Agent 學習地圖 · 站點 4

Workflow Graph 與 Agent 框架

「怎麼把多個步驟畫成工作地圖？」

完成後你能：選擇 Workflow、Agent、Graph 與 Framework。

10–15 小時（2–3 週）6 堂對應課程官方完整版

📌 學習目標

用自己的話分清 Agent Loop、Workflow Graph、Agent framework 與多角色系統。
先選最簡單能完成任務的工具，不為了流行硬加角色。
跑完五個練習，親手比較 LangGraph、CrewAI、Smolagents 與 Pydantic AI。
說出交接、存檔與人工批准各自解決什麼問題。

進入條件

先完成 Stage 3 的六題，至少能說出 schema → call → execute → result → answer；會讀 async／await 很有幫助，但不是門檻。

🧭 本站課程

按建議順序讀；勾選結果與 /learn 課程頁共用同一份瀏覽器進度。

本站進度

0/6

進度只存在你的瀏覽器

01
LangChain 完整教學 2026：從零構建企業級 LLM 應用
最詳盡的 LangChain 2026 教學：涵蓋 LCEL、RAG、Agent、LangGraph、LangSmith。從安裝到生產部署，附完整代碼示例。
53 分鐘
02
LangChain vs LlamaIndex：選型指南與入門實戰
兩大 LLM 應用框架深度對比：LangChain 的通用性 vs LlamaIndex 的數據索引專長，附帶入門代碼和場景推薦。
9 分鐘
03
三層 Agent 協同框架：Hermes → OpenClaw → Claude Code 架構詳解
深入解析基於 Hermes Agent、OpenClaw、Claude Code 的三層 AI Agent 協同架構：每一層的職責、通訊機制、以及為什麼這樣分層設計。
6 分鐘
04
Open Multi-Agent (OMA) 完整教學：從目標到 Task DAG 的 TypeScript 多 Agent 編排框架
深入解析 OMA（open-multi-agent）v1.8.0：TypeScript 原生多 Agent 編排框架，Goal-Driven Task DAG、Checkpoint 斷點續傳、Consensus 共識驗證、10+ LLM Provider 支持。附完整代碼示例與實戰教學。
43 分鐘
05
Harness 演化史：六個時代，每一代的新能力與新翻車方式
從純提示聊天機器人、CoT 與 ReAct 推理提示、function calling 這個真正的轉折點、MCP 標準化，到長時程 CLI Agent 與常駐多 Agent 編排——逐代講清楚 harness 每次獲得了什麼新能力、以及這個能力順便引入了什麼新的失敗模式。
12 分鐘
06
多 Agent 投研流水線：收集、分析、報告三段分工
單個 Agent 做不完投研任務：上下文會爆、注意力會散、錯誤會互相污染。本文給出收集、分析、報告三段分工的完整設計——各段的職責與負面清單、段間結構化 JSON 契約、寫入範圍劃分、失敗隔離與污染檢測、驗證門控的擺放位置，以及成本與延遲的取捨框架，附架構圖與失敗模式清單。
23 分鐘

📚 必修閱讀

1.Anthropic — Building Effective Agents⭐⭐⭐⭐⭐先分清 workflow 與 agent，也看懂為什麼要從簡單方案開始。
2.LangGraph — Workflows and Agents⭐⭐⭐⭐⭐看固定路線與動態路線怎麼寫成圖。
3.OpenAI Agents SDK — Multi-agent orchestration⭐⭐⭐⭐比較 manager-as-tools 與 handoff。

🎯 精選資源

資源	適合誰	推薦度	為什麼推薦
Production 框架 langchain-ai/langgraph	要 state、checkpoint、HITL 與可重播流程	⭐⭐⭐⭐⭐	低階 runtime；直接看得到 state、edge、checkpoint 與中斷點，但需要自己做多一點設計。
Production 框架 OpenAI Agents SDK	已使用 OpenAI 生態	⭐⭐⭐⭐⭐	要 handoff、guardrail 與 tracing；Sandbox Agents 是 beta，不等於 production 問題都解了。
快速雛形／多 Agent crewAIInc/crewAI	快速做角色流程	⭐⭐⭐⭐	快速做 researcher → writer → reviewer 角色流程；Flows 已支援 persistence 與 human feedback。
特殊路線 Hugging Face Smolagents	想比較 CodeAct 與 tool calling	⭐⭐⭐⭐	模型生成的 code 必須隔離執行。
特殊路線 pydantic/pydantic-ai	重視 typed 與 structured output	⭐⭐⭐	Schema 驗證外形，不保證語意正確。
特殊路線 langchain-ai/deepagents	要 planning、subagent 與 permissions 的完整 harness	⭐⭐⭐⭐	建在 LangGraph 上；簡單 Agent 用它可能太重。
Microsoft 系 microsoft/agent-framework	新建 Python／.NET Microsoft Agent 專案	⭐⭐⭐⭐	有 AutoGen／Semantic Kernel 官方遷移路徑。
Microsoft 系 microsoft/autogen	維護既有 group-chat、辯論專案	⭐⭐⭐⭐	Maintenance mode 由社群維護；新專案改用 Agent Framework，避開舊 0.2 教學。
教育用 openai/swarm	想讀小型 source 理解 handoff	⭐⭐⭐⭐	凍結／歷史教育用途；官方已由 Agents SDK 取代，不用於新 production 專案。
生態系 langchain-ai/langchain	要模型、retrieval、tool 的高階積木	⭐⭐⭐⭐	複雜 orchestration 可下沉到 LangGraph。
生態系 run-llama/llama_index	文件密集與 retrieval 工作流程	⭐⭐⭐	強項是資料與 retrieval，不是所有 orchestration 場景。
反面證據 Cognition — Don't Build Multi-Agents	想加第二個 Agent 之前	⭐⭐⭐⭐	context fragmentation：細節散在不同 Agent 後，整體判斷可能變差。

🛠 動手練習（官方版）

完整練習與 starter code

練習摘要取自上游教材；完整程式碼、成本與延遲估算見官方版。

練習 1–2：固定路線與條件分支 — 把多步工作畫成 node／edge，先跑 LangGraph quickstart。
練習 3：Supervisor 範式 — 一位 researcher＋一位 writer 的小型多角色流程，觀察 handoff 與 state。
練習 4：CodeAct 與 sandbox — 比較生成程式碼與工具呼叫兩種做法，隔離執行。
練習 5：型別安全 agent — Pydantic AI 回傳 answer／confidence／sources，親眼看到不合規資料被拒絕。
推薦小專案：有人先檢查的研究摘要流程 — 保存 state、從 checkpoint 繼續，最後停在 HITL 等你批准才發布。

✅ 自我檢查

我能分清 Agent Loop、Agent framework、Workflow Graph 與 multi-agent，不把它們當同一件事。
我會先用最簡單方案，只有看到可量測證據才增加 Agent。
我能說明 State、Checkpoint、Handoff 與 HITL 各自保存或控制什麼。
我跑過五題的離線測試，並完成至少一條 Ollama Path A。
我知道 CodeAct 要隔離執行，type-safe output 也仍需檢查內容。

本站點改編自 awesome-agentic-ai-zh（MIT 授權，作者 Wenyu Chiou）v2026.09.23，資源連結查核日 2026-08-27。星級為學習優先順序（⭐⭐⭐⭐⭐＝不看會卡住），非人氣排名。 MIT License · 課程結構最後更新：2026-10-03。內容持續補齊中，標記「撰寫中」的課程尚未上線。