AI Knowledge Base

Appearance

Agent 框架对比 ​

AI Agent 是 2025-2026 年最热的 AI 应用形态。本页对比面向开发者的主流 Agent 开发框架——从简单的 ReAct 循环到复杂的多 Agent 协作系统，帮助你根据团队技术栈、工程复杂度和部署需求做出选型。

概览 ​

框架定位开源主要语言学习曲线核心场景
LangGraph有状态图编排框架开源 (MIT)Python / TS陪陡复杂工作流、多 Agent 协作
LlamaIndex数据增强 / RAG 框架开源 (MIT)Python中等知识库、检索增强
CrewAI多 Agent 角色协作框架开源 (MIT)Python低团队工作流、内容生成
AutoGen多 Agent 对话 runtime开源 (MIT)Python中等研究型多 Agent、代码协作
OpenAI Agents SDKOpenAI 官方轻量 SDK开源 (MIT)Python低OpenAI 生态、快速上手
Google ADKGoogle / Gemini 开发工具包开源 (Apache 2.0)Python中等Vertex AI、企业云部署
Pydantic AIPython 强类型 Agent 框架开源 (MIT)Python低类型安全、可测试
Semantic KernelMicrosoft 企业编排 SDK开源 (MIT)Python / C# / Java险陡企业应用、Azure 生态
MastraTypeScript Agent / Workflow 框架开源 (MIT)TypeScript中等Node.js、Web SaaS
Agno轻量 Agent 框架开源 (MIT)Python低快速原型、轻量应用
DifyLLM 应用开发平台开源 (Apache 2.0)Python / TS低可视化编排、运营闭环
Coze低代码 Bot 平台闭源 (字节)无代码极低快速搭建、字节生态
n8n工作流 + AI 自动化开源 (Sustainable Use)TypeScript中等业务自动化、SaaS 集成

2026 框架版图更新 ​

2026 年的 Agent 框架已经从早期"自主 Agent demo"进入更务实的工程化阶段。对比重点不再只是"能否 ReAct、能否调用工具"，而是：

  • 状态与恢复：复杂任务是否支持 checkpoint、重试、回放和人工接管。
  • 工作流边界：是否能把 Agent 放进确定性 workflow，而不是完全放任模型自主行动。
  • 工具协议：MCP、函数调用、OpenAPI、内部 API 权限如何统一治理。
  • 可观测与评估：是否能追踪 token、latency、cost、tool call、失败样本和回归测试。
  • 部署与合规：是否支持自托管、私有模型、权限隔离、审计日志和敏感数据处理。
  • 团队工程栈：Python、TypeScript、.NET、低代码平台与现有云厂商生态是否匹配。

因此，今天更常见的选型不是"选一个万能框架"，而是组合：用 LangGraph / AutoGen / ADK 管复杂 Agent runtime，用 LlamaIndex 管 RAG 和数据层，用 Dify / n8n / Coze 做低代码业务交付，用 Pydantic AI / OpenAI Agents SDK / Mastra 提升特定技术栈下的工程体验。

技术选型决策表 ​

需求首选备选为什么
复杂状态、多步骤、可恢复 AgentLangGraphAutoGen、Google ADK、Semantic Kernel图 / runtime 抽象更适合 checkpoint、分支、循环和人工介入
企业知识库 / RAG AgentLlamaIndexLangGraph + LangChain、Dify数据连接、索引、检索、rerank 和知识工作流是核心能力
多 Agent 角色协作原型CrewAIAutoGen、LangGraph、Agno角色、任务、Crew 抽象直观，适合快速验证
多 Agent 对话和研究系统AutoGenLangGraph、CrewAI对话式多 Agent 协作范式成熟
OpenAI 官方生态OpenAI Agents SDKLangGraph、Pydantic AI官方 SDK 对 Responses API、tracing、guardrails、handoff 支持更直接
Gemini / Google CloudGoogle ADKVertex AI Agent Builder、LangGraph与 Gemini、Vertex AI、Google Cloud 部署评估链路更贴合
Python 类型安全Pydantic AILangGraph、LlamaIndex、Agno类型、依赖注入、结构化输出和测试体验更好
TypeScript / Node.jsMastraLangChain.js / LangGraph.js、n8n更贴近 Web 产品和 TS 工程栈
.NET / Azure 企业应用Semantic KernelAutoGen、Azure AI Agent Service插件化和微软生态集成更自然
低代码 LLM 应用DifyCoze、n8n知识库、Workflow、模型管理和运营闭环更完整
AI + 业务自动化n8nDify、LangGraphSaaS / Webhook / 数据库连接器是关键优势
快速 Bot 构建CozeDifyBot 发布、插件、知识库和中文业务场景上手快

对比详情 ​

LangChain / LangGraph ​

LangChain 是 Agent 框架的"瑞士军刀"：

  • LangChain Core：底层抽象（LCEL、Runnable、Tool）
  • LangChain Community：500+ 第三方集成
  • LangGraph：状态机驱动的多 Agent 工作流
  • LangSmith：可观测性和调试平台

