ai-agent教程-06-主流框架

本章目标:横向盘点 2026 年主流的 Agent 框架------它们各自的抽象、优劣势、适用场景, 以及最重要的:如何根据你的需求选框架。

1. 为什么框架这么多,而且还在变

Agent 框架的演化遵循一个经典周期:先有「胶水库」统一各家模型接口, 再出现「编排层」控制 Agent 循环,接着「状态化」「多智能体」「协议化」逐层叠加, 最后又分化为「图式状态机」与「轻量循环」两条路线。到 2026 年,生态大致分成五类:

类别	代表	核心抽象	优势
循环型 harness	OpenAI Agents SDK、Claude Agent SDK	Agent 循环 + 工具 + 护栏	贴近模型原生能力,简单直接
图式编排	LangGraph	显式状态图(节点/边/状态)	确定性、可审计、支持复杂流
多智能体框架	CrewAI、AutoGen/AG2、Microsoft Agent Framework	角色化团队 / 群聊	分工协作开箱即用
胶水库	LangChain、LlamaIndex	组件抽象 + RAG 管线	生态最全、组件最多
应用集成派	Vercel AI SDK、Mastra	把 Agent 嵌进 Web/移动/全栈应用	前后端一体、Streaming/UI 原生

应用集成派是 2025--2026 年把 Agent 送进真实产品的主要路径:它不强调「Agent 框架」本身,而是提供「在 TypeScript/React 应用里用 Agent + 流式 UI + 工具 + 记忆」的一体化 SDK。与「胶水库」的区别:胶水库把 LLM 当「组件」, 应用集成派把 Agent 当「产品功能」------如果你的目标是把 Agent 装进一个已有的 Web 应用,这类框架往往比图式编排更快上手。选型时别忘了它。
读这一章时请记住:框架是「当时最优」的封装,不是「永远正确」的真理。 第 07 章你会亲手实现一个最小 Agent,届时这些框架的抽象对你都是透明的。

1.1 一条时间线:看懂框架为什么长这样

时间	事件	留下的遗产
2022	LangChain 发布,「胶水库」爆发	「组件抽象」成为 LLM 工程的共同词汇
2023.10	AutoGen 发布,对话式多智能体	GroupChat + 人类代理模式
2023.11	CrewAI 发布,角色化团队	「角色 / 任务 / 流程」的低门槛心智
2024.1	LangGraph 重构 LangChain,状态图	显式状态 + 检查点成为企业级标配
2024.11	MCP 发布,工具接入协议化	「连工具」从私有集成走向标准协议
2025.3	OpenAI Agents SDK 发布(Swarm 后继)	handoff + 三层护栏 + 内置追踪
2025.6	A2A 由 Google 捐赠 Linux 基金会	「连 Agent」也开始标准化
2025.12	MCP 捐赠 Linux 基金会(旗下 AAIF)	协议治理进入中立轨道
2025--2026	Claude Agent SDK(Claude Code 开源)	深度自主 Agent + 最全 MCP 生态
2026	A2A 并入 Agentic AI Foundation(与 MCP 同归);Google ADK 三协议	双协议同归中立治理

规律:每 6--12 个月换一个「主角」,但每一次演进都在解决上一代的一个具体痛点------Chain 太静态 → 状态图;集成太私有 → 协议;Agent 太弱智 → 深度自主。看懂时间线,就看得懂「下一个主角」大概会长什么样。

2. LangChain 与 LangGraph

2.1 LangChain(胶水库)

LangChain(2022)是最早出圈的 LLM 框架,核心是组件抽象:

ChatModel / LLM:统一各家模型接口;
PromptTemplate:提示模板;
Tool:工具抽象;
Retriever / DocumentLoader:RAG 组件;
Chain:把组件串成流水线。

问题:Chain 是静态的,难以表达「循环」「条件分支」「状态」。社区一度批评 LangChain「抽象过度、黑盒、难调试」。

2.2 LangGraph(图式状态机)

LangGraph 是 LangChain 团队针对 Chain 缺点的重构,2024 年发布后快速成为 企业级 Agent 编排的事实标准之一,2026 年初在 GitHub stars 上超过 CrewAI。

