前言

最近上面找事，可能有一些 Agent 开发的需求（成 AI 应用开发了😂），因此博主打算先了解下一些开源 Agent 框架，学习 UP 主 唐国梁Tommy 的 2026 AI Agent框架终极指南：从入门到生产部署的选型地图，10大框架五大范式，一期全讲透 视频，跟着 UP 一起来看下各个 Agent Framework 的优缺点，记录下个人学习笔记，和大家一起分享交流😄

video：2026 AI Agent框架终极指南：从入门到生产部署的选型地图，10大框架五大范式，一期全讲透

reference：https://chatgpt.com/

1. 本期内容概览

2024 年，GitHub 上超过 1000 stars 的 Agent 相关仓库从 14 个猛增到 89 个，增长 535%。那一年被称为 Agent 框架的寒武纪大爆发，几乎每周都有新框架横空出世，每个都号称自己是 “构建 AI Agent 的最佳方案”。

那你知道生物学上寒武纪之后发生了什么吗？大灭绝，物种数量急剧收缩，只有最适应环境的存活下来，到了 2026 年 3 月，Agent 框架的战场也走到了同样的拐点，优胜劣汰之后，十个主力玩家各自占据了清晰的生态位，今天这期内容我们就跟着 UP 主看清这十个框架背后的底层逻辑，它们各自的基因优势，以及最关键的在你的具体场景下到底该选谁。

先说三件正在重塑整个竞争格局的大事，第一件 MCP 标准化：

MCP 全称 Model Context Protocol，是 Anthropic 在 2024 年底提出的，定义了大模型跟外部工具和数据源交互的标准协议，你可以把它理解为 Agent 工具调用领域的 “USB 接口”。

在 MCP 出现之前，每个框架都有自己的工具接口定义方式，你在 LangChain 里写的工具搬到 CrewAI 里就得重写，到 2026 年 3 月，十个主流框架里至少八个已经原生支持 MCP：

这意味着什么？工具生态的壁垒正在消失，你用 MCP 标准封装的工具可以在几乎任何框架里直接用，选框架时，“它支持多少工具” 这个维度的权重在大幅下降，因为工具层已经被标准化抹平了。

第二件 A2A 协议的兴起：

A2A 全称 Agent-to-Agent Protocol，是 Google 在 2025 年提出的，定义的是不同框架构间的 Agent 之间怎么通信，如果说 MCP 解决的是 “Agent 怎么用工具”，那 A2A 解决的就是 “Agent 怎么跟 Agent 说话”，目前原生支持 A2A 的有 Microsoft Agent Framework、Google ADK 和 AgentScope，CrewAI 和 LangGraph 通过社区插件提供部分支持。

A2A 的普及速度不如 MCP，因为它的真正价值在于跨组织的 Agent 互操作，你们公司的 Agent 要跟合作伙伴的 Agent 协作，这需要更长的采纳周期，但方向是确定的，Agent 生态正在从 “框架孤岛” 走向 “互操作网络”。

第三件，Context Engineering 理念的普及，2025 年兴起了一个新共识：光做 Prompt Engineering 不够了，你得做 Context Engineering，精心管理送进大模型上下文窗口的信息质量和结构，这推动了框架在记忆压缩、上下文过滤、动态工具选择等方面的一轮创新潮。

这三件事加在一起，本质上是在重新定义一个好的 Agent 框架到底该长什么样，工具调用被 MCP 标准化了，AI 的通信被 A2A 标准化了，那框架之间真正的差异化竞争在哪里，答案是 架构范式和编排能力，这就引出了今天最核心的部分，五大架构范式的正面对决。

2. 第一种范式：图状态机（LangGraph）

第一种范式，图状态机，代表选手：LangGraph：

LangGraph 的哲学六个字概括，“少抽象，多控制”，它提供的核心原语极其精简：Node 节点、Edge 边、State 状态。

开发者用这三个积木自己搭出任意复杂的执行图，设计灵感来自 Google 的 Pregel 和 Apache Beam，LangGraph 不做任何架构决策，它不预设 Agent 应该怎么思考、怎么协作，你要自己设计状态模式、编排逻辑、错误处理，正如 LangChain 团队自己说的，“当我们必须在易用性和生产就绪性之间做取舍时，我们选择了生产就绪性”。

