咨询下，agently对比langchain，最大的优势和亮点是什么

[godkun]

No description provided.

[godkun]

没事了，reame.md文档中看到相关回答了

[Maplemx]

还是可以补充一些说明：
LangChain是基于函数式编程的设计思想设计的，符合算法工程师的过往使用习惯，每一个步骤都通过一行或几行代码进行控制
Agently是基于面向对象编程的设计思想设计的，会希望把更多的互动封装到一个可交互的agent对象上，开发者开发的时候，主要是面向一个个agent对象实例来发出指令和获得请求结果

对于同样是请模型以结构化数据的格式输出一个笑话的实现代码，通过对比能更明显地看出二者的差别：

• LangChain：

from langchain.output_parsers.openai_tools import PydanticToolsParser

class Joke(BaseModel):
    """Joke to tell user."""

    setup: str = Field(description="question to set up a joke")
    punchline: str = Field(description="answer to resolve the joke")

    # You can add custom validation logic easily with Pydantic.
    @validator("setup")
    def question_ends_with_question_mark(cls, field):
        if field[-1] != "?":
            raise ValueError("Badly formed question!")
        return field

parser = PydanticToolsParser(tools=[Joke])

model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0).bind_tools([Joke])
chain = prompt | model | parser

chain.invoke({"input": "tell me a joke"})

[Joke(setup="Why don't scientists trust atoms?", punchline='Because they make up everything!')]

资料来源：https://python.langchain.com/v0.1/docs/modules/model_io/output_parsers/types/openai_tools/#pydantictoolsparser

• Agently：

import Agently
agent = (
    Agently.create_agent()
        .set_settings("current_model", "OpenAI")
        .set_settings("model.OpenAI.auth.api_key", "xxxxxx")
        .set_settings(
            "model.OpenAI.options", 
            {
                "model": "gpt-3.5-turbo",
                "temperature": 0,
            }
        )
)

result = (
    agent
        .input("tell me a joke")
        .output({
            "setup": ("str", "question to set up a joke"),
            "punchline": ("str", "answer to resolve the joke"),
        })
        .start()
)

print(result)

{ "setup": "Why don't scientists trust atoms?", "punchline": "Because they make up everything!" }

[Lizhen0628]

workflow 初看的时候眼前一亮，但实际体验的关联出参入参还是挺心累，不知道是不是我的打开方式不对。 @Maplemx

[Maplemx]

workflow 初看的时候眼前一亮，但实际体验的关联出参入参还是挺心累，不知道是不是我的打开方式不对。 @Maplemx

不是，我们很快就会发布新的版本，优化了workflow的数据传递逻辑，你的感觉是对的，我们已经调整了

[Lizhen0628]

workflow 初看的时候眼前一亮，但实际体验的关联出参入参还是挺心累，不知道是不是我的打开方式不对。 @Maplemx

不是，我们很快就会发布新的版本，优化了workflow的数据传递逻辑，你的感觉是对的，我们已经调整了

这两天也体验了一下metagpt 微软的autogpt 和 langgraph，整体感觉还是agently用起来会比较顺手【写代码的时候思路会更顺畅，祝做大做强！】。

[Lizhen0628]

另外，多agent自动交互这块感觉可能是agently比较欠缺的， @Maplemx 后续有啥规划吗？

[Maplemx]

另外，多agent自动交互这块感觉可能是agently比较欠缺的， @Maplemx 后续有啥规划吗？

多Agent自动交互其实可以通过workflow和Agent之间的请求连接自主构建，你可以这样理解：

找到特定场景的Agent自动交互方法，是AI应用的一种最终形态（但不是唯一形态）

我们提供了由Agent代理工程师对模型的请求（点），可以承载Agent请求以及其他程序逻辑的Workflow Chunk（块），再支持将多个Workflow Chunk连接成单向有序可成环状的运行流（网），并在运行流中支持通过外部配置文件影响部分块的执行效果（分层），形成了对AI应用的基础框架架构。

多Agent自动交互可以在这个基础架构中，使用总控路由、Agent自发轮询、工作流事件触发等多种不同设计思路去完成设计。

我们之前也做过一些小型的样例，可以参考：

飞桨合作项目：https://aistudio.baidu.com/projectdetail/7178289 的第4部分

角色创作Agent和角色扮演Agent的单次信息交互：https://github.com/Maplemx/Agently/blob/main/playground/character_change_behaviours_according_mood_status.ipynb

[Maplemx]

workflow 初看的时候眼前一亮，但实际体验的关联出参入参还是挺心累，不知道是不是我的打开方式不对。 @Maplemx

不是，我们很快就会发布新的版本，优化了workflow的数据传递逻辑，你的感觉是对的，我们已经调整了

3.3新版本已经发布，修订了workflow的数据传递逻辑，相关的开发手册正在撰写中

[Maplemx]

workflow 初看的时候眼前一亮，但实际体验的关联出参入参还是挺心累，不知道是不是我的打开方式不对。 @Maplemx

不是，我们很快就会发布新的版本，优化了workflow的数据传递逻辑，你的感觉是对的，我们已经调整了

这两天也体验了一下metagpt 微软的autogpt 和 langgraph，整体感觉还是agently用起来会比较顺手【写代码的时候思路会更顺畅，祝做大做强！】。

教程已经更新：https://agently.cn/guides/workflow/index.html