每次都要处理对话历史、管理工具调用、实现记忆系统、处理错误重试……这些都是通用需求，为什么要反复造轮子？

这就是Agent框架存在的意义。

2025年底，LangChain在其《State of Agent Engineering》（链接：https://www.langchain.com/state-of-agent-engineering）报告中披露：超过半数的企业已经把Agent部署到了生产环境，而在这些生产系统中，大部分使用了成熟的Agent框架。

更有意思的是，2025-2026年出现了一个明显的趋势：每个大厂都推出了自己的Agent框架。OpenAI发布了Agents SDK，Google推出了ADK（Agent Development Kit），Anthropic发布了Claude Agent SDK（专为代码执行类Agent设计），微软有Semantic Kernel和AG2（原AutoGen的社区分支），连HuggingFace也推出了Smolagents。

这说明Agent开发已经从"探索阶段"全面进入了"工程化阶段"。框架的作用不再只是"方便开发"，而是"保证质量、提升效率、降低成本"。

由于篇幅原因，本篇文章分为上下两篇：

• 上篇（本文）：2026年框架格局全景 + LangChain/LangGraph详解

• 下篇：CrewAI、AutoGPT等框架 + 框架选择指南

2026年的Agent框架格局

先看一张全景图。根据2026年2月的统计数据，主流Agent框架的生态是这样的：

说明：本文主要介绍开源框架，这些框架代码公开、社区活跃、可自由使用和修改。商业/闭源框架会在后面单独简要介绍。

第一梯队：通用Agent开发框架（构建Agent的SDK）

这类框架是用来写Agent代码的核心SDK，适合大部分开发场景。

框架	GitHub星标	核心特点	最适合的场景
LangChain + LangGraph	128K + 25K	生态最完整，图结构编排	快速原型开发、复杂工作流、状态机
CrewAI	44.8K	多Agent协作，角色分工	团队协作场景、复杂项目
Smolagents	25.7K	HuggingFace出品，代码优先	开源模型集成
PydanticAI	15K	类型安全，像FastAPI	Python开发者友好、结构化输出
AG2	4.2K	AutoGen社区版，对话驱动	企业级多Agent系统

注意：2024年11月，原微软AutoGen项目演变为社区驱动的AG2项目，采用Apache 2.0开源协议。微软同时发布了新的 microsoft/agent-framework 作为企业级方案。

第二梯队：专用Agent框架（特定场景优化）

这类框架针对特定场景深度优化，在各自领域比通用框架更强。

框架	GitHub星标	核心特点	最适合的场景
browser-use	79K	浏览器自动化，让AI操作网页	Web操作、表单填写、数据抓取
mem0	48K	轻量级Agent记忆层	为任意Agent添加长期记忆
LlamaIndex	47.2K	专注数据处理和RAG	知识库问答、文档分析
Letta	21.2K	原MemGPT，长期记忆优先	需要跨会话记忆的Agent

第三梯队：Agent基础设施（运行时/工具平台）

这类不是用来写Agent的SDK，而是Agent的运行环境和工具生态。

框架	GitHub星标	核心特点	最适合的场景
Agno (AgentOS)	38.2K	Agent运行时、隔离、治理、追踪	生产级Agent部署和管理
Composio	27.2K	1000+工具集成、统一认证、沙箱	快速接入外部服务（Gmail/Slack/GitHub等）

第四梯队：自主Agent / 实验性项目

这类框架探索完全自主的Agent，给一个目标让Agent自己规划执行。Stars很高但生产环境需谨慎。

框架	GitHub星标	核心特点	最适合的场景
AutoGPT	182K	已转型为可视化平台	长时间自主任务、探索性研究
BabyAGI	22.1K	任务分解循环	简单的自主任务

商业/闭源框架（简要介绍）

除了开源框架，各大AI厂商也推出了自己的Agent SDK，通常与其云服务深度绑定：

框架	厂商	核心特点	适用场景
Agents SDK	OpenAI	与GPT模型深度集成，内置代码解释器、文件检索等工具	已使用OpenAI API的项目，追求开箱即用
ADK (Agent Development Kit)	Google	支持Gemini模型，图结构编排，与Google Cloud集成	Google生态用户，需要多模态能力
Claude Agent SDK	Anthropic	专为代码执行类Agent设计，强调安全性和可控性	代码生成、自动化编程场景
Semantic Kernel	Microsoft	企业级SDK，支持C#/Python/Java，与Azure集成	企业级应用，多语言团队
Bedrock Agents	AWS	托管服务，与AWS生态（S3、Lambda等）无缝集成	AWS用户，需要serverless部署