核心抽象是一个显式状态图:

python 复制代码

from langgraph.graph import StateGraph, END

graph = StateGraph(State)
graph.add_node("agent", call_agent)       # 节点 = 一步逻辑
graph.add_node("tools", call_tools)
graph.add_edge("agent", "tools")          # 边 = 控制流
graph.add_conditional_edges("tools", should_continue, {"continue": "agent", "end": END})

LangGraph 的关键能力:

显式状态(state):所有数据(消息、工具结果、计数器)存在一个状态对象里, 图上的每个节点读写状态。这让「执行到哪了」完全可见。
检查点(checkpoint) :每个节点执行后落盘,支持断点续跑 / 时间旅行调试------ 「回放任意一次运行」是企业审计的刚需。
持久化:状态可存数据库,进程重启不丢------生产可靠性的基础。
人工介入(human-in-the-loop):节点可配置为「暂停等人工批准」。
条件分支 / 循环 / 并行:图天然表达,比 Chain 的线性流水线强一个维度。

适配 :interrupt() 暂停、Command 跳转、流式输出、多 Agent(子图)。

优劣势:

优点:确定性、可审计、模型无关、支持复杂控制流与检查点;
缺点:学习曲线陡、样板代码多、对简单 Agent 是过度设计。

适用:企业级工作流,需要状态、重试、人工审批、合规审计的场景。

3. CrewAI(角色化多智能体)

CrewAI(2023)把 Agent 建模成「角色(role)+ 目标(goal)+ 背景(backstory)」, 组合成一个 Crew(团队),任务按依赖关系在成员间流转。

python 复制代码

from crewai import Agent, Task, Crew, Process

researcher = Agent(role="研究员", goal="搜集资料", backstory="资深研究员")
writer = Agent(role="写手", goal="输出报告", backstory="资深编辑")

research = Task(description="调研 AI Agent 现状", agent=researcher)
write = Task(description="写成 3 句总结", agent=writer)

crew = Crew(agents=[researcher, writer], tasks=[research, write], process=Process.sequential)
crew.kickoff(inputs={"topic": "AI Agent"})

特点:

上手最快:约 20 行代码出一个多 Agent demo,学习曲线全生态最低;
原生支持协议:是少数同时支持 MCP 与 A2A 的框架之一;
进程模式:顺序(sequential)、层级(hierarchical)等;
任务依赖建模、工具复用、memory 支持。

局限:

角色化的「背景故事」对模型行为的约束有限(本质是提示词调味);
对执行细节的控制弱于 LangGraph,复杂系统常从 CrewAI 迁到 LangGraph;
类型安全弱(运行时校验)。

适用:快速原型、内容生产、研究管线;团队想「用最小成本跑通多 Agent」。

4. AutoGen / AG2 / Microsoft Agent Framework

AutoGen(Microsoft, 2023)是对话式多智能体的开创者: Agent 之间通过「对话」协作(GroupChat + speaker selection),支持嵌套对话与人类代理。

2026 年的 AutoGen 版图比较分裂,需要澄清:

项目	状态	定位
AutoGen(原版)	维护模式,无新特性	历史经典,不建议新项目
AG2	社区活跃分支(原创作者维护)	延续 AutoGen 的多 Agent 对话模式
Microsoft Agent Framework	2025 年合并 Semantic Kernel,2026 年 1.0	微软企业级方向,Azure/.NET 生态

特点(AutoGen 系):

GroupChat:一组 Agent + 发言者选择(轮流/自动);
Human-in-the-loop:可以随时插入「人类代理」;
嵌套对话、代码执行、多模态。

优劣势:

优点:多 Agent 对话模式丰富,历史贡献大(很多框架的模式源自它);
缺点:品牌混乱;AG2 API 偶有破坏性变更;对话模式对非聊天型任务适配差。

适用:研究、已有 AutoGen 系统的维护;微软技术栈选 Microsoft Agent Framework。

5. OpenAI Agents SDK

OpenAI 的官方 Agent SDK(2025 年 3 月发布,替代实验性的 Swarm)是 循环型 harness 的代表。核心抽象是 handoff(交接): Agent 通过一个特殊工具调用把控制权转给另一个 Agent,上下文随之传递。

python 复制代码

from agents import Agent, Runner

support_agent = Agent(name="客服", instructions="解决订单问题", tools=[query_order])
escalation_agent = Agent(name="升级代理", instructions="处理投诉")

# handoff:客服 Agent 判断处理不了时,把会话交接给升级代理
support_agent.handoffs = [escalation_agent]

result = Runner.run_sync(support_agent, "我要投诉!")

