本文 的 原文 地址
尼恩：LLM大模型学习圣经PDF的起源
在40岁老架构师 尼恩的读者交流群(50+)中，经常性的指导小伙伴们改造简历。
经过尼恩的改造之后，很多小伙伴拿到了一线互联网企业如得物、阿里、滴滴、极兔、有赞、希音、百度、网易、美团的面试机会，拿到了大厂机会。
然而，其中一个成功案例，是一个9年经验 网易的小伙伴，当时拿到了一个年薪近80W的大模型架构offer，逆涨50%，那是在去年2023年的 5月。
不到1年，小伙伴也在团队站稳了脚跟，成为了名副其实的大模型 应用 架构师。接下来，尼恩架构团队，通过 梳理一个《LLM大模型学习圣经》 帮助更多的人做LLM架构，拿到年薪100W, 这个内容体系包括下面的内容：
《LLM大模型学习圣经：从0到1精通RAG架构，基于LLM+RAG构建生产级企业知识库》
《LLM大模型学习圣经：从0到1吃透大模型的顶级架构》
《LLM 智能体 学习圣经：从0到1吃透 LLM 智能体 的架构 与实操》
《LLM 智能体 学习圣经：从0到1吃透 LLM 智能体 的 中台 架构 与实操》
《Spring AI 学习圣经 和配套视频 》
《AI部署架构：A100、H100、A800、H800、H20的差异以及如何选型？开发、测试、生产环境如何进行部署架构？》
以上学习圣经 的 配套视频， 2025年 5月份之前发布。
AI 智能体应用开发 框架简介
在 AI 智能体应用 开发的世界里，选择一个合适的框架是至关重要的。
选对智能体 平台非常关键， 它直接影响你的AI应用的效率、可扩展性和整体表现。
一个合适的平台能简化开发过程，增强模型集成，并优化 用户体验 。
近年来，AI 智能体应用开发工具经历了显著的演变。 以下是这十款框架的简要概览，展示它们的定位和核心功能：
| 框架 | 类型 | 核心功能 | 许可证 | 主要语言 |
|---|---|---|---|---|
| LangChain | 开发者工具包 | 模块化LLM编排、RAG、代理 | MIT | Python, JS/TS |
| Dify | 低代码平台 | 快速应用开发、RAG、代理 | Apache 2.0 | Python, JS |
| LlamaIndex | 数据框架 | 数据索引、检索、RAG | MIT | Python |
| Haystack | NLP管道框架 | 语义搜索、问答、RAG | Apache 2.0 | Python |
| Flowise | 低代码平台 | 基于LangChain的视觉化应用构建 | Apache 2.0 | JS/TS |
| Langflow | 低代码平台 | 视觉化工作流、RAG、代理 | MIT | Python |
| CrewAI | 代理框架 | 多代理协作 | MIT | Python |
| AutoGPT | 自主代理 | 目标导向的任务自动化 | MIT | Python |
| n8n | 工作流自动化 | 通用自动化，支持LLM集成 | Fair-code | JS/TS |
| MaxKB | 知识库平台 | 知识管理、RAG | AGPL-3.0 | Python |
- Dify：低代码拖拽界面，适合非技术用户，快速上手。
- LangChain：需要Python或JS编程经验，学习曲线较陡，适合有技术的开发者。
- LlamaIndex：中等难度，专注于数据任务，需Python基础。
- Haystack：开发者友好，管道设计直观，适合NLP任务。
- Flowise：低代码，基于LangChain，拖拽式设计对新手友好。
- Langflow：视觉化界面支持代码导出，兼顾新手和开发者。
- CrewAI：中等难度，需Python，代理设置简单但需理解角色分工。
- AutoGPT：命令行操作复杂，不适合初学者。
- n8n：低代码自动化，界面直观，适合工作流设计。
- MaxKB：知识库创建简单，但文档不足增加学习成本。
Dify和Langchain 成为两大核心智能体 开发的代表 框架
Dify和Langchain作为这个领域中的佼佼者，各自提供了独特的功能和能力，满足了各种开发者的需求。
首先，Langchain蓬勃发展，为开发者提供了一个的AI应用开发的基础框架。Langchain专注于为开发者提供一个与模型高效互动的单一触点。