商业框架的优势：

• 与自家模型深度优化，调用更简单

• 通常提供托管服务，无需自己部署基础设施

• 企业级支持和SLA保障

商业框架的局限：

• 通常绑定特定模型或云服务，迁移成本高

• 定制灵活度不如开源框架

• 需要付费，成本可能较高

本文的选择：考虑到学习目的和通用性，后续章节将聚焦开源框架的详细讲解。掌握开源框架后，商业框架的使用会非常简单——它们的核心概念是相通的。

一个关键趋势：2026年的框架都在往图结构编排方向走。LangGraph、Google ADK都采用了有向图来管理Agent的状态和流程，这比2024年流行的"链式调用"更灵活、更可控。

另一个爆发点：浏览器自动化Agent。browser-use在2025年底爆火，短短几个月从0涨到79K stars。原因很简单——让AI像人一样操作网页是最直接、最有商业价值的应用场景。

与此同时，基于Agent技术的产品也在爆发，如OpenClaw（23万+ stars）等，标志着Agent正在从开发框架走向终端用户产品。

技术细节：OpenClaw 底层使用的是 Pi (pi-mono) 这个轻量级 Agent 运行时引擎，由 Mario Zechner 开发。Pi 专注于 Agent 循环执行、工具调用流式处理和 RPC 通信，是专门为 OpenClaw 设计的。后面会单独介绍OpenClaw的Agent 运行时引擎 Pi。

LangChain：最该先学的框架

为什么先讲LangChain？因为它是目前生态最完整、用户最多、资料最丰富的框架。128K的GitHub星标不是白来的。

LangChain的三大优势：

1. 工具集成丰富：内置了几百个工具集成，从搜索引擎到数据库到API，开箱即用

2. 文档和社区完善：遇到问题基本都能搜到解决方案

3. 学习曲线友好：概念清晰，从简单到复杂都能覆盖

快速上手

# 安装核心库（建议升级到最新版）
pip install --upgrade langchain langchain-core

# 安装Ollama集成（必需）
pip install langchain-ollama

# 注意：本文使用LangChain 1.0+的新版API
# 如果遇到导入错误，请确保版本正确：pip list | grep langchain

一个最简单的例子

先看一个完整的例子，然后我们拆开讲。这个Agent能做两件事：计算数学题、搜索信息（模拟）。

创建 examples/09_langchain_ollama.py:

"""
LangChain Agent示例 - 使用Ollama
前面我们自己写了Agent，现在看看用框架有多简单
注意：需要先安装 langchain-ollama: pip install langchain-ollama
"""
from langchain_ollama import ChatOllama
from langchain.agents import create_agent
from langchain_core.tools import tool


# 使用@tool装饰器定义工具（推荐方式）
@tool
def calculator(expression: str) -> str:
    """用于数学计算。输入应该是数学表达式，如'2+2'或'10*5'"""
    try:
        result = eval(expression)
        returnf"计算结果: {result}"
    except Exception as e:
        returnf"计算错误: {str(e)}"


@tool
def search_web(query: str) -> str:
    """用于搜索信息。输入应该是搜索查询"""
    returnf"搜索'{query}'的结果: [AI Agent在2026年已广泛应用，57%企业已部署到生产环境]"


# 初始化Ollama LLM
print("初始化Ollama...")
llm = ChatOllama(
    model="qwen3:latest",
    base_url="http://localhost:11434",
    temperature=0
)
print("✅ Ollama初始化完成\n")

# 创建工具列表
tools = [calculator, search_web]

# 使用新版API创建Agent (自动配置工具调用循环)
print("创建Agent...")
agent = create_agent(
    model=llm,
    tools=tools,
    system_prompt="你是一个有帮助的AI助手。使用提供的工具来准确回答问题。"
)
print("✅ Agent创建完成\n")