特点:

handoff 模型:交接即「调用 transfer 工具」,无需共享状态总线,实现干净;
三层护栏:input guardrails / output guardrails / tool guardrails,默认并行;
结构化输出:默认按 JSON Schema / Pydantic 校验;
内置追踪:dashboard 观测每次运行;
2026 年 4 月更新加入了沙箱执行与模型路由(按步切换模型)。

优劣势:

优点:与 OpenAI 模型配合最佳、生产级护栏、上手快;
缺点:OpenAI 优先(换模型体验降级);状态模型弱于 LangGraph;
仍处 0.x,API 在演进。

适用:已绑定 OpenAI 模型、需要「可预测的 Agent 循环 + 护栏」的生产系统。

6. Claude Agent SDK(Anthropic)

Anthropic 的官方 SDK(2026 年初由 Claude Code SDK 更名而来), 定位是「深度自主 Agent」:同构于 Claude Code 的 Agent 循环, 能自主规划、行动、自我修正,并深度集成 MCP。

特点:

最深的 MCP 集成:200+ 现成 MCP 服务器,一行配置接入 (GitHub、Slack、Postgres、Notion 等);
内置工具:文件操作、Bash、编辑、搜索、computer use, 复用 Claude Code 的战斗经验;
子 Agent 架构:上下文隔离 + token 归因;
生命周期钩子:PreToolUse / PostToolUse / Stop / SessionStart / SessionEnd, 是治理与审计的关键扩展点;
Extended thinking:思考与行动交错执行(think → act → refine)。

优劣势:

优点:自主 Agent 能力最强、MCP 生态最丰富、内置工具齐、钩子体系完整;
缺点:Anthropic/Claude 优先(换模型体验降级);Python 与 TS SDK 分开维护;
0.x 版本,定价与产品方向偶有调整。

适用:编码 Agent、系统级访问、长文档分析、需要深度 MCP 的自主任务。

7. 其它值得知道的名字

框架	一句话
LlamaIndex	RAG/数据框架之王,Agent 组件(Workflows)适合构建检索型 Agent
Semantic Kernel	微软的 SDK(并入 Agent Framework),强调规划器与 .NET 生态
Google ADK(Agent Development Kit)	Google 官方,协议覆盖最全(MCP/A2A/ACP),多模型
Haystack	NLP 管线框架,Agent 部分偏检索问答
Smolagents	HuggingFace,代码优先(Agent 用代码行动而非 JSON 调用)
PydanticAI	Pydantic 团队,类型安全、结构化输出为第一公民
AG2(前 AutoGen)	见 §4
Coze / Dify	低代码/可视化 Agent 平台,非程序员适用

8. 横向对比(2026 视角)

维度	LangGraph	CrewAI	OpenAI SDK	Claude SDK
核心抽象	状态图	角色团队	Agent 循环 + handoff	Agent 循环 + 内置工具
学习曲线	陡	最平	平	平
控制精度	最高	中	中	中高
状态/检查点	强	弱	中	中
MCP 支持	有	有	有	最全
A2A 支持	部分	原生	部分	无
模型绑定	无	无	OpenAI 优先	Claude 优先
生产成熟度	高	中	中	中
调试可观测	LangSmith	一般	内置 tracing	内置
最适用	复杂工作流	快速原型	OpenAI 生产	自主 Agent

一个「坏消息」:2026 年的共识是 没有框架在所有维度赢 。 LangGraph 赢生产编排、Claude SDK 赢自主深度、CrewAI 赢易用、OpenAI SDK 赢护栏。「记忆」是所有框架的普遍短板------没有一个具备生产级长程记忆 + 语义检索 + 自动整理。而「上下文工程」(预算 / 缓存 / 压缩,第 05 章)恰恰是框架不帮你做的事------ 框架给你循环与编排,但「怎么把信息装进上下文」仍是你自己的责任。

9. 怎么选:一个决策框架

选择框架前,先回答五个问题:

