在这里插入图片描述

Agent开发框架选型（2026版）：从五大到十一大的框架地图

2024年Agent框架"四大金刚"（LangChain/LlamaIndex/AutoGen/CrewAI），2026年已经扩展到11个主流框架。新增的SDK/框架有些是模型厂商官方出品（Claude Agent SDK / OpenAI Agents SDK），有些是新设计哲学（Pydantic AI类型安全、Mastra TypeScript优先）。这篇文章帮你一次性搞清楚2026年的框架地图。

一句话总结

2026年没有"通用最佳"框架，只有"按生态/语言/复杂度"匹配的最佳：

  • 生产首选：LangGraph（最成熟）
  • Anthropic生态：Claude Agent SDK
  • OpenAI生态：OpenAI Agents SDK
  • TypeScript团队：Mastra
  • 类型安全Python：Pydantic AI
  • 快速原型：CrewAI
  • 极简学习：smolagents
  • 不用框架：80%场景反而最优

1. 2026框架全景图

                生态维度
                   ▲
            Anthropic │ OpenAI
       Claude Agent SDK│OpenAI Agents SDK
                       │
   ────中立通用─────────┼─────────专业垂直────→
                       │
          LangGraph    │     LlamaIndex (RAG)
           CrewAI      │      Mastra (TS)
          Pydantic AI  │     smolagents
                       │
                生产成熟度
                   ▼

1.1 11大框架速览（2026.05）

框架 维护者 语言 月下载量 强项 何时用
LangGraph LangChain Python/TS 34.5M 状态图+可观测性 生产级Agent
Claude Agent SDK Anthropic Python/TS 高速增长 Claude Code同款 Anthropic生态
OpenAI Agents SDK OpenAI Python/TS 高速增长 handoffs+tracing OpenAI生态
CrewAI CrewAI Inc Python 8M+ 角色化多Agent 快速原型
AutoGen Microsoft Python 5M+ 多Agent对话 研究/Azure
Mastra Mastra TypeScript 上升中 TS优先+DX TS团队
Pydantic AI Pydantic Python 上升中 类型安全 Pydantic团队
smolagents HuggingFace Python 1M+ 极简+code-as-action 研究/学习
LangChain LangChain Python/TS 50M+ 生态最全 通用入门
LlamaIndex LlamaIndex Python/TS 15M+ RAG最强 知识库问答
Microsoft Agent Framework Microsoft Python/.NET 上升中 替代AutoGen .NET/Azure

1.2 三层分级

🥇 Tier 1（生产成熟）: LangGraph / Claude Agent SDK / OpenAI Agents SDK
🥈 Tier 2（快速原型）: CrewAI / Mastra / Pydantic AI
🥉 Tier 3（专业领域/学习）: AutoGen / smolagents / LlamaIndex / LangChain（旧主力）

💡 2026年趋势：模型厂商自家SDK崛起。OpenAI、Anthropic、Google都推自家Agent SDK，对自家模型而言通常与第三方框架打平甚至更强。如果你只用一个供应商，直接从官方SDK开始。

2. Claude Agent SDK ⭐ Anthropic生态首选

2.1 定位

Anthropic 2025年9月开放的Agent基础设施——把Claude Code底层的Agent引擎（规划循环、工具调用、记忆管理、沙箱执行）封装成可直接调用的SDK。

💡 历史：最初叫Claude Code SDK（2025年9月），2025年底改名Claude Agent SDK，与Claude Code自身解耦，成为通用Agent框架。Boris Cherny用它做Claude Code完成100%日常编码——这是个实战磨过的SDK。

2.2 设计哲学

工具即接口，不是抽象层。SDK内建工具集少而精：

工具 作用
Bash 执行shell命令
Edit/Read/Write 文件操作
Glob/Grep 文件搜索
WebFetch/WebSearch 网络访问
Task 开子Agent（一等公民）

“Claude Code做过的每一个正经coding任务都只是这些工具的组合。重点是——你不需要50个工具，你需要10个把某个领域覆盖干净的好工具，然后让模型去组合它们。”

