Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101
AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，及其當時任職公司(台灣雪豹科技)無償贊助場地及茶水點心。
Deep Learning 101 創立初衷，是為了普及與分享深度學習及AI領域的尖端知識，深信AI的價值在於解決真實世界的商業問題。
去 YouTube 訂閱 | Facebook | 回 GitHub Pages 首頁 | 到 GitHub 點星 | 網站 | 到 Hugging Face Space 按愛心
| 大語言模型 | 語音處理 | 自然語言處理 | 電腦視覺 |
| Large Language Model | Speech Processing | Natural Language Processing, NLP | Computer Vision |
用 AI 懂 AI
- Chain-of-Thought is not explainability
- arXiv 2506.21521 (Potemkin Understanding in Large Language Models)
- arXiv 2502.04644 (Agentic Reasoning: Reasoning LLMs with Tools for the Deep Research)
- AI新賽局：企業的入門策略指南
- 臺灣大型語言模型性能評測與在地化策略分析報告
- 從零到一：打造本地端高精準度 RAG 系統的實戰指南
- GenAI 與 LLM 在金融產業的應用分析：金融服務中 GenAI 與 LLM 的變革潛力。
- AI Robot 陪伴型機器人：2025 趨勢分析技術突破、市場潛力與未來展望。
- 避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案：探討多種 AI 代理人工具的應用經驗與挑戰，分享實用經驗與工具推薦。
AI 技術 體驗/分享
手把手帶你一起踩 AI 坑：https://www.twman.org/AI
- 白話文手把手帶你科普 GenAI：淺顯介紹生成式人工智慧核心概念，強調硬體資源和數據的重要性。
- 大型語言模型直接就打完收工？：回顧 LLM 領域探索歷程，討論硬體升級對 AI 開發的重要性。
- 檢索增強生成(RAG)不是萬靈丹之優化挑戰技巧：探討 RAG 技術應用與挑戰，提供實用經驗分享和工具建議。
- 大型語言模型 (LLM) 入門完整指南：原理、應用與未來：探討多種 LLM 工具的應用與挑戰，強調硬體資源的重要性。
- 解析探索大型語言模型：模型發展歷史、訓練及微調技術的 VRAM 估算：探討 LLM 的發展與應用，硬體資源在開發中的作用。
- Diffusion Model 完全解析：從原理、應用到實作 (AI 圖像生成)；深入探討影像生成與分割技術的應用，強調硬體資源的重要性。
- ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策：探討 ASR 和 TTS 技術應用中的問題，強調數據質量的重要性。
- 那些 NLP 踩的坑：分享 NLP 領域的實踐經驗，強調數據質量對模型效果的影響。
- 那些語音處理踩的坑：分享語音處理領域的實務經驗，強調資料品質對模型效果的影響。
- 手把手學深度學習安裝環境：詳細介紹在 Ubuntu 上安裝深度學習環境的步驟，分享實際操作經驗。
手把手AI 技術深度實戰教學/開源/試用
AI x Cyber-Security
Dify、Coze、n8n、AutoGen、LangChain
快速梳理理解熱門 Agent 框架
核心能力橫向對比
| 維度 | Dify | Coze | n8n | AutoGen | LangChain / LangGraph | CrewAI |
|---|---|---|---|---|---|---|
| 開發模式 / 語言 | 可視化 + 後端擴展 (Python 為主) | 零 / 低代碼 (平台為主) | 低代碼工作流 (Node 生態) | Python 可編程 | Python / JS 模組化 + 狀態圖 | Python 角色 / 任務導向 |
| 可視化程度 | 極高 (Flow 2.0 + Canvas) | 極高 | 極高 | 低 (社群工具可補) | 中 (LangGraph 視覺化逐步加強) | 中 (社群 Studio 發展中) |
| 多-Agent 深度 | 中–高 (多 Agent 節點協作) | 低–中 (多插件協作) | 中 (多路分支可實現) | 極高 (對話驅動 / 群聊) | 高 (圖狀 agentic 模式) | 高 (角色分工 / 流程導向) |
| 工具 / 插件 | 市場 + 自定義工具 | 插件市場豐富 | 400+ 連接器 | 程式化 Tool / 函式 | 大量連接器 / Toolkit，部分相容 MCP | 工具需手動配置 / 套件 |
| 模型 / 多模態 | 多雲 / 本地、多模態支援 | 多模態插件完善 | 節點調用外部模型 | 取決於集成 | 廣泛模型與多模態生態 | 取決於集成 |
