这篇文章讲什么

我花了很多时间分析 Claude Code 的源码。Claude Code 不是开源框架，但它的源码实现了一个完整的生产级 Agent 系统。对比 LangChain、AutoGen、CrewAI、LangGraph、OpenAI Agents SDK 之后，我发现无论你用哪个框架，有 6 个架构问题你绕不开。

这篇文章逐个分析这 6 个问题，每家的解法和取舍。

不想看分析的，直接去仓库拿完整教程：

• 6 大部分 24 章节完整教程
• 每个核心模块的完整 TypeScript 代码
• Mermaid 架构图 / 序列图 / 状态图
• 4 个从零构建的实战项目
• LangChain / AutoGen / CrewAI / LangGraph / OpenAI SDK 全维度对比

---

问题一：Agent 怎么定义？

每个框架都需要回答"什么是 Agent"。答案决定了整个系统的天花板。

Claude Code 的做法：预定义类型 + 自动选择

// Claude Code 内部通过 subagent_type 区分 Agent 角色： // - general-purpose：通用执行 // - explore：快速搜索和探索 // - plan：制定执行计划 // - verification：验证执行结果 // // Coordinator 根据请求复杂度自动选择 Agent 类型 // 用户不需要手动指定用哪个 Agent

CrewAI 的做法：角色描述驱动

from crewai import Agent agent = Agent( role="高级代码审查员", # 角色 goal="审查代码质量和安全性", # 目标 backstory="你有10年经验...", # 背景故事 tools=[code_search, file_read] )

LangGraph 的做法：状态图节点

graph = StateGraph(AgentState) graph.add_node("think", think_node) # 一个节点就是一个"Agent" graph.add_node("act", act_node) graph.add_conditional_edges("think", should_continue)

OpenAI Agents SDK 的做法：类 + Handoff

from agents import Agent triage = Agent(name="triage", handoffs=[billing_agent, tech_agent]) # triage 判断不了的问题，通过 handoff 转交给专门 Agent

框架	Agent 定义方式	灵活性	上手难度
Claude Code	预定义类型枚举	低（但够用）	零（自动选择）
CrewAI	角色描述	高	低
LangGraph	图节点函数	最高	高
OpenAI SDK	类实例化	中	低
AutoGen 0.4	类实例化	中	中

我的观察： 大多数场景下，你不需要无限灵活的 Agent 定义。Claude Code 的"预定义类型 + 自动路由"反而最高效。如果你在构建特定领域的 Agent，建议走这条路。

---

问题二：工具怎么安全地调用？

Agent 需要调用外部工具（执行命令、读写文件、网络请求）。核心矛盾是：工具越强大，风险越高。

Claude Code 的做法：三层权限规则

这是 Claude Code 最值得学习的设计之一。源码中的权限体系：

// 每个工具执行前，经过三层规则检查： type ToolPermissionContext = { mode: PermissionMode, // 'default' | 'auto' | 'bypass' alwaysAllowRules: RulesBySource, // 自动放行（如：只读文件） alwaysDenyRules: RulesBySource, // 自动拒绝（如：rm -rf /） alwaysAskRules: RulesBySource, // 弹窗确认（如：执行bash） }

用户可以配置规则，比如"允许读取 .ts 文件但每次编辑都要确认"。

其他框架呢？

框架	工具权限	现状
Claude Code	三层规则 + 文件弹窗 + 命令过滤	生产级
LangChain	无	你需要自己实现
LangGraph	interrupt（人工中断）	仅支持暂停，无规则
CrewAI	无	你需要自己实现
OpenAI SDK	Guardrails（输入输出校验）	有，但不是权限控制
AutoGen	无	你需要自己实现

这是目前 Agent 框架最大的短板。 如果你做的是生产系统，必须自己实现权限层。建议参考 Claude Code 的三层规则：

alwaysAllow → 匹配规则的操作直接放行（低风险操作） alwaysAsk → 匹配规则的操作弹窗确认（中风险操作） alwaysDeny → 匹配规则的操作直接拒绝（高风险操作）

---

问题三：请求怎么变成一步步的操作？

用户一句"帮我重构这个模块"，Agent 需要分解成多个步骤执行。

Claude Code 的做法：按复杂度自动选策略

用户请求 → Coordinator 分析复杂度 ├── 简单 → 单 Agent 直接执行 ├── 中等 → 工具链顺序执行（glob → read → analyze → edit） └── 复杂 → 多 Agent 层级协作（explore → plan → execute）