2.3 核心特性

特性 说明
基于文件的权限+沙盒 默认agent跑在用户授权的环境，可阻挡破坏性操作
Subagents（子Agent） Task工具可开独立Claude实例，有独立上下文窗口和受限回报
基于文件的Memory Markdown记忆写进磁盘，跨session保留
Skills机制 可被名称呼叫的可重用提示片段
MCP原生支持 5000+ MCP Server即插即用

2.4 代码示例

from claude_agent_sdk import Agent, tool

@tool
def query_database(sql: str) -> str:
    """查询数据库"""
    return execute_sql(sql)

# 创建Agent
agent = Agent(
    model="claude-opus-4.7",
    system_prompt="你是一个数据分析师",
    tools=[query_database],
    permissions={"bash": "ask", "edit": "auto"},  # 文件级权限
)

# 运行
result = agent.run("分析过去一周的用户增长，生成报告")

2.5 优势与局限

优势 局限
Claude Code实战磨过，最稳定 锁定Claude，不支持其他模型
Subagents是生产唯一稳定的多Agent方案 MCP Server生态比OpenAI Tools年轻
文件-based权限+沙盒，安全性高 文档相对Anthropic风格"散"
Memory和Skills都是头等公民 TypeScript版本相对Python滞后

3. OpenAI Agents SDK ⭐ OpenAI生态首选

3.1 定位

OpenAI 2025年发布的轻量Agent SDK，是Swarm（实验项目）的精神继承者。

💡 OpenAI Swarm：OpenAI 2024年的实验性多Agent框架，验证了"handoffs"模式的可行性。Agents SDK把它产品化、稳定化。

3.2 核心概念

概念 说明
Runner Agent执行器，简单可控
Handoffs Agent间任务交接，类似函数调用
Guardrails 输入/输出验证，安全护栏
Tracing 内建trace到OpenAI Dashboard
Tools 函数自动转工具，无需JSON Schema

3.3 代码示例

from openai import OpenAI
from openai.agents import Agent, Runner, function_tool

@function_tool
def search_web(query: str) -> str:
    """搜索互联网"""
    return f"结果: {query}..."

# 主Agent
research_agent = Agent(
    name="研究员",
    instructions="你负责调研，把信息传给写作Agent",
    tools=[search_web],
    handoffs=["writer"],  # 可以handoff给writer
)

writer_agent = Agent(
    name="writer",
    instructions="你基于调研写报告",
)

# 运行
runner = Runner(agents=[research_agent, writer_agent])
result = runner.run("调研AI Agent市场并写报告")

3.4 优势与局限

优势 局限
体积最小，学习曲线最平 锁定OpenAI生态
Handoffs模式优雅，多Agent清晰 自定义复杂工作流不如LangGraph灵活
内建Tracing到OpenAI Dashboard Tracing数据在OpenAI云上
合规友好（企业版） 高级特性少

4. LangGraph ⭐ 生产级首选

4.1 定位

有状态Agent框架，2026年企业生产环境的事实标准——34.5M月下载量。

4.2 核心概念

概念 说明
StateGraph 用图结构定义Agent的状态流转
Node 图中的节点，每个节点是一个函数
Edge 节点间的边，可以是条件跳转
Checkpoint 状态持久化，支持暂停/恢复
Human-in-the-loop 人工介入点，2026企业必备
LangGraph Studio 可视化调试器（2026新增）

4.3 代码示例

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    next_step: str

def research_node(state: AgentState) -> AgentState:
    return {"messages": ["研究完成"], "next_step": "write"}

def write_node(state: AgentState) -> AgentState:
    return {"messages": ["写作完成"], "next_step": "review"}

def review_node(state: AgentState) -> AgentState:
    quality = check_quality(state["messages"])
    return {
        "messages": ["审核通过"] if quality > 0.8 else ["需要修改"],
        "next_step": "end" if quality > 0.8 else "write"
    }

# 构建图
graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_node("review", review_node)

graph.add_edge("research", "write")
graph.add_edge("write", "review")
graph.add_conditional_edges("review", lambda s: s["next_step"],
    {"write": "write", "end": END})

graph.set_entry_point("research")
app = graph.compile(checkpointer=MemorySaver())  # 状态持久化

result = app.invoke({"messages": [], "next_step": "research"})

