首頁 NCHC Agent

# LangGraph

# 實際應用案例

  • LangGraph 由 LangChain 團隊推出，用於構建複雜多角色 LLM 代理系統，已被多家企業採用。
    • 例如，Replit 利用 LangGraph 開發線上程式助理，強調代理執行可靠性，以便支援數百萬使用者 (LangGraph)。
    • Uber、LinkedIn、GitLab 等公司也使用 LangGraph 打造可控的 AI 工作流程 (GitHub - langchain-ai/langgraph: Build resilient language agents as graphs.)。
    • 在產業案例方面，挪威郵輪 Norwegian Cruise Line 採用 LangGraph 建立遊客服務的生成式 AI 解決方案，提升客戶體驗 (What is LangGraph? | IBM)。
    • LangGraph 也可用於模擬真人對話助理（如類似 Google Duplex 的對話服務）以及機器人控制、自動駕駛等多智能體系統 (What is LangGraph? | IBM) (What is LangGraph? | IBM)。

# 模型支援與兼容性

  • LangGraph 基於 LangChain，因此兼容多種 LLM。
    • 預設支援 OpenAI GPT-3.5、GPT-4 系列模型，並已擴充支援 Anthropic Claude 以及 Azure OpenAI 等模型接口 (What is LangGraph? | IBM)。
  • 開源社群也為 LangGraph 增加了對其他模型的支援，透過 LLM API 設定可以切換不同模型 (What is LangGraph? | IBM)。
    • 例如，可整合本地 LLM 推理服務（如 LLaMA-FastChat、Ollama）來使用 Meta 的 LLaMA 模型 (What is LangGraph? | IBM)。
  • LangGraph 與 LangChain 元件整合，使更換模型供應商相當簡單 —— 例如一行程式即可改用 Google Gemini 模型（透過 ChatGoogleGenerativeAI 介面） (How to Implement a GenAI Agent using Autogen or LangGraph | by Lak Lakshmanan | TDS Archive | Medium)。
  • 此外，LangGraph 支援 OpenAI 函數調用功能與工具使用
    • 開發者可在節點中定義工具函式，代理會依照對話狀態選擇適當函式執行。
  • LangGraph 也能結合 Anthropic 的 Model Context Protocol (MCP) 標準，以統一的方式連接外部資料源和工具，提升代理與外部環境交互的能力 (GitHub - esxr/langgraph-mcp: LangGraph solution template for MCP) (GitHub - esxr/langgraph-mcp: LangGraph solution template for MCP)。

# 部署複雜度與資源需求

  • LangGraph 以 Python 套件形式提供（ pip install langgraph ），可輕鬆整合到現有應用中 (GitHub - langchain-ai/langgraph: Build resilient language agents as graphs.)。
  • 由於其構建在 LangChain 之上，開發者熟悉 LangChain 即可快速上手。
  • LangGraph 強調可控性與可靠性，提供長期記憶體與人工介入機制來管理長任務流程 (GitHub - langchain-ai/langgraph: Build resilient language agents as graphs.)。
  • 在部署方面，LangGraph 無特殊硬體需求：
    • 若使用雲端 LLM API（OpenAI/Anthropic 等），主要負擔在遠端服務；
    • 若需要執行本地開源模型，則需架設相應的推理服務（可能需要 GPU 以運行大型模型）。
    • 官方並提供 LangGraph Studio 桌面應用作為可視化介面，用戶可透過圖形化拖拽設計代理工作流 (What is LangGraph? | IBM)。
    • 因此在本地開發測試相對容易，而要大規模部署於生產環境，可將 LangGraph 服務容器化 (Docker) 並結合企業基礎設施。
  • 總體而言，LangGraph 本身輕量，資源消耗取決於所調用的 LLM 大小和數量。

