谁还在用 LangChain 做代理?Claude Agent SDK 非编码玩法更香!
近期一直在研究Claude Agent SDK——这款驱动着当下最优秀的编码工具之一Claude Code的开发工具包。

我突然萌生了一个想法:为何不将它用于非编码类工作流,而非要依赖CrewAI或LangChain这类其他智能代理框架呢?
为验证这个想法的可行性,我搭建了一个简单的示例:一个能抓取最新AI资讯并将其翻译成汉语的新闻研究智能代理。
基础搭建
以下是演示该思路的初始脚本:
import asynciofrom claude_agent_sdk import query, ClaudeAgentOptions, AgentDefinitionfrom claude_agent_sdk.types import McpHttpServerConfigimport osasyncdef main(): firecrawl_api_key = os.environ['FIRECRAWL_API_KEY'] firecrawl_mcp = McpHttpServerConfig( type="http", url="https://mcp.firecrawl.dev/v2/mcp", headers={"Authorization": f"Bearer {firecrawl_api_key}"} ) translator_agent = AgentDefinition( description="将内容从任意语言翻译成其他任意语言。", prompt="你是一名专业的语言翻译专家。", tools=["Read", "Edit", "Bash", "Grep"], model="sonnet" ) options = ClaudeAgentOptions( model="glm-4.6", system_prompt="你是一名专业的新闻研究员。", permission_mode='bypassPermissions', cwd="/Users/melvin/PycharmProjects/ClaudeCodeSDK/output", mcp_servers={"firecrawl_mcp": firecrawl_mcp}, agents={"translator-agent": translator_agent} ) asyncfor message in query( prompt=( "查找人工智能领域最新的新闻热点有哪些?" "将结果写入markdown文件,并附上相关网址作为参考依据。" "随后调用翻译代理(translator-agent)将内容翻译成汉语," "并保存到另一个独立的markdown文件中。" ), options=options ): print(message)asyncio.run(main())
思路一:借助MCP实现数据检索
我通过Firecrawl MCP(外部能力服务器)来抓取最新的AI资讯。 这款智能代理能够自主完成数据收集、内容总结,并将结果写入Markdown文件。 这一实践充分证明,MCP可充当API插件层的角色,让智能代理突破单纯的提示词交互,具备真实场景下的数据采集能力。
思路二:利用子代理处理专项任务
在收集完新闻内容后,我需要得到一个翻译版本。 我并未硬编码翻译逻辑,而是专门创建了一个「翻译代理(translator-agent)」子代理来负责这项工作。 主代理会将翻译任务委派给这个子代理完成。
最终产出物包括:
- ai_news_en.md — 英文摘要版
- ai_news_ko.md — 汉语翻译版
更复杂示例
在这个更复杂的示例中,我创建了多个不同的子代理,以此展现驱动Claude Code的Claude Agent SDK的强大能力。
该脚本搭建了一套小型的「新闻研究」工作流,展示了如何串联多个专业子代理,仅需一次运行就能完成以下全部任务: • 全网调研指定主题 • 提取核心要点 • 翻译内容 • 搭建简易网页 • 生成社交平台文案
import asynciofrom claude_agent_sdk import query, ClaudeAgentOptions, AgentDefinitionfrom claude_agent_sdk.types import McpHttpServerConfig, AssistantMessage, UserMessageimport osasyncdef main(): firecrawl_api_key = os.environ['FIRECRAWL_API_KEY'] firecrawl_mcp = McpHttpServerConfig( type="http", url="https://mcp.firecrawl.dev/v2/mcp", headers={ "Authorization": f"Bearer {firecrawl_api_key}" } ) translator_agent = AgentDefinition( description="将内容从任意语言翻译成其他任意语言。", prompt="你是一名专业的语言翻译专家。", tools=["Read", "Edit", "Bash", "Grep"] ) highlights_extractor_agent = AgentDefinition( description="从调研所得的新闻中提取核心要点,并将这些要点整理成markdown文件。", prompt="你是一名擅长从新闻稿件中提取并总结核心要点的专家。请提炼出最重要的信息点、洞见和关键结论,然后生成结构清晰的markdown文件。", tools=["Read", "Write", "Edit"] ) website_developer_agent = AgentDefinition( description="使用HTML、CSS和JavaScript创建并开发网页。", prompt="你是一名专业的网页开发工程师。请使用HTML、CSS和JavaScript创建现代化、响应式且结构规范的网页。", tools=["Read", "Write", "Edit"] ) social_media_creator_agent = AgentDefinition( description="基于新闻内容创作适用于领英(LinkedIn)和推特(Twitter)的文案。", prompt="你是一名专业的社交媒体内容创作者。请创作有吸引力、能引发互动的领英和推特文案,精准提炼核心观点,提升用户参与度。为不同平台使用合适的话题标签和排版格式。", tools=["Read", "Write", "Edit"], ) options = ClaudeAgentOptions( model="glm-4.6", system_prompt="你是一名专业的新闻研究员。", permission_mode='bypassPermissions', cwd="/Users/melvin/PycharmProjects/ClaudeCodeSDK/output", mcp_servers= {"firecrawl_mcp": firecrawl_mcp}, agents={ "translator-agent": translator_agent, "highlights-extractor-agent": highlights_extractor_agent, "website-developer-agent": website_developer_agent, "social-media-creator-agent": social_media_creator_agent } ) asyncfor message in query( prompt="查找菲律宾关于防洪工程和公共工程与公路部(DPWH)的最新新闻动态。" "将结果写入markdown文件,并在文件中附上相关网址作为信息来源。" "同时调用翻译代理(translator-agent)将这些新闻翻译成汉语," "并将译文写入另一个独立的markdown文件。" "提取新闻核心要点,写入第三个独立的markdown文件。" "随后调用网页开发代理(website-developer-agent)创建一个展示这些AI资讯的HTML网页," "要求样式美观规范,并将网页文件保存。" "最后调用社交媒体创作代理(social-media-creator-agent)基于这些AI资讯," "创作适用于领英和推特的文案,并将文案保存到markdown文件中。", options=options ): print(message)asyncio.run(main())
该工作流的输出示例