4.4 何时选LangGraph

  • 复杂状态流转（循环、条件跳转、人工介入）
  • 需要状态持久化和恢复
  • 工作流不是简单线性链
  • 需要LangSmith可观测性
  • 多模型混用（不锁定单一供应商）

5. Mastra ⭐ TypeScript生态首选

5.1 定位

TypeScript原生Agent框架——2026年TS生态的最佳选择。

💡 Mastra在生产应用：已部署在Marsh McLennan（75K员工）、SoftBank的Satto Workspace等大型企业。证明TypeScript Agent框架已经达到生产级别。

5.2 核心特性

特性 说明
TypeScript-first 类型安全贯穿全栈
Workflow + Agent 既能写工作流也能写Agent
Next.js友好 与Next.js应用同代码库
Vercel AI SDK兼容 流式输出无缝集成

5.3 代码示例

import { Mastra, Agent, createTool } from "@mastra/core";

const searchTool = createTool({
  name: "search",
  description: "搜索互联网",
  inputSchema: z.object({ query: z.string() }),
  execute: async ({ query }) => {
    return await fetch(`https://api.search.com?q=${query}`).then(r => r.json());
  },
});

const agent = new Agent({
  name: "researcher",
  model: { provider: "anthropic", name: "claude-opus-4.7" },
  tools: { search: searchTool },
  instructions: "你是一个市场研究员",
});

const result = await agent.generate("调研AI Agent市场");

5.4 何时选Mastra

  • 团队主用TypeScript
  • 与Next.js应用同代码库部署
  • 需要前端流式输出
  • Vercel云原生部署

6. CrewAI ⭐ 快速原型首选

6.1 定位

多Agent协作框架——用角色定义Agent，让它们像团队一样协作。

6.2 核心概念

概念 说明
Agent 有角色、目标、工具的智能体
Task 具体任务，有描述和预期输出
Crew Agent和Task的集合，定义协作流程
Process 协作方式：顺序/层级
内建Memory 2026 CrewAI唯一内建语义记忆的框架

6.3 代码示例

from crewai import Agent, Task, Crew, Process
from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-opus-4.7")

researcher = Agent(
    role="市场研究员",
    goal="收集和分析市场数据",
    backstory="你是一位经验丰富的市场研究员",
    llm=llm,
    tools=[search_tool]
)

writer = Agent(
    role="内容作者",
    goal="撰写高质量的市场分析报告",
    backstory="你是一位专业的商业写作者",
    llm=llm
)

research_task = Task(
    description="调研AI Agent市场现状和趋势",
    agent=researcher,
    expected_output="市场调研数据和分析"
)

write_task = Task(
    description="基于调研数据撰写市场分析报告",
    agent=writer,
    expected_output="结构化的市场分析报告"
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    memory=True  # 启用内建语义记忆
)

result = crew.kickoff()

6.4 何时选CrewAI

  • 快速原型（最快从0到Demo）
  • 角色化协作很自然的场景（内容/研究）
  • 需要内建语义记忆但不想自建

7. Pydantic AI ⭐ 类型安全Python

7.1 定位

类型安全的Agent框架——Pydantic团队出品，把Pydantic的"类型即文档"理念带入Agent。

7.2 核心特性

特性 说明
类型安全 Agent输入输出全部Pydantic验证
Pydantic原生 Pydantic用户零学习成本
依赖注入 优雅的Context管理
流式响应 类型安全的streaming

7.3 代码示例

from pydantic import BaseModel
from pydantic_ai import Agent, RunContext

class WeatherInfo(BaseModel):
    city: str
    temperature: float
    condition: str

agent = Agent(
    'anthropic:claude-opus-4.7',
    result_type=WeatherInfo,  # 强类型输出
    system_prompt="你是一个天气查询助手",
)

@agent.tool
async def get_weather(ctx: RunContext, city: str) -> dict:
    """查询天气API"""
    return await weather_api.get(city)

result = await agent.run("北京今天天气")
print(result.data.temperature)  # 类型安全访问

7.4 何时选Pydantic AI

  • 团队已重度使用Pydantic
  • 需要类型安全保障
  • 喜欢Python现代异步风格

8. smolagents ⭐ 极简学习

8.1 定位

HuggingFace的极简Agent框架——核心代码~1000行，用代码而非JSON做工具调用。

8.2 核心创新：Code as Action

传统Agent: LLM输出JSON → 解析 → 调用工具
smolagents: LLM输出Python代码 → 沙箱执行 → 结果反馈

优势：更少的LLM调用次数（Python可以一次写多步），更透明（你能直接读代码）。

8.3 代码示例

from smolagents import CodeAgent, tool, HfApiModel

@tool
def search_web(query: str) -> str:
    """搜索互联网"""
    return f"结果: {query}..."