这意味着什么？灵活性拉满，学习曲线也拉满，根据实际反馈，有经验的团队也需要 2 到 3 周才能写出生产级的 LangGraph 代码，但回报也是最大的，内置 Checkpointer 支持状态持久化，可以做 “时间旅行”，回溯到任意历史状态调试，内置 interrupt 函数，可以在任意节点暂停执行等人工审批，恢复后从断点继续 token 级流式传输零额外开销。Klarna 用它构建客户服务 Agent，Vodafone 用它做数据工程 AI 助手，Replit 用它编排代码生成工作流。

在核心能力评分里，LangGraph 的多 Agent 编排生产部署成熟度、生态丰富程度、可观测性、灵活可定制性全部拿到了满分 5 分，唯一低分是上手难度只有 2 分。

3. 第二种范式：角色驱动（CrewAI）

如果 LangGraph 是 Agent 框架里的 Linux，强大但需要你懂，那第二种范式就是它的反面，角色驱动范式，代表选手 CrewAI：

CrewAI 的哲学更直觉，“像组建真实团队一样组建 Agent 团队”，每个 Agent 被赋予 Roll、Goal 和 Backstory，用自然语言就能定义一个有个性、有专长的 AI 角色，定义角色，分配任务，启动团队，三步搞定。

CrewAI 完全独立于 LangChain 从零构建，没有外部依赖，它提供 Crews 和 Agent 两种编排方式，Crews 强调自主协作，Agent 可以自主委派任务给同伴，Flows 提供事件驱动的精确控制路径。

47 万个 Github stars（截至 2026/3/28），超过 10 万开发者通过官方课程完成认证，上手难度评分是满分 5 分，但这种易用性是有代价的，核心框架版本号还是 0.x，API 变动频繁，底层控制力不如 LangGraph，复杂的条件分支和状态管理表达能力受限。

适合的场景很清晰，内容创作管线、市场调研、快速原型；不适合的场景也很清晰，需要极致状态控制的金融交易系统、需要精确错误恢复的长时间运行工作流。

4. 第三种范式：事件驱动（LlamaIndex/AgentScope）

讲完了两个极端，最硬核和最易用的，我们来看中间地带，第三种方式，事件驱动，代表选手：LlamaIndex 和 AgentScope。

LlamaIndex 的核心哲学是 “数据 Agent 智能的基石”，当其他框架都在卷编排和协作的时候，LlamaIndex 深耕的是数据连接，怎么把正确的数据在正确的时间以正确的格式送进大模型，它的数据层有 300 多个连接器，LlamaParse 文档解析引擎，支持 130 多种文件格式，包括复杂嵌套表格和手写笔记。

编排层用的是 Workflows 1.0 事件驱动、异步优先、步骤化执行，在数据密集型 Agent 这个垂直领域它的护城河深到几乎没有替代品。私募基金拿它处理复杂金融文档，保险公司拿它做保单分析，制造业拿它从技术规格书里自动提取洞察。

AgentScope 来自阿里巴巴通义实验室，它的核心理念是 “透明可控”，不同于其他框架试图隐藏复杂性，AgentScope 让每一个 prompt、每一次 API 调用、每一个决策步骤都对开发者可见。它有三个独特优势：内置模型微调支持，可以直接在框架内做 Agent 的强化学习微调，Python + Java 双版本，原生适配国内生态，通义千问、阿里云函数计算、钉钉。

5. 第四种范式：SDK封装（OpenAI Agents SDK/PydanticAI）

第四种范式 SDK 封装，代表选手：OpenAI Agents SDK 和 PydanticAI。

OpenAI Agent SDK 的整个框架只有三个核心概念：Agent、Handoff、Guardrail，Handoff 是它的核心创新，Agent 完成任务后可以把控制权移交给另一个更合适的 Agent，就像客服电话转接，上手门槛低到 5 行代码就能启动。

而且因为是 OpenAI 官方出品，跟 Responses API、微调、蒸馏工具链的集成是最原生的。它还有一个独特亮点，原生的 Realtime Voice Agents 支持，包括中断检测、实时流式语音，但缺点也很明显，缺乏持久化执行和检查点机制，编排模式有限，不支持并行和循环。

PydanticAI 走的是另一条路，类型安全，他的口号是 “把 FastAPI 的体验带给 Agent 开发”，所有输入输出通过 PydanticAI 模型验证，结构化输出自动解析，失败了自动重试，支持 25 个以上的模型提供商，切换大模型完全不需要重写业务逻辑。

它还内置了 TestModel 和 mock 工具，支持确定性测试，这在 CI/CD 管线里是救命功能，业内对 PydanticAI 评价很高，认为它可能成为 “类型安全 Agent 基础设施层” 的事实标准。

