AI Agent 工程师必备包清单（按优先级排序）

一、核心必掌握（日常开发高频绕不开）

1. openai（官方 SDK）

   1. 核心作用：原生调用大模型，覆盖对话、函数调用、结构化输出、Embedding 生成

   2. 必备原因：所有 Agent 框架底层都基于它封装，原生调用是排障、自定义逻辑的基础；函数调用是 Agent 工具能力的核心原理

2. LangChain + LangGraph

   1. 核心作用：LangChain 提供全套 Agent 组件（记忆、工具、文档加载器）；LangGraph 专门做状态化 Agent 流程编排、多智能体流转、循环 / 分支逻辑

   2. 必备原因：当前行业最主流的 Agent 开发框架，覆盖从简单 ReAct Agent 到复杂多 Agent 的全场景

3. Pydantic

   1. 核心作用：数据结构定义、类型校验、结构化输出

   2. 必备原因：大模型函数调用的参数定义、工具 Schema 生成、Agent 结构化输出全依赖它，是 Agent 工具能力的底层支撑

4. chromadb / FAISS

   1. 核心作用：本地轻量向量数据库，实现向量存储与检索

   2. 必备原因：Agent 长期记忆、RAG 知识库的基础组件，本地开发、Demo、小项目直接可用，无需额外搭服务

5. python-dotenv

   1. 核心作用：管理 API 密钥、环境变量

   2. 必备原因：规范管理大模型 Key、数据库地址等敏感配置，工程化基础

二、进阶必了解（复杂场景 & 生产落地）

1. LlamaIndex

   1. 核心作用：深度 RAG 框架，专注文档索引与检索优化，支持复杂文档结构、多检索策略

   2. 适用场景：知识库 Agent、长文档问答 Agent，常与 LangChain 搭配使用

2. CrewAI / AutoGen

   1. 核心作用：多智能体协作框架，支持角色分工、任务拆解、Agent 间自主对话

   2. 适用场景：复杂任务拆解、多角色协作类 Agent（如产品 + 开发 + 测试团队式 Agent）

3. LiteLLM

   1. 核心作用：统一多模型调用接口，兼容 OpenAI、Anthropic、通义、文心等几十种大模型

   2. 适用场景：多模型切换、跨厂商兼容，避免重复适配各家 SDK

4. tiktoken

   1. 核心作用：精确计算 Token 数量

   2. 适用场景：控制上下文窗口长度、长文本分段、成本估算，避免大模型超限报错

5. DuckDuckGo Search / SerpAPI

   1. 核心作用：给 Agent 接入联网搜索能力

   2. 适用场景：实时信息类 Agent；前者免费无密钥适合入门，后者适合生产级谷歌搜索

三、生产 & 工具链必知（上线调试交付）

1. LangSmith / LangFuse

   1. 核心作用：Agent 全链路追踪、调试、日志、效果评估

   2. 必备原因：Agent 是黑盒，出问题必须靠链路追踪排查调用链、工具执行结果、Token 消耗

2. FastAPI

   1. 核心作用：把 Agent 封装成 HTTP 接口提供服务

   2. 必备原因：生产环境 Agent 服务化的标准方案，异步高性能，适配大模型 IO 密集场景

3. Streamlit / Gradio

   1. 核心作用：快速搭建可视化交互界面

   2. 必备原因：做 Demo 演示、内部工具，几行代码就能做出可交互的 Agent 页面

4. Milvus / Pinecone

   1. 核心作用：生产级分布式向量数据库

   2. 适用场景：大规模知识库、线上生产环境，替代本地向量库，支持亿级向量检索

5. Redis

   1. 核心作用：会话记忆持久化、分布式缓存、任务队列

   2. 适用场景：线上多实例部署共享用户会话；长耗时 Agent 任务的异步队列

6. RAGAS

   1. 核心作用：RAG 与 Agent 效果的量化评估

   2. 适用场景：上线前验证检索准确率、回答质量，量化优化效果

四、基础通用包（底层高频依赖）

• asyncio：异步并发编程，提升多轮调用、多工具执行的效率

• pandas：数据处理，Agent 执行数据分析任务的基础工具

• requests：调用第三方 HTTP 接口，自定义工具的基础

• loguru：结构化日志，调试 Agent 执行流程

学习优先级建议

1. 先吃透：原生 openai 调用 → Pydantic 函数调用 / 结构化输出 → LangChain 基础 Agent → 本地向量库 RAG

2. 再进阶：LangGraph 复杂流程 → 多 Agent 框架 → 调试追踪工具

3. 最后补：生产级向量库、服务化部署、效果评估