另外，Dify 因其低代码、拖拉拽而闻名，通过其云服务已经创建了超过13万个AI应用。Dify在GitHub上有着31.2k的星级，因其强大的功能和用户友好的界面而广受认可。
总的来说，Dify凭借其完整的UI解决方案和无缝的集成能力而出众，而Langchain则以其简洁和专注的功能脱颖而出。这两个平台各自有独特的优势，能够满足AI应用开发的不同需求。
其实，二者的本质不同， 属于 低代码 (Low-Code) 框架 vs 高代码 (High-Code) 框架 两大阵营 的本质区别。
低代码 (Low-Code) 框架vs 高代码 (High-Code) 框架
- Low - code（低代码）：Dify、Flowise、Langflow。这三个框架都强调通过可视化界面、拖拽操作或简单配置来快速开发应用，无需编写大量代码，降低了开发门槛，提高了开发效率。
- High - code（高代码）：LangChain、LlamaIndex、Haystack、CrewAI、AutoGPT、n8n、MaxKB。这些框架需要开发者具备一定的编程能力，通过编写代码来实现各种功能，对开发者的技术水平要求较高，但提供了更高的定制化程度和灵活性。
低代码 (Low-Code) 智能体框架
尼恩提示：dify 属于 低代码 (Low-Code)框架。
通过可视化界面（如拖拽组件、配置表单）和预置模块实现应用开发，显著减少手写代码量的开发方式，核心目标是降低技术门槛和加速交付效率。
技术特征：
- 以模型驱动和组件化为底层逻辑，支持快速构建完整应用（含界面、逻辑、数据层）
- 通常集成自动化生命周期管理工具（如部署、监控）
低代码AI框架的典型场景
快速原型开发
适用需求：企业需要快速验证产品概念或搭建MVP（最小可行产品），例如营销活动页面、内部审批系统。
典型案例：使用Dify在1天内构建客服机器人，通过预置对话模板和知识库检索实现交互。
轻量级业务自动化
适用需求：标准化流程的数字化（如数据清洗、表单生成），无需复杂逻辑判断。
典型案例：通过Flowise拖拽节点，串联Excel数据解析与邮件发送流程。
企业内部工具
适用需求：非技术部门（如HR、财务）自主搭建管理系统（如考勤统计、报销审批）
高代码 (High-Code) 智能体框架
尼恩提示：LangChain属于 高代码 (Low-Code)框架。
高代码 (High-Code) 框架 依赖传统编程语言（如Python、Java）逐行编写代码，实现高度定制化功能的开发方式，强调对系统架构和逻辑的完全控制权。
技术特征：
需要开发者手动实现底层逻辑（如算法设计、性能优化）
支持复杂业务场景（如高频交易系统、多模态AI模型训练）
高代码AI框架的典型场景
1、复杂业务系统开发
适用需求：需要深度定制算法或与遗留系统集成（如银行核心交易系统、医疗影像分析平台）
典型案例：基于LangChain构建法律合同审查工具，需自定义条款解析规则和风险提示逻辑链
2、 高性能计算场景
适用需求：对响应速度或资源利用率有严苛要求（如实时推荐引擎、自动驾驶决策模块）3。
3、行业专用解决方案
适用需求：特定领域的专业化需求（如工业物联网设备控制、科研仿真模型开发）
高代码框架代表
| 框架 | 分类依据 |
|---|---|
| LangChain | 开发者工具包，需通过代码调用模块化组件（LLM、工具链、工作流） |
| LlamaIndex | 数据框架，需编程实现数据索引、检索和复杂 RAG 逻辑 |
| Haystack | NLP 管道框架，需代码构建语义搜索、问答系统等定制化流程 |
| CrewAI | 多代理协作框架，需编写代码定义代理角色和交互规则 |
| AutoGPT | 自主代理框架，需编程实现目标分解、工具调用和任务迭代逻辑 |
低代码 (Low-Code) 框架vs 高代码 (High-Code) 框架技术选型建议
| 维度 | 低代码(Low-Code)优先 | 高代码(High-Code)优先 |
|---|---|---|
| 开发速度 | 需在1周内交付功能原型或简单应用 | 可接受3个月以上开发周期 |
| 团队能力 | 缺乏专业开发者，需业务人员参与开发 | 拥有资深工程师，能处理复杂架构问题 |
| 定制化需求 | 功能标准化，无需深度适配业务规则 | 需自定义底层逻辑或对接专有系统 |