你的流程是确定还是不确定?
- 确定 → 用 Workflow 或 LangGraph 的显式图;
- 不确定 → 用 Agent 循环型框架。
是否绑定某家模型?
- 是 → 用该家官方 SDK;
- 否 → LangGraph / CrewAI 等模型无关框架。
需要人工审批 / 审计 / 断点续跑吗?
- 需要 → LangGraph(检查点是杀手锏)。
任务的失败模式是什么?
- 静默失败(结果错但看起来对)→ 需要显式状态 + 追踪 → LangGraph;
- 噪音失败(循环、报错)→ 需要 harness 的停止条件 + 沙箱 → 官方 SDK。
团队规模与迭代速度?
- 小团队快速验证 → CrewAI / 官方 SDK;
- 大团队复杂系统 → LangGraph + 内部封装。

再补一条被反复验证的经验:

别为「多 Agent」而多 Agent。 很多「多 Agent 需求」用「单 Agent + 好工具」就能解决,而且更便宜、更可靠。先单后多,用评测数据驱动升级。

9.1 三个选型案例(把决策框架用起来)

案例一:企业内部知识库问答 + 客服。

需求:确定性高(查文档、走工单)、需要审计、要人工审批退换货;
决策:流程大部分确定 → LangGraph(显式图 + 检查点 + interrupt 审批);
理由:可审计、可断点续跑、人工介入原生支持。

案例二:已绑定 OpenAI 的创业公司,做一个代码审查 Agent。

需求:循环 + 护栏 + 快速上线;
决策:OpenAI Agents SDK;
理由:与 OpenAI 模型配合最佳、三层护栏开箱即用、内置追踪。

案例三:要接 MCP 生态的深度自主 Agent(写代码、操作文件)。

需求:自主规划、系统级工具、大量 MCP 服务器;
决策:Claude Agent SDK;
理由:MCP 生态最全、内置工具成熟、生命周期钩子利于治理。

三个案例的共同点:先列需求,再选框架,而不是先选框架再适配需求。 需求清单里最关键的三个问题永远是:确定还是不确定?绑不绑模型? 要不要审计/人工介入?

10. 与 mini-agent 的关系

mini-agent 不是要替代任何框架,而是剥掉封装让你看见本质:

框架抽象	mini-agent 对应	说明
LangGraph 的 State	`Message[]` + `AgentRunStats`	状态就是消息历史 + 统计
LangGraph 的节点/边	`run()` 循环 + 停止条件	循环是隐式图
CrewAI 的角色	`RoleAgent`(多智能体)	role 只是 system prompt + 工具集
OpenAI SDK 的 handoff	`MessageBus.send`(协作)	交接 = 传递任务上下文
OpenAI SDK 的 guardrails	`ToolRegistry` 校验 + 第 11 章护栏	入参校验 + 输出策略
Claude SDK 的内置工具	`createBuiltinTools`	工具是 Agent 能力边界
MCP 集成	`StdioMcpClient`	协议化工具接入

当你读完第 07 章、亲手实现一遍循环后,再看 LangGraph 的 StateGraph、 CrewAI 的 Crew、OpenAI 的 Runner,都会是「原来是这么回事」。

11. 本节要点

框架分四类:循环型 harness / 图式编排 / 多智能体 / 胶水库;
LangGraph:状态图 + 检查点,企业级复杂工作流的当前主流;
CrewAI:角色化团队,上手最快,适合原型与内容管线;
AutoGen 系:品牌分裂,历史贡献大,新项目谨慎;
OpenAI SDK:handoff + 三层护栏,适合 OpenAI 绑定的生产;
Claude SDK:自主 Agent + 深度 MCP + 生命周期钩子;
记忆是所有框架的短板;协议化(MCP/A2A)是 2026 的共同方向;
框架演化有规律:每次换代都在解决上一代的具体痛点(Chain 太静态→图; 集成太私有→协议;Agent 太弱智→深度自主);
选框架先回答「确定 vs 不确定」「绑不绑模型」「要不要审计」, 用案例验证决策(见 §9.1);
先单 Agent 后多 Agent,用评测驱动升级。

下一章进入本书的动手核心------从零实现一个工程化 AI Agent(mini-agent)。