# AutoGen

# 實際應用案例

  • AutoGen（由微軟研究院開源）是一款多代理對話協作框架，強調讓多個 LLM 代理彼此對話來完成任務 (AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation - Microsoft Research)。
  • 研究人員已用 AutoGen 構建多種試驗應用，涵蓋數學解題、程式編寫、問答系統、供應鏈優化、線上決策以及娛樂遊戲等領域 (AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation - Microsoft Research)。
  • 具體案例包括：
    • 讓一個「寫程式代理」與一個「除錯代理」合作完成代碼任務 (Microsoft's AutoGen. A guide to code-executing agents | by Tereza Tizkova | E2B — Cloud runtime for AI agents | Medium)—— 一個代理根據使用者需求產生程式碼，另一代理審視並修正錯誤，必要時再交由下一步的代理（如執行結果可視化）處理 (Microsoft's AutoGen. A guide to code-executing agents | by Tereza Tizkova | E2B — Cloud runtime for AI agents | Medium)。
  • 這種專家代理分工模式已被用於資料分析等場景，例如結合語音識別與翻譯：
    • 一個代理使用 OpenAI Whisper 轉錄音檔文字，另一代理再將文字翻譯成目標語言 (Multi-Agent AutoGen with Functions - Step-by-Step with Code Examples | by Dr. Ernesto Lee | Medium)。
  • AutoGen 自 2023 年推出以來在開源社群引起廣泛關注，Google Trends 顯示其熱度在多代理框架中名列前茅 (Microsoft's AutoGen. A guide to code-executing agents | by Tereza Tizkova | E2B — Cloud runtime for AI agents | Medium)。

# 模型支援與兼容性

  • AutoGen 設計為模型無關的代理架構，支援多種大型模型。
  • 初期主要支持 OpenAI ChatGPT (GPT-3.5、GPT-4) 作為對話引擎 (AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation - Microsoft Research)；
  • 隨後版本陸續擴增對 Anthropic Claude 的支援（v0.2.30 起提供 Anthropic API 客戶端） (Anthropic Claude | AutoGen 0.2 - Microsoft Open Source)。
  • AutoGen 0.4 開始強化非 OpenAI 模型整合，新增對 Google Gemini、Mistral AI、Together AI、Groq 等平台的客戶端，可使用超過 75 種不同的模型 (Enhanced Support for Non-OpenAI Models | AutoGen 0.2) (Enhanced Support for Non-OpenAI Models | AutoGen 0.2)。
  • 例如，安裝相應擴展後，可直接在配置中指定 api_type 和模型名稱來調用 Amazon Bedrock 上的 Anthropic 或 Cohere 模型 (Enhanced Support for Non-OpenAI Models | AutoGen 0.2) (Enhanced Support for Non-OpenAI Models | AutoGen 0.2)。
  • 此外 AutoGen 具備工具調用與結構化輸出能力：
    • 代理可透過內建的函式執行模組調用外部工具（如執行程式碼、網路搜尋），或要求 LLM 產生特定格式輸出以便解析 (Multi-Agent AutoGen with Functions - Step-by-Step with Code Examples | by Dr. Ernesto Lee | Medium)。
    • 隨著 Anthropic 推出 MCP 協定，AutoGen 也能輕鬆介接；
    • 實踐證明只需幾行程式碼即可讓 AutoGen 代理使用 MCP 工具，統一調用例如資料庫查詢、郵件服務等功能 (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model)) (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model))。
    • 這使 AutoGen 在模型和工具支援上非常靈活。

# 部署的複雜度與資源需求

  • AutoGen 以 Python 套件形式提供（曾用名 pyautogen ，現已更名為 AG2），安裝相對簡單：
    • 例如 pip install autogen 或 pip install ag2[openai] (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
    • 其架構採用非同步、事件驅動設計，允許代理並行對話和長時執行，適合部署在分散式系統中 (AutoGen - Microsoft Research) (AutoGen - Microsoft Research)。
    • AutoGen 支持 Python 和 .NET 平台的代理互通，方便融入不同技術棧 (AutoGen - Microsoft Research)。
    • 在本地開發時，可使用 Jupyter Notebook 等進行原型實驗，官方也提供了大量範例程式和筆記來說明各種使用情境 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
    • 資源需求方面，AutoGen 框架本身輕量，但典型應用會使用 GPT-4 這類大型模型，其上下文調用需要穩定的網路和 API 授權。
    • 如果以雲端 API 為主，運行 AutoGen 代理對 CPU/GPU 無特殊要求；但若使用本地模型（例如通過 Hugging Face 或本地推理引擎），則需對應的硬體（高階 GPU 或充裕記憶體）來承載推理。
    • 在工具執行方面，AutoGen 已內建沙盒執行環境，例如自動將代理產生的代碼在隔離的 Docker 容器中運行，確保安全 (Enhanced Support for Non-OpenAI Models | AutoGen 0.2)。
    • 因此，部署 AutoGen 時最好具備容器化基礎設施來管理這些子任務。總的來說，AutoGen 的上手成本適中，得益於微軟的開源投入和完善文檔，其社群支援活躍；開發者更需關注的是後端模型運算資源及代理調優，而非框架本身的負擔。