到这里，不管是 LangGraph 的图编排，CrewAI 的角色协作，还是 PydanticAI 的类型安全，你会发现一个共同前提，你得真正理解大模型本身是怎么工作的，RAG 怎么做，多模态怎么接，DeepSeek 这类国产模型怎么用到生产里，这些底层能力决定了你用任何框架的上限。

6. 第五种范式：低代码平台（Dify）

OK，我们继续，第五种范式，低代码平台，代表选手：Dify：

Dify 在 GitHub 上拥有 13 万多个 stars，全球排名第 51，这个数据是碾压性的，远超所有 “纯代码框架”，Dify 不是 Python 库，它是一个完整的 Web 平台，拖拽式工作流编辑器、模型管理、知识库管理、API 一键发布、日志监控全都在浏览器里操作，非技术人员也能构建复杂的 Agent 工作流。Maersk 全球航运巨头在用，Novartis 制药公司在用，2026 年 3 月刚完成 3000 万美元 Pre-A 轮融资，估值 1.8 亿美元。

它的核心价值不在于技术深度，而在于 “让 AI 应用开发民主化”，当然，灵活性是它最大的天花板，你受限于可视化编辑器的表达能力，复杂定制还是得降级到代码。

这五大范式讲完你会发现一个有趣的现象，它们不是在同一个维度上竞争的，LangGraph 赢在控制力，CrewAI 赢在易用性，LlamaIndex 赢在数据能力，PydanticAI 赢在类型安全，Dify 赢在低门槛，它们更像是生态位分化，而不是零和博弈。

7. 企业统一类框架（MS Agent/Google ADK）

但还有两个重量级选手我们还没聊，来自大厂的 “企业统一类” 框架 Microsoft Agent Framework：

它是 2025 年 10 月最重要的行业事件的产物，微软宣布合并 AutoGen 和 Semantic Kernel，AutoGen 是学术界最前沿的多 Agent 研究框架，5 万多个 stars，Semantic Kernel 是企业级稳定的 AI 编排引擎，2 万多个 stars。

合并后的新框架继承了两边的基因，AutoGen 的群聊、辩论、反思等先进多 Agent 模式，加上 Semantic Kernel 的企业级安全和遥测能力，它有三个独特优势，唯一同时原生支持 .NET 和 Python 的主流框架，原生支持 A2A、AG-GUI、MCP 三大标准，协议覆盖面是所有框架中最全的，与 Azure AI Foundry 深度集成，2026 年 2 月达到 Release Candidate 状态，GA 预计在 2026 年 Q1 末发布，对于 .NET 技术栈的企业来说，这几乎是唯一选择。

Google ADK 走的是多语言路线，同时覆盖 Python、TypeScript、Java，Go 也在开发中，这在主流框架中独一无二，它提供三类 Agent，LlmAgent 做智能推理，SequentialAgent、ParallelAgent、LoopAgent 做确定性编排，BaseAgent 做自定义扩展，与 Vertex AI 和 Cloud Run 的原生集成使它成为 Google Cloud 企业的自然选择，但框架本身还是 0.x 版本，社区规模远不及 LangChain，离开 Google 生态后灵活性明显下降。

8. 四步选型决策树

OK，十个框架的底层逻辑都摊开了，现在进入最实用的环节：选型决策，这里 UP 给了一套四步决策树，不需要记住每个框架的全部特性，只需要回答四个问题：

第一步，你的团队技术栈是什么？如果是 .NET 或 C# 直接选 Microsoft Agent Framework，没有第二选项，如果是 Java 看 Google ADK 或 AgentScope 的 Java 版，如果是 TypeScript 全栈，看 OpenAI Agents SDK 或 LangGraph.js，如果是多语言混合团队，Google ADK 覆盖面最广，纯 Python 团队选择最多，继续往下。

第二步，核心使用场景是什么？数据密集型 RAG 或文档问答，LlamaIndex 没有对手；角色化多 Agent 协作，CrewAI 最直观；复杂有状态工作流，LangGraph 是金标准；快速原型或 MVP，CrewAI或 OpenAI Agents SDK；上手最快，企业低代码 AI 平台 Dify；国内企业私有化部署 AgentScope 或 Dify。

第三步，部署在哪个云上？Azure 选 Microsoft Agent Framework，Google Cloud 选 Google ADK，阿里云选 AgentScope，自托管或私有化首选 Dify，没有特定偏好的话，根据场景选。