这套工作流最终会生成推特文案、网页文件,以及每个子代理产出的对应的markdown文件。
核心价值
Claude Agent SDK本身已原生支持以下核心能力:
- 各类工具(Read、Edit、Bash等)
- MCP(外部能力服务器)
- 技能体系
- 子代理机制
这些正是其他AI智能代理框架需要从零搭建的核心组件,而在Claude的生态体系中,这些能力都是原生内置的。
借助Claude AI打造的这套工具,开发者和研究人员能够快速构建超越单纯聊天交互的工作流——从文档生成到自动化流水线,均可实现。
本示例中我使用的是GLM 4.6模型,但显然,它与Claude系列模型(如Haiku和Sonnet)也能完美适配。
替代方案
CrewAI和LangChain这类框架在构建复杂智能代理系统方面表现出色——但有时候,简洁才是制胜关键。
Claude Agent SDK以轻量级包的形式,提供了同等的核心构建模块(工具、子代理、外部连接器),且能与Claude生态自然融合。
想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!
👇👇扫码免费领取全部内容👇👇

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:
1. 100+本大模型方向电子书

2. 26 份行业研究报告:覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:
- 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
- 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
- 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
- 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT:听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

- 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
- 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
- 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
- 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点
针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:

三、路线必明: AI 大模型学习路线图,1 张图理清核心内容
刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

L1阶段:启航篇丨极速破界AI新时代
L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段:攻坚篇丨RAG开发实战工坊
L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段:跃迁篇丨Agent智能体架构设计
L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

L4阶段:精进篇丨模型微调与私有化部署
L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

L5阶段:专题集丨特训篇 【录播课】

四、资料领取:全套内容免费抱走,学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:
👇👇扫码免费领取全部内容👇👇

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!
更多推荐


所有评论(0)