# AG2

# 實際應用案例

  • AG2 是 AutoGen 的進化開源版本（被稱為「AgentOS」），由社群志願者維護並持續擴展 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
  • AG2 強調生產級的多代理流程編排能力，已在企業中獲得應用。
  • 例如資料工程平台 Nexla 使用 AG2 打造名為 “NOVA” 的資料工程助手 (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2)。
  • 透過 NOVA，使用者只需以自然語言描述資料轉換需求，AG2 代理即會將複雜資料管道自動拆解為可執行步驟並完成配置 (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2) (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2)。
  • Nexla CEO 表示 AG2 的人類介入機制和可靠性使得 NOVA 能在保障治理和準確性的同時，提供直觀高效的用戶體驗 (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2)。
  • 除了企業案例，AG2 官方還提供客服助理、遊戲設計、旅遊規劃等示範場景的工作流程範本，展示其在不同領域處理複雜任務的能力 (Key Features - AG2)。

# 模型支援與兼容性

  • AG2 繼承了 AutoGen 的廣泛模型支援，能夠使用市面上主流的閉源和開源 LLM。
  • 它內建對 OpenAI GPT-4/GPT-3.5 的支持，並直接整合 Anthropic Claude、Google Gemini 等模型客戶端，以及多種開源模型。
  • AutoGen 時期實現的擴充在 AG2 中持續有效 —— 開發者可以輕鬆改用 Anthropic、Mistral、Llama2 等超過 75 種模型作為代理智慧引擎，只需安裝對應擴展並調整配置 (Enhanced Support for Non-OpenAI Models | AutoGen 0.2)。
  • AG2 也支持自定義模型客戶端：
    • 例如可透過 Together.AI 或 HuggingFace 接口接入本地微調模型。
  • 功能上，AG2 支持結構化提示輸出、檢索增強生成 (RAG)、代碼執行等進階能力 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
  • 代理之間的對話模式亦可定制，包括多代理群聊、巢狀對話、自主 / 人工混合等 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
  • 在工具使用方面，AG2 延續 AutoGen 的做法，允許註冊自定義工具函式供代理調用，並可將人類作為一種特殊代理插入回路中 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
  • 此外，AG2 與最新的 MCP 協定兼容良好 —— 開發者已示範只用兩行代碼就讓 AG2 代理接入 Anthropic MCP 工具伺服，實現與外部資料源的雙向連接 (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model)) (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model))。
  • 這使 AG2 能緊跟業界標準，靈活協作多模型、多工具完成任務。

# 實際部署的複雜度與資源需求

  • 作為完全開源的框架，AG2 的部署靈活度很高。開發者可依需求將其作為後端程式庫嵌入應用，或獨立部署為服務。
  • 安裝方面只需 Python 3.9+ 環境和相應套件：
    • 例如 pip install ag2[openai] 將安裝核心及 OpenAI 支持 (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)。
  • AG2 的架構經過重新設計以強調可擴充性與穩定性：
    • 內部採用事件隊列管理代理訊息，支援大規模併發和任務分散處理 (AutoGen - Microsoft Research) (AutoGen - Microsoft Research)。
    • 其內建監控和除錯工具（整合 OpenTelemetry），方便在生產環境追蹤代理行為 (AutoGen - Microsoft Research)。
  • 在部署複雜度上，相較 AutoGen，AG2 更加模組化，官方文件提供了快速入門範例和常見用例模板，降低開發者構建自定義代理系統的門檻 (Key Features - AG2) (Key Features - AG2)。
  • 資源需求方面，AG2 本身不執行大型模型推理，因此運行框架只需一般的伺服器（CPU 即可）。
  • 實際資源消耗取決於所用 LLM 和工具：
    • 例如使用 GPT-4 API 則主要消耗雲端計算點數；
  • 如需本地部署開源模型，則須考慮相應的 GPU 記憶體和運算力。
  • 在高並發場景下，適當擴容代理服務執行節點（比如用容器集群）可以提高吞吐量。
  • 總而言之，AG2 提供了接近生產級的一站式代理開發解決方案，易於本地部署且擴展彈性高，企業可依自身資源從單機原型順利過渡到分布式生產環境。

