主流框架对比

一句话定义：对比 LangChain/LangGraph、AutoGen、CrewAI、LlamaIndex 等主流 Agent 框架的特点与选型。

1. 框架全景

框架 出品 技术栈 特点 适合
LangGraph LangChain Python / TypeScript 显式状态图、可控循环 需精细流程控制
LangChain 社区 Python / TypeScript 生态最全、工具丰富 快速原型、通用
AutoGen 微软 Python / .NET 多 Agent 对话、可扩展 多 Agent 协作
CrewAI 社区 Python 角色化、易用 角色分工任务
LlamaIndex 社区 Python / TypeScript RAG 强、Agent 支持 知识密集 Agent
Pydantic AI 社区 Python 类型安全、结构化 生产、强校验
OpenAI Agents SDK OpenAI Python 官方、轻量 OpenAI 生态

2. 详细对比

LangGraph

  • 把 Agent 流程建模为状态图（节点+边），显式控制循环与分支。
  • 支持人在环上、持久化、子图。
  • 适合需精细流程控制与可观测的生产场景。
  • 学习曲线中等。

LangChain

  • 生态最全：工具、记忆、检索、模型适配最丰富。
  • Agent 抽象较老，复杂流程不如 LangGraph 可控。
  • 适合快速原型与通用集成。

AutoGen

  • 多 Agent 对话为核心，Agent 间自然语言通信。
  • 可扩展性强，支持人在环上。
  • 适合多 Agent 协作研究与实践。

CrewAI

  • 以"角色 + 任务 + 流程"组织，API 简洁。
  • 上手快，适合角色分工明确的任务。
  • 复杂流程控制不如 LangGraph。

LlamaIndex

  • RAG 能力强，Agent 与检索深度集成。
  • 适合知识密集型 Agent（文档问答、研究）。

3. 选型建议

需求 推荐
精细流程控制、生产 LangGraph
快速原型、通用 LangChain
多 Agent 协作 AutoGen / CrewAI
知识密集 LlamaIndex
类型安全生产 Pydantic AI
OpenAI 生态 OpenAI Agents SDK

4. 其他考量

  • 模型支持：是否支持多模型/本地模型。
  • 可观测：是否集成 LangSmith/Langfuse。
  • MCP 支持：能否消费 MCP Server。
  • 持久化：是否支持状态持久化与恢复。
  • 社区与文档：活跃度与文档质量。

5. 学习要点

  • 没有银弹，按需求选框架。
  • LangGraph 在可控性与生产化上最强。
  • 多 Agent 选 AutoGen/CrewAI，知识密集选 LlamaIndex。

6. 参考资料

  • 各框架官方文档
  • "Building Effective Agents"（Anthropic，对框架模式的分类）
  • 参考示例：demo/langChain_ts_agent