro 59分，价格约为 Claude 的 1/5
文心 6.0 百度
超大参数
2.4万亿参数，200万上下文；支持手机离线运行
混元 Hy3 腾讯
生态融入
2950亿参数（MoE），Apache 2.0 开源；深度融入微信/会议/文档
百川 M4 百川智能
医疗垂直
专注医疗场景；AI 家庭医生"百小医"；幻觉率极低
注：DeepSeek R2 从未发布，其推理能力已融入 V4 的 Thinking 模式。
场景
推荐
做原型验证、学 Agent 开发
DeepSeek V4（便宜到几乎免费）或 GPT-5.5（生态最成熟）
做代码类 Agent
Claude Opus 4.8（公认最强）或 GPT-5.3-Codex
做大规模 Agent 工作流（高频+低成本）
Gemini 3.6 Flash 或 MiniMax M3
做国内合规产品
Qwen3.7 / GLM-5.2（国产 Top 2）
做长程多步骤复杂任务
GLM-5.2 或 Kimi K2.6（Agent Swarm）
数据不能出本地
DeepSeek V4（MIT 开源）或 Llama 4
做医疗/法律等垂直领域
百川 M4（医疗）或自训练垂域模型
模型是大脑，但大脑需要骨架才能行动。框架层负责：把 LLM 调用串联成工作流、管理 Agent 状态、协调多个 Agent 协作。
框架
语言
难度
一句话定位
GitHub Stars
LangChain Python/JS
⭐⭐
Agent 框架的"瑞士军刀"，生态最大，几乎能对接所有模型和工具
100K+
LangGraph Python/JS
⭐⭐⭐
LangChain 团队出品，用状态机/图来定义 Agent 流程，适合复杂多步任务
10K+
LlamaIndex Python/JS
⭐⭐
数据为王——从各种数据源建索引、做 RAG 的专家
38K+
CrewAI Python
⭐⭐
多 Agent 协作——定义一个团队，每个 Agent 有角色有目标，自动分工
25K+
AutoGen Python
⭐⭐⭐
微软出品，多 Agent 对话式协作，企业级
38K+
Semantic Kernel C#/Python/Java
⭐⭐⭐
微软另一款，深度整合 Azure / .NET 生态
22K+
Vercel AI SDK TypeScript
⭐
前端/全栈首选，流式响应丝滑，适合 Next.js 项目
12K+
Spring AI Java
⭐⭐
Java 生态的 LangChain 平替，Spring Boot 原生整合
4K+
Haystack Python
⭐⭐
deepset 出品，NLP 管线思维，适合搜索/问答类 Agent
18K+
MetaGPT Python
⭐⭐⭐
模拟软件公司 SOP，给 Agent 分配 PM/架构师/工程师角色
50K+
你想做什么
用什么
入门学 Agent 开发
LangChain（资料最多）
做一个工作流型 Agent（步骤多、有分支）
LangGraph
做一个"能查我的文档然后回答问题"的 Agent（RAG）
LlamaIndex
做一个客服团队/多角色协作系统
CrewAI 或 AutoGen
写一个 AI 聊天 App 的前端
Vercel AI SDK
公司用 Java 技术栈
Spring AI
Agent 不是金鱼。它需要两种记忆：
记忆类型
是什么
存储方式
短期记忆 当前对话的上下文
对话历史直接塞进 LLM 的 context window
长期记忆 历史对话总结、用户偏好
向量数据库（语义检索）+ 传统数据库（精确查询）
向量数据库能把"意思相近"的文本检索出来，而不是靠关键词匹配。
产品
类型
一句话
Chroma 开源/轻量
入门首选，pip install 就能用，适合学习和原型
Milvus 开源/生产级
国内最成熟，分布式，万亿级向量
Qdrant 开源/高性能
Rust 写的，单机性能很强
Weaviate 开源/全功能
自带向量化+混合搜索（向量+关键词）
Pinecone 云服务
免运维，按量付费，海外团队首选
FAISS Meta 开源库
纯算法库，不是数据库，适合嵌入已有系统
pgvector PostgreSQL 插件
如果已经在用 PG，加个插件就能存向量，零迁移成本
Elasticsearch 搜索引擎
8.0+ 原生支持向量，适合搜索类应用
需求
常用方案
对话历史
Redis（快）、PostgreSQL（稳）、MongoDB（灵活）
用户偏好/配置
PostgreSQL、MySQL
文件/图片
MinIO（自建 S3）、阿里云 OSS、AWS S3
LLM 本身只能生成文字。Agent 要真正"做事"，需要能调 API、查数据库、发邮件、操作浏览器。
机制
提出方
说明
Function Calling OpenAI 率先，各模型跟进
让模型输出结构化 JSON 参数来调用你的函数
Tool Use Anthropic（Claude）
与 Function Calling 类似，定义工具的 name/description/schema
MCP（Model Context Protocol） Anthropic
行业标准协议 ，相当于"Agent 的 USB-C 接口"——统一了 LLM 与外部工具的连接方式
传统方式：每个 LLM × 每个工具 = N×M 种集成方式（碎片化）