| 狀態 / 記憶 | 對話 / 會話記憶、RAG、工作流上下文 | 長期記憶、知識庫 | 工作流上下文 / 持久化 | 對話歷史、可插記憶 | Memory / Checkpoints / 持久化 | 任務 / 團隊記憶插件 |
| 觀測 / 調試 | 介面內建日誌 / 統計 | 運維看板 | 執行紀錄 / 重跑 | AutoGenBench / 追蹤 | LangSmith / Tracing / Eval | 日誌 / 可視化逐步完善 |
| 部署 / 私有化 | 易於私有化 | SaaS 為主 (企業版可私有化) | 自託管 / 雲端皆可 | 自託管 (需自行管理 LLM API) | 自託管 (亦可雲端) | 自託管 |
| 生態與社群 | 高 (企業導向) | 高 (平台導向) | 高 (自動化社群) | 學研 / 高階工程 | 極高 (連接器最豐、生態廣) | 中高 (社群成長快速) |
| 代表強項 | 企業可視化 + RAG 全家桶 | 0→1 快速上線 | 系統整合王者 | 對話式多 Agent | 工程化 / 狀態機 / 生態整合 | 角色分工式協作 |
主流智能體 (Agent) 框架全面梳理與對比分析
系統性地梳理了當前六大主流的智能體 (Agent) 框架：Dify、Coze (扣子)、n8n、AutoGen、LangChain (含 LangGraph) 及 CrewAI。從架構定位、核心能力、多智能體協作、安全治理、部署整合及適用場景等多個維度進行深入對比與分析。
智能體 (Agent) 框架基本概念
首先，智能體 (Agent) 是一個能夠感知環境、自主決策並採取行動以實現特定目標的智能系統。其關鍵特徵包括：
- 自主決策能力
- 多工具協作與調用
- 持續學習與記憶
六大框架核心特性速覽
1. Dify
- 架構與定位：一個開源的 LLM 應用開發平台（由阿里巴巴支持），內建完整的 RAG（檢索增強生成）流程、工作流 (Flow/DAG)、知識庫、模型接入與觀測運維。面向企業快速落地與私有化部署。
- 核心能力：可視化編排、工具/插件熱部署、資料接入與向量化、提示工程與版本管理、監控與配額。
- 限制觀察：在多 Agent 的深度協作方面較弱，複雜的任務圖需手動配置。
2. Coze (扣子)
- 架構與定位：由字節跳動推出的零/低代碼可視化 Agent 平台 (SaaS 為主)。提供 Bot Studio、工作流、插件與知識庫。
- 核心能力：拖拽式流程設計、內建 60+ 插件、知識庫管理、長期記憶功能、多通道接入（如 IM 軟體）、排程（定時）任務。
- 限制觀察：多 Agent 深度編排與可編程自由度不如專業框架；私有化與擴展需商業版本。
3. n8n
- 架構與定位：一個通用的開源工作流自動化工具（源碼開放、可自託管），以節點式可視化見長，核心優勢在於對外部系統的廣泛整合。
- 核心能力：支援 400+ 應用連接器、低代碼 Function 節點（可寫 JS）、Webhook/事件驅動、AI/LLM 節點（可接入模型/向量庫）。
- 限制觀察：AI/Agent 功能偏向「工作流中的一個節點」，而非專門的多智能體協作引擎。
4. AutoGen
- 架構與定位：由微軟開源的多智能體對話編排框架，以 Python 為主，強調「對話驅動」與「程式化控制」並重。
- 核心能力：支持 Agent 間的動態對話/協商、UserProxy（允許人類介入）、工具/函式呼叫、Agent 團隊（GroupChat/Graph）、程式化終止條件。
- 限制觀察：主要圍繞 Python 生態；可視化與管理台依賴周邊工具。
5. LangChain (含 LangGraph)
- 架構與定位：模組化的 LLM 應用開發框架 (Python/JS)，提供 Chains, Memory, Tools, RAG 等核心模塊。LangGraph 則提供了顯式的狀態機/圖（可持久化），解決了 Chains 易形成深層巢狀與調試困難的問題。
- 核心能力：豐富的生態與連接器、多種 Agent 實作 (ReAct 等)、LangSmith 觀測/評測平台、狀態圖（檢查點、恢復、分支/合併）。
- 限制觀察：學習曲線相對陡峭。
6. CrewAI
- 架構與定位：一個基於角色的多智能體協作框架 (Python)，以「團隊」與「任務」為核心抽象，模擬真實的團隊協作模式。
- 核心能力：清晰的角色分工（如研究員/編輯/審稿）與流程（順序/層級/並行）、任務拆解與交付、工具整合。
- 限制觀察：在多模態與硬體/環境操控場景較弱；運維可觀測性依賴外掛。
核心能力橫向對比
| 維度 | Dify | Coze | n8n | AutoGen | LangChain / LangGraph | CrewAI |
|---|---|---|---|---|---|---|
| 開發模式 / 語言 | 可視化 + 後端擴展 (Python) | 零 / 低代碼 (平台為主) | 低代碼工作流 (Node 生態) | Python 可編程 | Python / JS 模組化 + 狀態圖 | Python 角色 / 任務導向 |
| 可視化程度 | 極高 (Flow 2.0 + Canvas) | 極高 | 極高 | 低 (社群工具可補) | 中 (LangGraph 視覺化加強中) | 中 (社群 Studio 發展中) |