# MetaGPT

# 實際應用案例

  • MetaGPT 是由 DeepWisdom 公司開源的多代理協同框架，其特色是在軟體研發場景中扮演一整個 AI 軟體團隊 (What is MetaGPT ? | IBM )。
  • MetaGPT 將 GPT-4/GPT-3.5 等模型代理分配為不同專業角色（如產品經理、架構師、項目經理、工程師），並讓它們按照軟體開發的標準流程和 SOP 進行協作 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium) (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
  • 只需輸入一句產品點子，它就能自動產出詳細的需求文檔、用戶故事、競品分析、資料結構設計、API 設計甚至代碼實現 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
    • 例如，開發者輸入「製作一款類似 Flappy Bird 的簡單遊戲」，MetaGPT 會讓「產品經理代理」先生成需求和用戶故事，「架構師代理」設計系統結構，「工程師代理」編寫代碼，「測試代理」審查改進，最終輸出完整的項目說明與代碼存檔 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
    • 這種架構在 2023 年引發關注，GitHub 上迅速累積了大量星標，展示了多代理分工協作進行元編程的潛力 (What is MetaGPT ? | IBM )。
    • 不過，MetaGPT 目前多用於研究和原型試驗，例如自動產生樣板專案、技術文檔等；真正大規模商業落地的案例相對較少，更多是作為概念驗證工具被討論。

# 模型支援與兼容性

  • MetaGPT 的代理主要基於 OpenAI 的 GPT 系列模型運作。
  • 開箱即用時，它假定有 GPT-4 作為核心智能引擎，以確保各角色代理具備足夠的推理和生成能力 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
  • 在框架剛推出時，對其他模型的支持有限。不過由於其開源社群活躍，已有人為 MetaGPT 添加了自定義 LLM 接口的能力，透過調整配置可以改用不同的模型 API (What is MetaGPT ? | IBM )。
  • 據 IBM 技術博客報導，MetaGPT 內建支援 OpenAI GPT-3.5 與 GPT-4，同時社群也貢獻了介接其他模型的方案，例如兼容 Anthropic Claude 或其他開源大模型的 API (What is MetaGPT ? | IBM )。
  • 未來版本計畫支持像 Ollama 這樣的本地 LLM 後端，方便使用本地模型 (What is MetaGPT ? | IBM )。
  • 然而，目前 MetaGPT 尚未著重工具調用功能；它主要透過代理間的自然語言通信來完成任務拆解和協作，並不內建網絡搜索、程式執行等外部工具接口。
  • 因此對 OpenAI 的函數調用 (Function Calling) 和 Anthropic MCP 等標準暫無直接支持報導，更側重於利用 LLM 本身的生成能力來產生所需產物。
  • 總的來說，MetaGPT 的模型兼容性以 OpenAI 平台為主，對替代模型的支持需要自行客製，但架構本身相對獨立於模型實現，具備一定擴充彈性。

# 部署複雜度與資源需求

  • MetaGPT 作為社群專案，提供了詳細的使用說明和 Docker 鏡像以簡化部署 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
  • 使用者只需準備好 Python 環境（需求 Python 3.10 + 和 Node.js，用於繪製 Mermaid 圖等用途）及 OpenAI API Key，便可在本地運行 MetaGPT。 (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)
  • 安裝上可以透過 pip 安裝必要套件，或直接使用官方提供的 Docker 容器來避免環境配置問題。
  • 由於 MetaGPT 大部分計算都在 OpenAI 的雲端完成（GPT-4 推理），本地運行時對硬體要求不高，普通 PC 即可執行其協調任務。
  • 實測生成一個完整軟體項目可能耗費數美元等級的 API 點數（約使用 0.2 美元生成分析設計，2 美元生成全部代碼及文檔） (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)。
  • 在運行過程中，MetaGPT 會產生大量文本和文件，需有足夠的磁碟空間存放輸出結果（如 Markdown 設計文檔、代碼檔案、Mermaid 圖等）。
  • 但除非整合本地模型，否則無需額外 GPU 資源。需要注意的是，MetaGPT 依賴外部服務（OpenAI API），因此部署時要確保網路通暢及 API 服務穩定。
  • 若團隊在企業環境使用，可能需要將 API 密鑰和生成內容進行安全管理。
  • 總體而言，MetaGPT 的部署門檻相對友好：
    • 不需要繁瑣的分散式架構或多進程協調，單機即可啟動「AI 軟體公司」。
    • 資源主要花費在 API 調用成本上，本地計算開銷有限。
    • 然而，由於其本質上是研究性框架，開發者在生產環境採用時需額外考慮生成內容的驗證和完善，以確保結果符合真實業務需求。