MCP 方式：LLM ←→ MCP 协议 ←→ 任何工具（标准化）
WorkBuddy 本身就是一个巨大的 MCP 生态——QQ邮箱、腾讯文档、飞书、Notion、GitHub 等上百种工具都已对接。
工具类型
常见方案
搜索引擎
Google/Bing API、SerpAPI、Tavily
代码执行
Python REPL、E2B 沙箱、Jupyter
浏览器操作
Playwright、Selenium、Browserbase
数据库查询
SQL Alchemy + 各数据库驱动
办公软件
MCP 生态（邮件、文档、日历、IM）
4. 低代码 Agent 平台 —— 不用写代码也能搭 Agent 如果不想从头写代码，这些平台用拖拽+配置就能做出可用的 Agent。
平台
厂商
特点
适合
Dify 开源/中国
国内最火，可视化编排工作流，RAG 管道内置，支持自部署
中小团队、企业内部用
Coze（扣子） 字节跳动
Bot 商店生态，插件市场，支持发布到飞书/微信/抖音
个人开发者、社交场景
FastGPT 开源/中国
专注知识库问答，部署简单，适合做企业知识库机器人
私有知识库问答
阿里百炼 阿里云
通义千问全家桶，Agent 搭建 + 插件市场 + 部署一条龙
阿里云用户
百度千帆 百度
文心一言生态，AppBuilder 低代码搭建
百度生态用户
Retool AI 海外
企业内部工具 + AI 能力整合，适合快速做内部管理 Agent
海外企业
Flowise 开源
LangChain 的可视化版本，节点拖拽搭建
学 LangChain 的可视化辅助
n8n + AI 开源
自动化工作流 + AI 节点，偏自动化而非对话
自动化流程场景
5. 部署与运行 —— 把 Agent 变成可用的服务
方式
工具
适合场景
API 服务 LangServe、FastAPI、Flask
把 Agent 包装成 REST API，供前端/其他系统调用
聊天 UI Chainlit、Gradio、Streamlit
快速给 Agent 套一个聊天界面做演示
Serverless Cloudflare Workers、Vercel Edge
零运维，按调用量计费，适合轻量 Agent
容器化 Docker + K8s
生产环境标准做法
嵌入式 直接 import（Python 包）
Agent 作为现有项目的一个模块
协议
用途
SSE（Server-Sent Events） Agent 流式输出，一个字一个字蹦出来
WebSocket 双向实时通信，适合需要用户中途打断/纠正的场景
普通 HTTP 非流式请求/响应，简单直接
6. 观测与评估 —— 知道 Agent 到底干了什么 Agent 的行为不是黑盒。你需要看到每一步的决策过程。这一层在英文里叫 Observability （可观测性）。
工具
一句话
LangSmith LangChain 官方出品，自动记录每一步 LLM 调用和工具调用
LangFuse 开源替代，功能相近，支持自部署
Phoenix（Arize） 专注 LLM 可观测性，可视化追踪
Weights & Biases MLOps 老牌，支持 LLM 实验追踪
MLflow 传统 ML 实验管理，也支持 LLM
评估维度
方法
回答准确度
人工打分 / LLM-as-judge（用强模型给回答打分）
工具调用正确率
检查 Agent 是否调用了正确的工具和参数
延迟
端到端响应时间（LLM 耗时 + 工具调用耗时）
成本
token 消耗统计
安全性
越狱/注入检测
我想做...
推荐技术栈
个人 AI 助手（聊天+联网搜索）
GPT-5.5 / DeepSeek V4 + LangChain + Tavily Search
企业知识库问答机器人
Dify（低代码） 或 LlamaIndex + Milvus
代码审查 Agent
Claude Opus 4.8 + GitHub API + LangChain
多角色写作团队（策划+写手+编辑）
CrewAI + Claude / DeepSeek
数据分析 Agent（问自然语言，出图表）
LangChain + Python REPL + Streamlit
客服系统（多轮对话+工单系统对接）
LangGraph + PostgreSQL + 钉钉/飞书 MCP
浏览器自动化 Agent（自动填表/爬取）
Playwright + Claude Opus 4.8 / GPT-5.5（内置 Computer Use）
AI 应用的前端聊天页面
Vercel AI SDK + Next.js + 任意模型 API
Java 项目集成 AI
Spring AI + 国内模型 API
大规模高频 Agent（成本敏感）
Gemini 3.6 Flash + Dify / LangChain
第1周：调通一个模型 API（如 DeepSeek V4 或 OpenAI）
第2周：用 LangChain 串联第一次工具调用（Function Calling）
第3周：给 Agent 加上记忆（Chroma 向量库 + RAG）
第4周：学 MCP 协议，让你的 Agent 能发邮件/查日历
第5周：部署上线（FastAPI 或 Dify）
第6周+：按需深入——多 Agent、微调、评估
本文作为教程的 README 索引。后续章节将对每一层做深度展开。