| 多-Agent 深度 | 中–高 (多 Agent 節點協作) | 低–中 (多插件協作) | 中 (多路分支可實現) | 極高 (對話驅動 / 群聊) | 高 (圖狀 agentic 模式) | 高 (角色分工 / 流程導向) |
| 工具 / 插件 | 市場 + 自定義工具 | 插件市場豐富 | 400+ 連接器 | 程式化 Tool / 函式 | 大量連接器 / Toolkit | 工具需手動配置 / 套件 |
| 模型 / 多模態 | 多雲 / 本地、多模態支援 | 多模態插件完善 | 節點調用外部模型 | 取決於集成 | 廣泛模型與多模態生態 | 取決於集成 |
| 狀態 / 記憶 | 對話 / 會話記憶、RAG | 長期記憶、知識庫 | 工作流上下文 / 持久化 | 對話歷史、可插記憶 | Memory / Checkpoints / 持久化 | 任務 / 團隊記憶插件 |
| 觀測 / 調試 | 介面內建日誌 / 統計 | 運維看板 | 執行紀錄 / 重跑 | AutoGenBench / 追蹤 | LangSmith / Tracing / Eval | 日誌 / 可視化逐步完善 |
| 部署 / 私有化 | 易於私有化 | SaaS 為主 (企業版可私有化) | 自託管 / 雲端皆可 | 自託管 | 自託管 | 自託管 |
| 生態與社群 | 高 (企業導向) | 高 (平台導向) | 高 (自動化社群) | 學研 / 高階工程 | 極高 (連接器最豐) | 中高 (社群成長快速) |
| 代表強項 | 企業可視化 + RAG 全家桶 | 0→1 快速上線 | 系統整合王者 | 對話式多 Agent | 工程化 / 狀態機 / 生態整合 | 角色分工式協作 |
關鍵維度深度分析
1. 多智能體協作模式
- 對話式協商 (AutoGen)：Agent 以自然語言往復、協商、反思與驗證，易於人類介入與審計。
- 角色分工 (CrewAI)：預設明確角色與交付物，流程可順序/分層/並行，貼近真實團隊合作。
- 圖狀狀態機 (LangGraph)：顯式的節點/邊/Checkpoints，支援分支、重試、回退與持久化，最利於可觀測與可測試。
- 可視化工作流 (Dify/Coze/n8n)：以 DAG/節點圖實現工具串接與條件路由，落地快，但在跨回合推理上需額外設計。
2. 狀態、記憶與資料管理
- 短期記憶：會話上下文、任務中間結果。
- 長期記憶：向量庫/知識庫（RAG 的核心）。
- 任務狀態：顯式狀態機（LangGraph）或隱式對話狀態（AutoGen）。生產系統強烈建議採用可持久化的狀態。
- 工具輸入輸出治理：需定義嚴格的結構化模式 (JSON/Schema)，降低幻覺與注入風險。
3. 安全與治理 (企業/資安視角)
- 提示安全：輸入過濾、輸出校驗。
- 工具安全：最小權限原則、API Key 隔離、網路訪問控制。
- 程式執行：代碼工具必須在沙箱（如容器、WASM）中執行，並限制資源。
- 秘密管理：集中保管密鑰 (KMS)。
- 觀測與審計：全鏈路追蹤（Tracing），記錄每一步驟。
4. 部署與整合建議
- 推理層：將本地/雲端模型服務（如 vLLM、Ollama）統一為 OpenAI 兼容的端點，便於上層框架調用。
- 向量層：企業偏好 PostgreSQL/pgvector 或專用的 Milvus/Qdrant。
- 部署形態：Dify/Coze 可作前台與流程；LangGraph/AutoGen/CrewAI 作為核心智能體引擎；n8n 負責企業後端系統（CRM/工單）的整合。
- 成本控制：使用模型路由、推測解碼、回退策略 (Fallback) 來平衡成本與效果。
選型決策指南 (實操)
根據您的具體場景選擇合適的框架：
- 快速原型 / 零/低代碼：
- Coze：需要最快速度上線、多通道（如 IM 軟體）接入、SaaS 優先。
- Dify 或 n8n：如果需要自託管或企業資料在地化。
- 企業級 RAG / 內部知識庫：
- Dify：提供 RAG 全家桶（從資料接入、向量化到應用發布），可視化且易於私有化部署。
- 整合既有業務系統 / 自動化中台：
- n8n：作為外層「黏合劑」連接 400+ 應用，內部 AI 核心可選用 LangChain 或 Dify。
- 複雜任務 / 可審計的多步推理：
- LangGraph (LangChain 生態)：需要可持久化、可審計、可回退的複雜狀態機。
- 深度多 Agent 對話協作 / 科研：
- AutoGen：需要多 Agent 動態對話協商、人機共創、程式化控制。
- 角色分工明確的流水線 (如內容工廠)：
- CrewAI：適用於「調研→撰稿→審校」這類角色分工明確的團隊協作流程。
- 測試自動化 / 業務流程中台：
- n8n 搭配 AutoGen 或 LangGraph 作為內核 Agent。
總結
智能體框架正在重塑 AI 應用的開發範式，使其從傳統的單模型調用演進為能夠自主感知、推理和行動的智能系統。
選擇合適的框架需要綜合考慮團隊的技術能力、項目的需求複雜度、對可視化/可編程的需求，以及長期的部署與維護需求。隨著技術發展，智能體框架將繼續演進，開發者應密切關注最新動態，以充分發揮 AI 技術的潛力。