未记录事实核验 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

warning 适用范围与待维护事项

本文用于具备 Python、LLM 工具调用及工作流开发经验的读者初筛 Agent 框架，不是生产选型验收结论。全景表的星级和适用性属于原稿选型意见，缺少统一评价依据；AutoGen 版本表述经修正不等于兼容性已核验。CrewAI 与 LangChain 工具复用、LangGraph 与 CrewAI 组合均需按锁定版本验证接口和运行行为。人工审批及 Checkpoint 不替代权限控制、安全隔离、恢复测试和运行评估；落地前应补充这些验证。

AI Agent 框架选型指南

框架是乐高积木，Agent 是你要搭的城堡。选错积木，城堡怎么也搭不稳。

工具层永远是从"知道有这个东西"到"能用它干活"之间最难跨越的一步。AI Agent 这个方向尤甚——概念层的内容已经够多了，但真正坐下来写代码时，摆在你面前的是五六个框架，每个都说自己最好，你不知道从哪里下手。

这篇文档的目的很简单：帮你在 15 分钟内搞清楚选哪个框架，以及为什么。

2025 年主流框架全景

框架	定位	最适合	不适合	成熟度
LangChain	通用 LLM 应用框架	快速原型、工具链组装	复杂状态管理	⭐⭐⭐⭐⭐
LangGraph	有状态 Agent 工作流（LangChain 子项目）	复杂多步骤、需要人工审批的 Agent	简单线性流程	⭐⭐⭐⭐
CrewAI	多角色协作 Agent	角色分工明确的团队协作场景	单 Agent 简单任务	⭐⭐⭐⭐
AutoGen（微软）	对话式多 Agent	研究型、对话驱动的 Agent	生产级稳定性要求高的场景	⭐⭐⭐
Agno（前 Phidata）	轻量级 Agent 框架	快速构建单 Agent	复杂协作	⭐⭐⭐

note 关于 AutoGen

使用 AutoGen 教程时，应核对其对应的版本和 API（包括 AgentChat API），不能仅凭旧教程的写法判断当前版本是否适用。本文入门路线优先介绍 LangGraph 和 CrewAI；这属于学习路径建议，不代表两者的社区活跃度或文档完整性已经过比较核验。

选型决策树

先问自己三个问题，答案决定你的框架选择。

%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TD
    A[我要构建 AI Agent] --> B{需要多个 Agent<br/>协作吗？}
    B -- 否 --> C{工作流有循环/<br/>条件分支吗？}
    B -- 是 --> D{角色分工<br/>清晰吗？}

    C -- 否 --> E[LangChain 足够<br/>简单 Chain 或单 Agent]
    C -- 是 --> F{需要人工审批/<br/>断点恢复吗？}

    F -- 否 --> G[LangGraph<br/>轻量图模式]
    F -- 是 --> H[LangGraph<br/>+ Checkpoint 持久化]

    D -- 是 --> I{团队熟悉<br/>LangChain 吗？}
    D -- 否 --> J[LangGraph<br/>动态任务分配]

    I -- 是 --> K[CrewAI<br/>可与 LangChain 工具复用]
    I -- 否 --> L[CrewAI<br/>独立生态，上手更快]

    style H fill:#4a9eff,color:#fff
    style K fill:#22c55e,color:#fff
    style G fill:#4a9eff,color:#fff
    style L fill:#22c55e,color:#fff

数据工程师的推荐路线

如果你是数据工程师（而不是全栈 AI 工程师），推荐路线是：

LangGraph 优先，CrewAI 作为补充。

原因很直接：数据工作流天然有状态。

一个典型的数据分析 Agent 要做的事是这样的：

理解用户需求
生成 SQL
执行 SQL，获取结果
判断结果是否足够（不够就回到第 2 步补查）
生成分析报告
等待用户审核（人工审批节点）
输出最终结果

这个流程有循环（第 4 步可能多次触发）、有条件分支（够了和不够走不同路径）、有人工介入点（第 6 步）。这三个特征加在一起，就是 LangGraph 的主场。

CrewAI 适合的场景是"角色分工清晰的团队任务"——比如：数据采集 Agent + 数据分析 Agent + 报告撰写 Agent 三者各司其职，输出是一篇竞品分析报告。这种场景用 CrewAI 写起来非常自然。

tip 学习路径建议

先把 LangGraph实战通读一遍，跑通核心案例
再看 CrewAI实战，理解多角色协作的思路
工具开发参考 Agent工具开发规范
理论基础回溯 AI Agent智能体概述

2026补充：框架之外还要理解协议

框架解决“Agent 内部怎么编排”，协议解决“Agent 怎么连接外部世界”。如果要进入企业级生产环境，建议补两条线：

A2A协议与MCP分工：理解 Agent 与工具、Agent 与 Agent 的接口边界。
企业级Agent控制平面：理解注册、策略、运行、观测、评估、审计这些生产化能力。
Agent安全与沙箱执行：理解为什么 Agent 运行时必须有沙箱和权限边界。

tip 新判断

2026 年学 Agent，不能只学 LangGraph、CrewAI 这类框架。框架是“写法”，协议和控制平面才是“生产系统”。

框架选型的常见误区

误区一：用最新的就是最好的

AutoGen、Agno 等框架的关注度不能替代生产环境所需的稳定性和可调试性验证。本文优先推荐 LangGraph 和 CrewAI 作为候选，但未提供统一版本范围和比较测试，不能据此认定它们在这两点上必然更成熟。

误区二：框架越复杂，Agent 越强

框架只是胶水。Agent 的实际能力取决于：底层 LLM 的能力 + 工具设计的质量 + 提示词的质量。选了 LangGraph 但工具写得一塌糊涂，Agent 照样干不了活。工具开发见 Agent工具开发规范。

误区三：一套框架解决所有问题

现实项目里，LangGraph 和 CrewAI 可以共存——用 LangGraph 控制整体流程，在某些节点内部用 CrewAI 协调子团队。框架不是信仰，是工具。

快速参考

我的需求	推荐框架
快速验证一个想法	LangChain
需要循环、条件分支的工作流	LangGraph
需要人工审批节点	LangGraph + Checkpoint
多个角色协作完成一个项目	CrewAI
复杂工作流 + 角色协作	LangGraph（主流程）+ CrewAI（子团队）
极简单的单次问答增强	LangChain 或直接调用 API