优势：

  • 生态最完善，几乎所有 LLM 和工具都有集成
  • LangGraph 提供了灵活的状态机模型，适合复杂工作流
  • 社区活跃，文档丰富

劣势：

  • 抽象层级高，学习曲线险陡
  • 版本迭代快，API 变动频繁
  • 过度抽象导致简单任务也复杂

适用：需要高度定制化、复杂多步骤工作流、已有 Python 团队的项目。

LlamaIndex ​

LlamaIndex 从 RAG 出发，逐步扩展为数据增强的 Agent 框架：

  • 数据连接：100+ 数据源（PDF、SQL、Notion、Slack 等）
  • 索引与检索：多种索引策略（Vector、Tree、Keyword）
  • Agent：OpenAI Agent、ReAct Agent、自定义 Agent
  • Workflow：事件驱动的异步工作流

优势：

  • 数据摄取和索引能力最强
  • 与 RAG 深度整合，知识库场景首选
  • 工作流系统支持异步和事件驱动

劣势：

  • Agent 能力不如 LangChain 全面
  • 多 Agent 协作支持有限
  • 社区规模小于 LangChain

适用：以 RAG 为核心的 Agent、需要连接多种数据源的问答系统。

CrewAI ​

CrewAI 是专为多 Agent 协作设计的框架：

  • Agent：定义角色、目标、背景故事
  • Task：分配给特定 Agent 的任务
  • Crew：Agent 团队，按流程协作
  • Process：Sequential、Hierarchical、Consensual

优势：

  • 多 Agent 协作的抽象最自然（角色扮演模型）
  • 代码简洁，几行即可定义 Agent 团队
  • 适合模拟团队工作流（研究、写作、分析）

劣势：

  • 生态较小，工具集成有限
  • 复杂流程控制不如 LangGraph
  • 生产级可观测性较弱

适用：内容生成、研究分析、需要多个"专家"协作的场景。

Dify ​

Dify 是介于框架和 SaaS 之间的"LLM 应用开发平台"：

  • 可视化编排：拖拽式工作流设计
  • Prompt 管理：版本控制、A/B 测试
  • RAG：内置知识库和文档管理
  • Agent：ReAct、Function Calling、多 Agent
  • 运营：对话日志、标注、持续优化

优势：

  • 可视化降低开发门槛
  • 内置运营工具（日志、标注、优化）
  • 支持自托管，数据可控
  • 一次开发，多模型切换

劣势：

  • 深度定制受限（受限于平台能力）
  • 复杂逻辑的可视化编排可能混乱
  • 社区版功能有限

适用：快速构建和迭代 LLM 应用、需要运营闭环的团队、非纯技术团队。

n8n ​

n8n 从工作流自动化出发，加入 AI 节点：

  • 400+ 集成：数据库、SaaS、API、消息队列
  • AI 节点：LLM、向量存储、嵌入、工具调用
  • 自托管：数据完全可控
  • 可视化：拖拽式工作流设计

优势：

  • 与现有系统集成的能力最强
  • 自托管，隐私合规
  • 工作流 + AI 的混合场景完美契合

劣势：

  • 不是原生 Agent 框架，AI 能力相对基础
  • 复杂 Agent 逻辑（ReAct、规划）需手动实现
  • 多 Agent 协作不支持

适用：将 AI 能力嵌入现有业务流程、需要与大量 SaaS 集成的场景。

框架组合策略 ​

生产环境中，往往不是"选一个"，而是组合使用：

数据层：LlamaIndex（摄取 + 索引）
Agent 层：LangGraph（复杂工作流）或 CrewAI（多 Agent）
运营层：Dify（Prompt 管理 + 日志）或 LangSmith（可观测性）
集成层：n8n（与业务系统连接）

与 MCP 的关系 ​

MCP（Model Context Protocol）正在成为 Agent 与外部系统连接的标准。各框架对 MCP 的支持：

框架 / 平台MCP / 工具协议思路选型含义
LangGraph / LangChain可通过社区适配器、tool abstraction、OpenAPI / 自定义工具接入适合把 MCP 作为工具层，LangGraph 负责状态与流程
LlamaIndex更适合把 MCP 工具与 RAG / 数据连接器结合适合知识型 Agent 统一接入企业数据源
OpenAI Agents SDK强调官方 tool calling、handoff、guardrails、tracingOpenAI-first 团队可优先用官方工具协议，必要时桥接 MCP
Google ADK / Semantic Kernel更贴近各自云与企业插件生态云厂商生态内工具治理更顺，但需注意平台绑定
Dify / n8n / Coze通过平台内置插件、HTTP、Webhook 或自定义工具接入适合业务集成，复杂 Agent runtime 能力不应完全依赖低代码层

MCP 的普及会降低"工具接入数量"的差异，未来选框架更应看状态管理、可观测性、评估、部署治理和团队技术栈。

相关页面 ​

参考来源 ​

AI Knowledge Base — 持续积累

MIT License