agent = CodeAgent(
    tools=[search_web],
    model=HfApiModel("meta-llama/Llama-4-Maverick"),
)

# Agent内部会生成Python代码并执行
result = agent.run("找出AI Agent市场前3名公司，对比它们的估值")

8.4 何时选smolagents

  • 想读完Agent源码理解原理
  • 单Agent简单任务
  • HuggingFace生态优先

9. AutoGen / Microsoft Agent Framework

9.1 定位变化

AutoGen正在被Microsoft Agent Framework取代（2026年）。但学术研究和Azure企业仍大量使用AutoGen。

9.2 何时选

  • 在Azure生态
  • 需要多Agent对话研究
  • 已有AutoGen代码库

10. LlamaIndex / LangChain：经典两位老将

10.1 LlamaIndex - RAG最强

核心定位：数据索引框架，RAG场景的最强选择。

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.llms.anthropic import Anthropic

Settings.llm = Anthropic(model="claude-opus-4.7")

documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine(similarity_top_k=5)

response = query_engine.query("什么是GraphRAG？")

何时选：核心需求是RAG / 多数据源 / 检索质量是第一优先级。

10.2 LangChain - 老牌通用框架

2026年定位变化：从"通用框架"变成"LangSmith可观测性入口"。

“LangChain/LangGraph的定位已经变成’可观测性’。LangSmith出现后，用LangGraph的主要理由不再是抽象，而是tracing。”

何时选：需要LangSmith观测 / 团队已用LangChain / 需要50+ integrations。

11. 何时不用框架 ⚠️ 重要

80%场景不用框架反而更优。

11.1 简单任务用直接API

# 不到20行的"增强LLM"模式
from anthropic import Anthropic

client = Anthropic()
tools = [search_tool, calc_tool]
messages = [{"role": "user", "content": "帮我..."}]

while True:
    response = client.messages.create(
        model="claude-opus-4.7",
        tools=tools,
        messages=messages,
    )
    
    if response.stop_reason == "tool_use":
        tool_result = execute_tool(response.content)
        messages.append({"role": "assistant", "content": response.content})
        messages.append({"role": "user", "content": tool_result})
    else:
        return response.content[0].text

11.2 框架的真实成本

隐性成本 说明
抽象层调试 框架越厚，bug越难定位
版本升级 LangChain breaking change频繁
性能损耗 每层抽象都有开销
锁定风险 切换框架需要重写

11.3 何时真正需要框架

  • ✅ 复杂状态机（多分支、循环、Human-in-the-loop）→ LangGraph
  • ✅ 多Agent协作 → CrewAI / Claude Subagents
  • ✅ RAG密集应用 → LlamaIndex
  • ✅ 团队多人协作（需要标准化）

12. 选型决策树（2026版）

你的核心约束是什么？
│
├── 单一模型供应商
│   ├── Anthropic为主 → Claude Agent SDK
│   ├── OpenAI为主 → OpenAI Agents SDK
│   └── Google为主 → Google ADK
│
├── 语言栈
│   ├── TypeScript → Mastra
│   ├── Python + 类型安全 → Pydantic AI
│   ├── .NET / Azure → Microsoft Agent Framework
│   └── Python通用 → 看下面
│
├── 任务复杂度
│   ├── 简单单Agent → 不用框架，直接API
│   ├── 复杂状态机 → LangGraph
│   ├── 多Agent协作 → CrewAI / Claude Subagents
│   └── RAG密集 → LlamaIndex
│
└── 团队成熟度
    ├── 学习/研究 → smolagents
    ├── 快速原型 → CrewAI
    └── 生产级 → LangGraph + LangSmith