第四步，对大模型有偏好吗？深度依赖 OpenAI 生态选 OpenAI Agents SDK，依赖 Gemini 选Google ADK，用国内模型如通义千问或文心一言选 AgentScope 或 Dify，追求模型无关的最大灵活性，PydanticAI 支持 25 个以上提供商，切换零成本。

这四步走完，你的选择范围基本就缩到一两个了，还有一个很多人忽略的维度：成本。所有十个框架的核心代码都是开源免费的，但 “免费” 和 “生产可用” 之间有巨大的隐性成本差异，LangGraph 的生产部署几乎必须使用付费的 LangGraph Platform，LlamaIndex 的高质量文档解析需要付费的 LlamaParse，Dify 的开源版和商业版有功能差异，Microsoft Agent Framework 和 Google ADK 分别深度绑定 Azure 和 Google Cloud 的付费服务。

相比之下，PydanticAI 的隐性成本最低，它是真正轻量的，选框架的时候，一定要把商业模式想清楚，不然上了生产才发现关键功能要掏钱，那就被动了，目前主流的判断是，LangGraph 会成为复杂工作流领域的事实标准，PydanticAI 会成为类型安全 Agent 基础设施层的事实标准，而独立的 AutoGen 已经进入维护模式，可能被边缘化。

最后说几句趋势判断，2025 年微软合并 AutoGen 和 Semantic Kernel 确立了一个信号，未来框架数量还会继续减少，活下来的会更强大，LlamaIndex 把 Workflows 独立成包，也反映了另一个趋势，核心能力模块化，可以脱离母框架独立复用，语音和视觉正在成为 Agent 的标配能力，OpenAI Agents SDK 的 Realtime Voice，Google ADK 的双向流式音视频，Agno 的多模态输入都说明多模态不再是附加功能，而是基本要求。

关于国内生态，差距和优势并存，差距在于 AgentScope 和 Dify 的国际社区影响力、英文文档质量、第三方集成广度确实落后于 LangGraph 和 CrewAI，但优势也真实存在，Dify 的 13 万多个 stars 实际上远超所有纯代码框架，AgentScope 的模型微调集成是独一无二的，国内框架对国产模型的支持更原生，在私有化部署和数据安全合规方面，国内框架更能满足监管要求。

给三类人各一句话建议，独立开发者和技术探索者从 PydanticAI 或 OpenAI Agents SDK 起步，学习曲线最平，能最快建立 Agent 开发的核心认知，等需要复杂编排了再上 LangGraph。

初创公司技术团队用 CrewAI 快速验证想法做原型，验证通过后迁移到 LangGraph 做生产系统，或者考虑 Agno 的全栈方案，一站式解决从原型到部署。

大型企业技术委员会先明确云战略，Azure 选微软、Google Cloud 选 Google、多云混合选 LangGraph 加 Dify 组合，然后优先考虑 MCP 和 A2A 协议支持，确保未来的互操作能力。

Agent 框架的战国时代正在收尾，春秋格局逐渐成型，选框架不是选 “最好的”，而是选 “最适合你的”，希望今天这期内容能帮你在这十个选项里，找到属于你的那个答案。

OK，以上就是本期想要分享的全部内容了。

结语

本篇文章我们跟着 UP 主从 Agent 框架的整体格局出发，梳理了 LangGraph、CrewAI、LlamaIndex、PydanticAI、Dify 等主流框架的核心能力，并通过五大架构范式与四步决策树，尝试回答一个最关键的问题：在真实工程场景中，我们到底该如何选择 Agent 框架。

LangGraph 选择把复杂性完全交给开发者，用图状态机换取极致控制力；CrewAI 用角色抽象屏蔽复杂性，用直觉化协作提升开发效率；LlamaIndex 深耕数据层，把“信息如何进入模型”做到极致；PydanticAI 用类型系统约束不确定性，让 Agent 行为更可控；Dify 则把复杂性收敛进平台，用可视化降低开发门槛。它们本质上不是在同一维度竞争，而是在不同层面解决同一个问题：如何让一个不确定的大模型系统，变成一个可控、可观测、可部署的工程系统。

最后，我们进一步将视角从 “技术理解” 落到 “工程决策”，通过四步选型决策树，将复杂的框架选择问题转化为几个清晰的判断维度（技术栈、场景、部署环境、模型偏好）。

希望这篇笔记不仅能帮大家选择适合自己的框架，更能帮助大家建立一套 Agent 系统认知🤗。

参考

• 2026 AI Agent框架终极指南：从入门到生产部署的选型地图，10大框架五大范式，一期全讲透