# 使用示例
if __name__ == "__main__":
    print("="*60)
    print("LangChain Agent示例")
    print("="*60)
    
    # 测试1: 数学计算
    print("\n测试1: 数学计算")
    print("-"*60)
    result1 = agent.invoke({
        "messages": [{"role": "user", "content": "计算 (25 + 17) * 3"}]
    })
    # 获取最后一条消息
    final_message = result1["messages"][-1]
    print(f"\n✅ 结果: {final_message.content}")
    
    # 测试2: 搜索
    print("\n" + "="*60)
    print("测试2: 搜索")
    print("-"*60)
    result2 = agent.invoke({
        "messages": [{"role": "user", "content": "搜索AI Agent的最新发展"}]
    })
    # 获取最后一条消息
    final_message = result2["messages"][-1]
    print(f"\n✅ 结果: {final_message.content}")
    
    print("\n" + "="*60)
    print("测试完成!")
    print("="*60)

这段代码做了什么？

1. 定义工具：使用@tool装饰器定义工具，比传统的Tool类更简洁

2. 初始化LLM：使用ChatOllama连接本地Ollama服务（比Ollama更轻量，启动更快）

3. 创建Agent：使用create_agent()一行代码创建完整的Agent，返回一个LangGraph图对象，自动配置工具调用循环

4. 执行任务：调用invoke()并传入消息格式，框架自动处理工具调用、状态管理

对比一下：如果自己写，这些逻辑至少要50行代码。用LangChain，核心逻辑不到15行。

带记忆的Agent

上一篇我们花了很大篇幅讲记忆系统。在LangChain的新版API里，记忆功能通过checkpointer实现：

"""
LangChain带记忆的Agent - 记住用户说过的话
"""
from langchain_ollama import ChatOllama
from langchain.agents import create_agent
from langchain_core.tools import tool
from langgraph.checkpoint.memory import MemorySaver


# 定义工具（同上）
@tool
def calculator(expression: str) -> str:
    """用于数学计算"""
    try:
        returnf"计算结果: {eval(expression)}"
    except Exception as e:
        returnf"计算错误: {str(e)}"


# 初始化LLM
llm = ChatOllama(model="qwen3:latest", base_url="http://localhost:11434")

# 创建带记忆的Agent（使用checkpointer）
memory = MemorySaver()
agent_with_memory = create_agent(
    model=llm,
    tools=[calculator],
    checkpointer=memory,  # 添加记忆功能
    system_prompt="你是一个有帮助的AI助手。"
)

# 使用示例
if __name__ == "__main__":
    print("\n带记忆的对话:")
    
    # 配置会话ID（同一个thread_id的对话会共享记忆）
    config = {"configurable": {"thread_id": "conversation-1"}}
    
    # 对话1
    result1 = agent_with_memory.invoke({
        "messages": [{"role": "user", "content": "我叫小明"}]
    }, config)
    print(f"回复1: {result1['messages'][-1].content}")
    
    # 对话2（Agent会记住之前的对话）
    result2 = agent_with_memory.invoke({
        "messages": [{"role": "user", "content": "我的名字是什么？"}]
    }, config)
    print(f"回复2: {result2['messages'][-1].content}")

关键点：

• 使用 MemorySaver() 作为 checkpointer 来保存对话状态

• 通过 thread_id 区分不同的对话会话

• 同一个 thread_id 的对话会自动共享历史记忆

LangGraph：复杂工作流的利器

前面我们用的 create_agent() 其实底层就是用 LangGraph 实现的。LangGraph 是 LangChain 生态中专门用于构建复杂状态机和工作流的框架。

为什么需要 LangGraph？

简单的 Agent 用 create_agent() 就够了，但当你需要：

• 明确控制 Agent 的执行流程

• 实现条件分支（if-else 逻辑）

• 多个 Agent 按特定顺序协作

• 人工审核节点（human-in-the-loop）

这时候就需要 LangGraph 了。它让你用图结构来编排 Agent 的行为。

一个简单的审批工作流

假设我们要实现一个需要人工审批的 Agent：先让 Agent 生成方案，然后人工审批，通过后才执行。

"""
LangGraph 审批工作流示例
演示如何用图结构控制 Agent 流程
"""
from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage, AIMessage
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.checkpoint.memory import MemorySaver