# AutoGPT

# 實際應用案例

  • AutoGPT 是一款由社群開發者 Significant Gravitas 在 GitHub 發布的開源代理項目 (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)。
  • 它是較早引發廣泛關注的「自主 AI」代理之一，目標是讓 AI 自動連續地執行任務直至達成用戶給定的目標。
  • AutoGPT 在推出後被愛好者用於各種實驗性任務：
    • 例如自動建立一個簡單的商業網站、分析市場數據後撰寫投資建議、作為個人助理制定待辦事項等等。
    • 一些具體案例包括：
      • 「Chef-GPT」自動搜尋食譜並產出購物清單、
      • 「Crypto-GPT」自主抓取加密貨幣資訊進行分析，
      • 甚至讓 AutoGPT 充當內容創作工具，從網路上蒐集資訊後撰寫文章草稿。
    • AutoGPT 的官方說明也提供了幾個內建代理實例：
      • 其一會從 Reddit 熱門話題中自動生成短影片腳本，
      • 另一個能監控 YouTube 頻道的新影片並生成摘要和社群貼文 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.) (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
    • 這些應用展示了 AutoGPT 將網路搜尋、語音識別、文字生成等多步驟流程串聯起來的能力。
  • 值得注意的是，由於 AutoGPT 早期版本的可靠性和事實性有限，多數應用案例仍在試驗階段，社群常分享成功與失敗的經驗以改進代理表現。

# 模型支援與兼容性

  • AutoGPT 最初專為 OpenAI 的 GPT-4 模型設計，因此對 OpenAI GPT API 有良好支援 (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)。
  • 預設情況下它使用 GPT-4 作為主要思考和執行代理，並可在需要時切換為成本較低的 GPT-3.5 來執行部分子任務（例如長文檔總結） (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)。
  • AutoGPT 通過插件機制擴展功能：
    • 官方實現了多種插件，如網頁瀏覽、網路搜尋、文件讀寫、電子郵件發送等 (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)。
  • 這些插件相當於 OpenAI 函數調用的前身方案，代理會在對話中產生特定格式的指令，框架解析後調用對應的函式（例如 _browse_website 或 _send_email ）。
  • 隨著 OpenAI 函數調用功能推出，新版 AutoGPT 也在逐步適配，以讓模型直接輸出結構化工具調用。
  • 目前 AutoGPT 主要支持 OpenAI 平臺的模型，對於其他模型如 Claude 或本地 LLM 並無官方直接支持。但社群有一些非官方修改版本，嘗試將 AutoGPT 與本地開源模型（例如 GPT4All、Llama 2）整合，以擺脫對雲端 API 的依賴。
  • 然而，由於這類開源模型在推理能力和上下文長度上仍有限，實務中 AutoGPT 大多仍依賴 GPT-4 獲得最佳效果。總而言之，AutoGPT 在模型兼容性上相對狹窄但專精：
    • 深度集成並優化了對 OpenAI GPT 系列的使用，具備長上下文對話、函數工具調用、記憶體管理等能力 (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)；要使用非 OpenAI 模型則需額外修改框架核心。

# 部署複雜度與資源需求

  • AutoGPT 的部署相對需要一定技術背景，但官方提供了說明文件和 Docker 環境來簡化流程 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
  • 用戶可以選擇本地自托管：
    • 需安裝 Python、Node.js（部分插件可能需要）和相關依賴，將 OpenAI API Key 等配置寫入檔案，然後透過命令行啟動代理 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
    • 官方建議使用 Docker 來一鍵啟動所需環境，以避免本地配置問題 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
  • AutoGPT 開發團隊亦推出了雲端托管服務的候補名單，以提供即用型的雲端介面 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
  • 在運行時，AutoGPT 通常以迴圈方式讓 GPT 代理不斷產生行動計劃並執行，因此會持續佔用一個進程。
  • 其內建內存機制會將對話內容和中間結果存入向量數據庫或本地檔案，以供後續步驟檢索 (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)。
  • 資源需求方面，AutoGPT 對本地 CPU 和記憶體的需求取決於載入的插件多少；
    • 例如執行瀏覽器插件會啟動無頭瀏覽器，佔用一些記憶體和網絡帶寬。
    • 但最主要的資源消耗是來自頻繁的 GPT-4 API 調用，以及可能的文件讀寫。
    • 在沒有本地模型推理的情況下，AutoGPT 不需要 GPU。
    • 若使用圖像生成等插件（如 Stable Diffusion）並在本地執行，則需要具備相應 GPU。
  • 一般而言，一個 AutoGPT 代理執行複雜任務可能持續數分鐘到數小時，在此期間需要穩定的網絡連線和足夠的 API 額度支撐。
  • 為了監控代理，AutoGPT 帶有前端介面可在 VSCode 中查看代理思路和操作，也提供日誌與分析工具（如 agbenchmark 基準套件）幫助評估代理表現 (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)。
  • 在生產環境中部署 AutoGPT 仍具挑戰，因其決策不可預測性，需要人員隨時介入校正。
  • 因此目前 AutoGPT 更多作為探索性項目，被技術社群用來試驗端到端自動化的可能性，其部署主要用於個人或研發而非關鍵業務系統。

