描述

相信大家对模型的选择和性能差距如何选择都有疑问，本篇收集了一些公开的平台，相信会对大家有所帮助

开源社区

Hugging Face

链接
全球最大开源AI模型社区，AI界的GitHub。需要科学上网。

魔搭社区

链接
阿里推出的中文AI模型平台，对标Hugging Face，里面基本都是国内的模型

模型排行榜

SuperCLUE

链接
自动化测试榜单。专注中文大模型的测试平台，像大众点评一样，帮我们选模型

OpenLM

链接
国际模型排行榜单，人类主观驱动的大模型排行榜，真实反应用户使用体验。

模型部署平台

Ollama

链接
只能部署Ollama收集的大语言模型

LM Studio

链接
可以部署Hugging Face中的大模型，还可以根据本机配置推荐安装不同版本的模型。

代码生成平台

通义灵码

链接
通过安装插件的方式，使用AI写代码，插件可以安装在VS Code、Visual Studio、IDE中

Cursor

链接
通过VS Code开源代码创建的AI工具，属于另一种VS Code。

AI Agent开发框架

Coze(扣子)

链接

• 适用场景

个人聊天机器人、兴趣项目、快速功能验
证

• 优势

零门槛，完全可视化，插件生态丰富，免费使用

• 局限性

定制深度有限，依赖平台提供的能力，不适合复杂后端逻辑

• 集成能力

主要通过平台内置插件进行集成

• 学习成本

极低，无需编程知识，对非技术用户极其友好

Dify.AI

链接

• 适用场景

生产级 AI应用、需要知识库的 RAG 应用、数据敏感型企业应用
证

• 优势

可视化工作流编排，支持私有化部署，兼顾易用性和专业性

• 局限性

相比纯代码框架，在极端复杂逻辑下的灵活性受限

• 集成能力

支持主流 LLM，可通过 API 与外部系统集成

• 学习成本

较低，理解基本概念即可上手，但精通需要一定学习

n8n

链接

• 适用场景

需要连接大量第三方服务的自动化工作流，如数据同步、自化报告等

• 优势

连接器生态极其庞大，自动化流程搭建灵活，可视化程度高

• 局限性

本身不提供 LLM 核心能力，需作为“胶水”与其他服务配合

• 集成能力

无与伦比的第三方应用集成能力

• 学习成本

较低，主要学习其节点和工作流逻辑，而非编程

CrewAI

• 适用场景

模拟角色明确的团队协作，如市场营销团队、内容创作流程自动化

• 优势

角色和流程定义清晰，结果确定性高，基于 LangChain 生态

• 局限性

目前流程控制相对简单(如仅支持顺序/层级)，AutoGen灵活性低于

• 集成能力

继承 LangChain 的强大集成能力，支持本地和云端 LLM

• 学习成本

中等，概念直观，但需要编写Python 代码和设计角色流程

AutoGen

• 适用场景

复杂任务自动化(尤其软件开发)，多Agent 学术研究与探索

• 优势

多 Agent 对话模式极其灵活，支持代码生成与执行，社区活跃

• 局限性

对非程序员不友好设置和调试复杂，尤其在本地 LLM 场景

• 集成能力

可整合不同 LLM，支持复杂的人机协同与反馈

• 学习成本

较高，涉及多Agent 交互的复杂概念，配置和调试有门槛

LangChain

• 适用场景

通用场景，如对话式AI、文档分析、自主任务系统等几乎所有Agent 应用

• 优势

生态最成熟，组件化设计极度灵活，工具和数据源集成能力强，社区庞大

• 局限性

过于灵活有时也意味着选择和组合的复杂度较高

• 集成能力

支持市面上几乎所有的 LLM、向量数据库和外部工具

• 学习成本

中等，入门概念多，但文档和社区资源丰富，上手后能力全面

Semantic Kernel

• 适用场景

企业级智能应用开发，如嵌入现有业务系统的智能文档助、代码助手

• 优势

企业级集成度高，与C#/Python 深度融合，注重安全和稳定性

• 局限性

功能更聚焦于企业应活性可能不如用场景，通用性和灵活性可能不如LangChain

• 集成能力

与微软生态(Azure)、OpenAl、Hugging Face等模型无缝对接

• 学习成本

中等，需要掌握相关编程语言和一定的企业级开发经验