# 定义 Agent 节点
def agent_node(state: MessagesState):
    """Agent 生成方案"""
    llm = ChatOllama(model="qwen3:latest", base_url="http://localhost:11434")
    
    # 获取用户请求
    user_message = state["messages"][-1].content
    
    # 生成方案
    response = llm.invoke([
        {"role": "system", "content": "你是一个助手，为用户生成解决方案。"},
        {"role": "user", "content": user_message}
    ])
    
    return {"messages": [AIMessage(content=f"方案：{response.content}")]}


def approval_node(state: MessagesState):
    """人工审批节点"""
    print("\n" + "="*60)
    print("等待审批...")
    print("方案内容：", state["messages"][-1].content)
    print("="*60)
    
    # 模拟人工审批（实际应用中这里会暂停等待用户输入）
    approval = input("是否批准？(y/n): ")
    
    if approval.lower() == 'y':
        return {"messages": [AIMessage(content="✅ 方案已批准，开始执行")]}
    else:
        return {"messages": [AIMessage(content="❌ 方案被拒绝，请重新生成")]}


def should_continue(state: MessagesState) -> str:
    """决定下一步：批准则结束，拒绝则重新生成"""
    last_message = state["messages"][-1].content
    
    if"已批准"in last_message:
        return"end"
    else:
        return"regenerate"


# 构建工作流图
workflow = StateGraph(MessagesState)

# 添加节点
workflow.add_node("agent", agent_node)
workflow.add_node("approval", approval_node)

# 定义流程
workflow.add_edge(START, "agent")           # 开始 → Agent生成方案
workflow.add_edge("agent", "approval")      # Agent → 审批
workflow.add_conditional_edges(
    "approval",                              # 审批后的分支
    should_continue,
    {
        "end": END,                          # 批准 → 结束
        "regenerate": "agent"                # 拒绝 → 重新生成
    }
)

# 编译图
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)

# 使用示例
if __name__ == "__main__":
    print("LangGraph 审批工作流示例")
    print("="*60)
    
    config = {"configurable": {"thread_id": "workflow-1"}}
    
    # 发起请求
    result = app.invoke({
        "messages": [HumanMessage(content="帮我制定一个学习Python的计划")]
    }, config)
    
    print("\n最终结果：")
    for msg in result["messages"]:
        print(f"{msg.__class__.__name__}: {msg.content}")

这个例子展示了什么？

1. 图结构：用节点（agent、approval）和边（箭头）定义流程

2. 条件分支：add_conditional_edges 实现 if-else 逻辑

3. 循环流程：拒绝后可以回到 agent 节点重新生成

4. 状态管理：MessagesState 自动管理消息历史

什么时候用 LangGraph？

• ✅ 需要多个 Agent 按特定顺序执行

• ✅ 需要条件分支和循环

• ✅ 需要人工审核节点

• ✅ 需要精确控制每一步的执行逻辑

• ❌ 简单的工具调用（用 create_agent 更简单）

本篇小结

本篇我们了解了2026年Agent框架的四大类型：

1. 通用SDK：LangChain、CrewAI、AG2等，用于编写Agent代码

2. 专用框架：browser-use、LlamaIndex、Letta，针对特定场景优化

3. 基础设施：Agno、Composio，提供运行时和工具生态

4. 实验性项目：AutoGPT、BabyAGI，探索自主Agent

也简要介绍了目前商业Agent框架。

并详细学习了LangChain生态：

• LangChain：最该先学的框架，生态完整、上手友好

• LangGraph：复杂工作流的利器，用图结构编排Agent行为

下篇：我们将继续学习CrewAI（多Agent协作）、AutoGPT（自主规划），以及最重要的——如何选择适合你的框架。

---

📚 本篇相关资源

LangChain 生态

• LangChain 官方文档（https://python.langchain.com/）

• LangChain GitHub （https://github.com/langchain-ai/langchain）

• LangGraph 官方文档（https://langchain-ai.github.io/langgraph/）

• LangGraph GitHub （https://github.com/langchain-ai/langgraph）

• LangSmith 平台 （https://smith.langchain.com/）

最后

从0到1！大模型(LLM)最全学习路线图，建议收藏！

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取