# 參考來源

  1. What is LangGraph? – IBM Technology Blog (2024) (What is LangGraph? | IBM) (What is LangGraph? | IBM)
    https://www.ibm.com/think/topics/langgraph
  2. langchain-ai/langgraph (GitHub Repo) – Build resilient language agents as graphs (GitHub - langchain-ai/langgraph: Build resilient language agents as graphs.) (GitHub - langchain-ai/langgraph: Build resilient language agents as graphs.)
    https://github.com/langchain-ai/langgraph
  3. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation – Microsoft Research (2024) (AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation - Microsoft Research)
    https://www.microsoft.com/en-us/research/publication/autogen-enabling-next-gen-llm-applications-via-multi-agent-conversation-framework/
  4. Microsoft's AutoGen: A guide to code-executing agents – Tereza Tizkova, E2B Medium (2023) (Microsoft's AutoGen. A guide to code-executing agents | by Tereza Tizkova | E2B — Cloud runtime for AI agents | Medium) (Microsoft's AutoGen. A guide to code-executing agents | by Tereza Tizkova | E2B — Cloud runtime for AI agents | Medium)
    https://medium.com/e-two-b/microsofts-autogen-8aefacbddfa3
  5. Multi-Agent AutoGen with Functions – Step-by-Step with Code Examples – Dr. Ernesto Lee (2024) (Multi-Agent AutoGen with Functions - Step-by-Step with Code Examples | by Dr. Ernesto Lee | Medium)
    https://drlee.io/multi-agent-autogen-with-functions-step-by-step-with-code-examples-2515b3ab2ac6
  6. Enhanced Support for Non-OpenAI Models (AutoGen 0.2 Blog) – Mark Sze et al., Microsoft (2024) (Enhanced Support for Non-OpenAI Models | AutoGen 0.2)
    https://microsoft.github.io/autogen/0.2/blog/2024/06/24/AltModels-Classes/
  7. GitHub – ag2ai/ag2: The Open-Source AgentOS (AG2, formerly AutoGen) (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ) (GitHub - ag2ai/ag2: AG2 (formerly AutoGen): The Open-Source AgentOS. Join us at: https://discord.gg/pAbnFJrkgZ)
    https://github.com/ag2ai/ag2
  8. Unlocking the Power of Agentic Workflows at Nexla with AG2 – AG2 Docs User Story (2025) (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2) (Unlocking the Power of Agentic Workflows at Nexla with AG2 - AG2)
    https://docs.ag2.ai/docs/user-stories/2025-02-11-NOVA/
  9. How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model) – Victor Dibia (2025) (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model)) (How to Use Anthropic MCP Tools with Your AutoGen Agents (and any model))
    https://newsletter.victordibia.com/p/how-to-use-mcp-anthropic-mcp-tools
  10. What is MetaGPT? – IBM Technology Blog (2024) (What is MetaGPT ? | IBM ) (What is MetaGPT ? | IBM )
    https://www.ibm.com/think/topics/metagpt
  11. MetaGPT: A Multi-Agent Framework Revolutionizing Software Development – Alexei Korol, Medium (2023) (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium) (MetaGPT: A Multi-Agent Framework Revolutionizing Software Development | by Alexei Korol | Medium)
    https://medium.com/@korolalexei/metagpt-a-multi-agent-framework-revolutionizing-software-development-f585fe1aa950
  12. Top 10 AutoGPT Use Cases to Explore in 2025 – Analytics Vidhya (2024) (Top 10 AutoGPT Use Cases to Explore in 2025 - Analytics Vidhya)
    https://www.analyticsvidhya.com/blog/2023/12/autogpt-use-cases/
  13. Significant-Gravitas/AutoGPT (GitHub Repo) – AutoGPT: Build, Deploy, and Run AI Agents (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.) (GitHub - Significant-Gravitas/AutoGPT: AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mission is to provide the tools, so that you can focus on what matters.)
    https://github.com/Significant-Gravitas/AutoGPT