源码中定义了 7 种任务类型，每种对应不同的执行器：

type TaskType = | 'local_bash' // Shell 命令 | 'local_agent' // 子 Agent | 'remote_agent' // 远程 Agent | 'in_process_teammate' // 进程内协作 | 'local_workflow' // 工作流 | 'monitor_mcp' // MCP 监控 | 'dream' // 后台异步

LangGraph 的做法：开发者画状态图

graph = StateGraph(State) graph.add_node("analyze", analyze) graph.add_node("search", search) graph.add_node("refactor", refactor) graph.add_node("verify", verify) graph.add_conditional_edges("analyze", route_by_complexity) graph.add_edge("search", "refactor") graph.add_edge("refactor", "verify")

CrewAI 的做法：角色分工 + 流程编排

crew = Crew( agents=[explorer, coder, reviewer], tasks=[explore_task, refactor_task, review_task], process=Process.hierarchical # 或 sequential )

四种编排范式对比：

编排范式	代表	优势	劣势	适合场景
自动路由	Claude Code	零配置，智能选择	不够灵活	通用 Agent
状态图	LangGraph	完全可控、可持久化	学习成本高	复杂工作流
角色流水线	CrewAI	直观易懂	灵活性差	内容生产
对话轮次	AutoGen	自然协作	难以预测	多视角讨论

---

问题四：多个 Agent 怎么协作？

Claude Code：层级嵌套

主 Agent 通过调用 AgentTool 启动子 Agent，子 Agent 还可以再启动孙 Agent，形成树状结构。源码中有两种执行后端：

• PaneBackendExecutor：每个 Agent 在独立终端面板运行
• InProcessBackend：轻量级进程内运行

OpenAI Agents SDK：Handoff 转交

triage = Agent(name="triage", handoffs=[billing, tech_support]) # triage 判断后，将对话转给专门 Agent

AutoGen：对话接力

team = RoundRobinGroupChat(participants=[coder, reviewer]) # 像开会一样轮流发言

协作模式选择指南：

你的场景是？ ├── 父子任务分解 → Claude Code 的层级嵌套 ├── 客服路由 → OpenAI SDK 的 Handoff ├── 多视角讨论 → AutoGen 的 GroupChat └── 流水线生产 → CrewAI 的 Crew

---

问题五：状态怎么不丢？

Agent 执行到一半崩了怎么办？对话历史太长怎么办？

Claude Code 的做法：

• 每个任务有独立的 outputFile，结果实时写入磁盘
• sessionRestore.ts 支持会话中断后恢复
• 自动压缩上下文窗口，避免 Token 溢出

LangGraph 的做法：

# Checkpointer 持久化状态图执行进度 app = graph.compile(checkpointer=SqliteSaver(conn)) # 崩溃后可以从上次 checkpoint 恢复

其他框架基本上没有原生的状态持久化。CrewAI 和 AutoGen 的 Agent 执行如果中断，只能从头来。

---

问题六：工具协议怎么统一？

各家框架的工具定义不互通，但 MCP（Model Context Protocol） 正在改变这个局面。

MCP 是 Anthropic 推动的开放标准，定义了 Agent 和工具服务器之间的通信协议。Claude Code 原生支持，OpenAI Agents SDK 在 2025 年也加入了支持。

这意味着你可以：

• 用 MCP 协议写一次工具服务器
• 在 Claude Code、OpenAI SDK、任何支持 MCP 的框架中使用
• 运行时动态连接/断开工具服务器

如果你在选工具协议，MCP 是当前最值得投的方向。

---

我的建议：构建自己 Agent 系统的务实路径

与其纠结选哪个框架，不如：

你的 Agent 系统 = LangGraph（编排） + MCP（工具协议） + 自研权限层（参考 Claude Code 三层规则）

1. 用 LangGraph 定义工作流 — 状态图是最灵活的编排范式
2. 用 MCP 连接工具 — 正在成为跨框架标准
3. 自研权限体系 — 借鉴 Claude Code，所有框架都缺这个
4. 自研上下文管理 — 参考 Claude Code 的自动压缩和会话恢复