推荐：简单应用Dify，复杂应用 选择 LangChain 。
低代码 (Low-Code)框架 的几个核心代表 框架
| 框架 | 分类依据 |
|---|---|
| Dify | 明确标注为低代码平台，支持可视化应用开发和 RAG，无需编码即可构建 AI 应用 |
| Flowise | 基于 LangChain 的低代码实现，提供可视化界面拖拽编排工作流 |
| Langflow | 类似 Flowise 的视觉化低代码工具，支持 RAG 和代理流程设计 |
| n8n | 通用工作流自动化工具，提供可视化节点编排，支持 LLM 集成 |
| MaxKB | 知识库平台，侧重配置化知识管理和 RAG 实现，减少代码开发需求 |
1、 Langflow：基于 LangChain 的可视化智能代理构建工具
Langflow 是一款基于 LangChain 构建的开源可视化工具，专为开发者提供直观的界面，帮助他们通过拖拽的方式构建复杂的任务链。
作为 LangChain 的扩展工具，Langflow 支持与外部工具、API 和数据库等集成，极大地简化了 LLM 代理的开发流程。
核心功能：
- 可视化设计：通过拖拽组件的方式轻松创建任务链，简化了 LLM 代理的开发过程。
- 多工具集成：支持与数据库、外部 API 等无缝集成，实现复杂任务的自动化执行。
- 任务自动化：适合多步骤任务的自动化执行，尤其适用于对话系统、数据检索等场景。
适用场景：
- 智能对话系统
- 自动化客服系统
- 数据处理和信息检索
开源链接：Langflow GitHub
2、 Flowise：另一款基于 LangChain 的可视化工具
Flowise 与 Langflow 类似，也是基于 LangChain 的开源可视化工具。
它同样通过图形化界面简化了 LLM 代理的构建流程，帮助开发者快速集成外部工具，并管理复杂的任务流。
Flowise 的重点是简化开发过程，让开发者能够更轻松地构建多步骤任务链。
核心功能：
- 拖拽式设计：支持通过图形界面快速设计和调试任务链，适合需要快速迭代的开发环境。
- 多种工具支持：支持与数据库、API、文件系统等多种外部工具集成。
- 任务调度和管理：可以自动执行和管理复杂的多步骤任务。
适用场景：
- 多任务调度的智能代理系统
- 数据处理、自动化报告生成
- LLM 对话系统
开源链接：Flowise GitHub
3、 Dify：国产开源的智能代理构建平台
Dify 是一款国产的开源智能代理构建平台，旨在通过可视化界面帮助开发者快速构建和部署基于大语言模型的智能代理。
Dify 提供了一系列工具来帮助用户设计复杂的任务流程，自动化执行任务，并且支持与不同的大语言模型集成。
核心功能：
- 直观的可视化界面：用户可以通过简单的界面配置复杂的任务流程，适合需要快速原型设计的开发者。
- 多任务自动化：支持复杂的多任务自动化处理，特别适合企业应用中的工作流自动化场景。
- 大语言模型集成：内置多种语言模型，用户可以根据实际需求选择合适的模型。
适用场景：
- 企业级智能客服系统
- 自动化任务处理与流程管理
- 数据分析与报告生成
开源链接：Dify GitHub
参考文章：Dify - 架构、部署、扩展与二次开发指南
4、 AutoGPT UI：可视化的自主智能代理
AutoGPT 是基于 GPT 的开源项目，能够创建自主执行任务的智能代理。
AutoGPT UI 是它的图形化版本，用户通过简单的界面定义任务目标，AutoGPT 代理会自动生成子任务并执行，直到完成任务目标。
AutoGPT 擅长自主推理与任务自动化，适合自动化工作流和智能决策场景。
核心功能：
- 自主推理与任务执行：用户设置目标后，AutoGPT 会自动生成并执行任务，直到完成目标。
- 自动化执行与反馈：支持任务的自动化执行，并能够根据执行反馈进行自我调整。
- 直观的用户界面：图形化界面简化了操作流程，适合不熟悉编程的用户快速使用。
适用场景：
- 自动化任务执行和管理
- 自主决策和智能代理
- 复杂任务的自动化处理
开源链接：AutoGPT GitHub
5、n8n：低代码可视化自动化工作流工具
n8n 是一款强大的开源自动化工具，支持可视化构建工作流，并且能够与各种 API、数据库、消息队列和大语言模型（LLM）进行集成。