13. 框架组合实践

实际项目中，经常组合多个框架：

组合 场景
LangGraph + LlamaIndex 复杂工作流 + RAG后端
Claude Agent SDK + Subagents Anthropic生态多Agent
Mastra + Vercel AI SDK TS全栈+流式
CrewAI + LangChain Tools 多Agent + 丰富工具集
自研Pipeline + 直接API 80%生产场景 
# 示例：LangGraph + LlamaIndex组合
from langgraph.graph import StateGraph
from llama_index.core import VectorStoreIndex

# LlamaIndex做RAG
index = VectorStoreIndex.from_documents(documents)
rag_engine = index.as_query_engine()

# LangGraph做流程编排
def rag_node(state):
    answer = rag_engine.query(state["question"])
    return {"answer": str(answer)}

graph = StateGraph(AgentState)
graph.add_node("rag", rag_node)
# ... 添加更多节点

14. 面试高频问题

Q1：为什么2026年模型厂商SDK崛起？

模型厂商最了解自家模型的最佳实践——Claude的tool_use细节、OpenAI的Responses API特性，第三方框架往往用最大公约数实现，损失了模型特定的能力。生产场景用官方SDK质量更高。

Q2：LangChain和LangGraph的区别？

LangChain是通用框架，链式调用为主；LangGraph是LangChain的扩展，用图结构定义复杂状态流转。2026年LangChain自身价值下降（很多场景被LangGraph和直接API替代），主要价值变成"LangSmith可观测性入口"。

Q3：Mastra为什么能跑出来？

2026年TypeScript生态的Agent需求被严重忽视。Next.js应用想加Agent，过去要用Python BFF——Mastra把全栈TS Agent做成一等公民。Marsh McLennan、SoftBank等大企业的生产部署证明它够稳。

Q4：什么场景不该用框架？

简单线性Pipeline（搜集→打分→输出）、单Agent + 少量工具、对延迟极敏感的场景、团队不愿持续维护框架版本升级。“框架demo一周搞定，生产版要6个月”——这个gap是framework没解决的。

Q5：CrewAI的内建Memory和别的框架有什么区别？

大部分框架的"记忆"只是把对话历史塞进Prompt。CrewAI内建语义记忆——会自动embedding存储+检索相关历史。LangGraph需要自己加Memory层，Claude Agent SDK有文件-based memory但不做语义检索。

总结

框架 定位 最适合 学习难度
Claude Agent SDK Anthropic生态 Claude优先团队 中
OpenAI Agents SDK OpenAI生态 OpenAI优先团队 低
LangGraph 状态机框架 生产级Agent 中高
Mastra TypeScript框架 TS团队 中
Pydantic AI 类型安全框架 Pydantic团队 中
CrewAI 多Agent框架 快速原型 低
smolagents 极简框架 学习/研究 低
LlamaIndex RAG框架 知识库问答 中
LangChain 老牌通用 LangSmith入口 中
AutoGen 多Agent对话 Azure/研究 中
不用框架 直接API 80%场景 低

框架选择的核心原则：

  1. 先想清楚要解决什么问题，再选框架——不是反过来
  2. 生态决定大于功能差异——你用Claude就用Claude SDK，别强行通用
  3. 简单场景拒绝过度工程——20行直接API比300行框架更靠谱
  4. 看真实生产案例——Marsh McLennan用Mastra、Anthropic自己用Claude Agent SDK，这些是最强背书
  5. 关注95%→99%的可靠性gap——这个差距是工程量5-10倍的鸿沟，框架解决不了

2026年的Agent框架已经过了"百花齐放"阶段，进入"按生态分化"阶段。不存在万能框架，只存在最适合你团队和场景的框架。

路易乔布斯 © 2026 | AI Agent & RAG学习计划 · 模块01-Agent · 第六篇

参考资源：

# 人工智能 # flask # python
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AI测试智能体（agent）实战 1：拿到一个 AI Agent，别急着写用例：我是怎么拆出 190 条的？

avatar AtomGit开源社区
cover

天赐范式第61天：CG为什么解不动？——从泊松符号错误到加权内积错位与雨-Gamma代数共谋的逐层排查——“数值模拟是90%物理、10%数学”并非严格量化结论

avatar AtomGit开源社区
cover

基于AI大模型的省级三甲医院医防协同数字化转型规划设计方案

avatar AtomGit开源社区