相较于 Langflow 和 Flowise 这些专注于 LLM 代理的工具，n8n 提供更通用的自动化能力，适用于各种数据处理和业务流程自动化需求，同时也可以用于 LLM 代理的任务管理和数据处理。
核心功能：
- 低代码可视化构建：用户可以通过拖拽节点快速创建和管理工作流，无需复杂的代码开发。
- 强大的集成功能：支持上百种应用和 API 的集成，如 OpenAI、Google Sheets、数据库、消息队列等。
- 自动化执行与调度：可以定时执行任务，或基于触发器（如 HTTP 请求、事件监听）动态运行任务流。
- 灵活的数据处理能力：支持数据转换、过滤、存储等操作，适用于 LLM 代理的数据预处理和结果处理。
适用场景：
- 智能代理工作流自动化：结合 LLM 实现数据输入、处理、存储和分析。
- 跨系统数据集成：支持不同数据源之间的自动化数据同步和转换。
- 任务调度与触发：适用于 AI 任务的定时执行或事件驱动的自动触发。
开源链接：n8n GitHub
官方网站：n8n.io
低代码 (Low-Code) 框架总结
上述五款工具为开发者提供了强大的可视化界面和丰富的功能，帮助他们轻松构建基于大语言模型的智能代理。无论你是想设计一个智能客服系统、自动化任务调度，还是创建自主推理的复杂代理，这些工具都可以满足你的需求。
- Langflow 和 Flowise 适合那些希望灵活设计任务链并进行多工具集成的用户。
- Dify 和 n8n 则更适合企业级用户，提供强大的多任务自动化能力。
- AutoGPT UI 强调自主推理与执行，适合自动化任务和复杂决策代理的构建。
高代码 (Low-Code)框架 的几个核心代表 框架
1、Langchain 框架介绍
核心功能：
- 模块化组件链式组合：Langchain 允许开发者将不同的功能模块（如LLM调用、数据检索、API集成等）以链式的方式组合起来，形成一个完整的工作流程。这种模块化设计使得开发者可以灵活地根据需求添加或移除功能组件。
- 自动化任务执行：通过预定义的链式工作流程，Langchain 能够自动执行一系列任务，无需人工干预。这大大提高了任务执行的效率和准确性。
- 可扩展性与定制性：Langchain 提供了丰富的API和插件接口，使得开发者可以根据特定需求扩展或定制功能。同时，它也支持与其他框架和工具的集成，以满足更复杂的业务需求。
适用场景：
- LLM应用开发：Langchain 是构建基于大型语言模型（LLM）的应用的理想框架。它提供了便捷的LLM调用接口和丰富的数据处理工具，使得开发者能够快速开发出具有智能交互能力的应用。
- 自动化数据处理：Langchain 能够自动执行数据清洗、转换、存储等一系列任务，适用于需要处理大量数据的场景。通过预定义的链式工作流程，开发者可以轻松实现数据的自动化处理和分析。
- 业务流程自动化：Langchain 的模块化设计和自动化任务执行能力使得它能够被广泛应用于业务流程自动化领域。无论是内部审批流程、客户服务流程还是供应链管理流程，Langchain 都能够提供高效、可靠的自动化解决方案。
2、 AgentGPT：自主推理与执行的智能代理
AgentGPT 是一个开源智能代理工具，允许用户通过可视化界面创建并运行多任务自动化的智能代理。用户只需定义任务目标，代理会自动生成任务流程，并根据反馈实时调整执行策略。
核心功能：
- 任务自动生成和执行：根据用户设置的目标，代理会自动推理并生成多步骤任务流程。
- 任务调度与反馈调整：代理根据执行反馈自动调整任务流程，以提高完成率和效率。
- 可视化操作界面：用户可以通过简单的界面轻松创建和管理任务代理。
适用场景：
- 智能任务代理
- 对话式 AI 系统
- 商业流程自动化
开源链接：AgentGPT GitHub
尼恩的个人经验和智能体 框架推荐
场景一：简单的企业级业务开发，建议是用 Dify，因为它提供了全面的UI解决方案和对模型中立性的强调。
Dify 平台的直观界面结合高质量的RAG引擎和灵活的Agent框架，使我能够更专注于创新，而不是技术复杂性。
场景二：复杂的 互联网应用、复杂的业务应用，建议使用 Langchain。
Langchain的是复杂AI 智能体的一个理想选择。
以上问题和答案， 收入了 《尼恩团队大模模型 LLM 面试宝典》
目录 如下：
