Agent 框架

学习目标: 了解主流 Agent 框架的特点、适用场景和选择方法
预计时间: 60 分钟
难度等级: ⭐⭐⭐☆☆
更新时间: 2026年3月

核心概念

什么是 Agent 框架?

Agent 框架是构建 AI 应用的开发工具,提供了一些现成的组件和模式,让你不必从零开始。

通俗理解

搭建 Agent 就像装修房子。框架是开发商提供的"硬装"——水管、电线、墙体结构都做好了,你只需要决定放什么家具、刷什么颜色的墙。 ::

框架解决的问题:

记忆管理
工具调用
多轮对话
任务规划
Agent 协作

主流框架对比(2026 年)

LangGraph 1.0

发布时间: 2025 年 10 月 18 日（1.0.0）

稳定性承诺: ✅ 在 2.0 版本之前不会有破坏性更新

核心特点:

LangGraph 采用图结构来定义 Agent 的执行流程,而不是传统的链式结构。

mermaid

graph LR
    A[开始] --> B{决策节点}
    B -->|条件1| C[工具调用]
    B -->|条件2| D[记忆检索]
    C --> E[结果处理]
    D --> E
    E --> F{需要循环?}
    F -->|是| B
    F -->|否| G[结束]

关键特性:

特性	说明
持久化状态管理	智能体执行中断后可无缝续跑，服务器宕机重启也能精准恢复
原生人工介入(Human-in-the-loop)	新增API，可在工作流中设置审核节点，高风险场景自动暂停等待人工确认
多智能体协作	支持多个智能体之间的分工协作、信息同步、任务分发
时间旅行调试	回到任意历史状态查看和修改
流式响应	实时返回中间结果
稳定性承诺	直到 2.0 版本不会有破坏性更新

适用场景:

需要复杂流程控制的 Agent
多步骤、有循环的任务
需要调试和监控的生产环境

代码示例:

python

from langgraph.graph import StateGraph, END

# 定义状态
class AgentState(TypedDict):
    messages: list
    next_action: str

# 定义节点
def research_node(state: AgentState):
    # 研究逻辑
    return {"messages": state["messages"] + ["研究结果"]}

def write_node(state: AgentState):
    # 写作逻辑
    return {"messages": state["messages"] + ["草稿"]}

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

workflow.add_edge("research", "write")
workflow.add_edge("write", END)

workflow.set_entry_point("research")
app = workflow.compile()

采用情况: 根据LangChain 2025 年调研,57.3% 的大型企业已在生产环境使用基于 LangGraph 的 Agent[^1]。

Microsoft Agent Framework (MAF)

发布时间: 2025 年末（AutoGen 与 Semantic Kernel 正式合并）

背景: 微软将 AutoGen 和 Semantic Kernel 合并成统一框架，解决 C#、Python 和 Java 之间的功能对齐问题。

核心特点:

双语言支持: Python 和 C# 同步更新，统一长期路径

统一能力组合:

AutoGen 的简洁智能体/团队抽象
Semantic Kernel 的会话状态管理、中间件管道、OpenTelemetry、过滤器和检查点
全新的基于图的显式工作流，用于确定性的多智能体编排

生态绑定: 与 Azure AI Foundry 深度绑定，同时保持完全开源和模型无关

插件生态:

python

from semantic_kernel import Kernel
from autogen_agentchat import Agent

# 创建内核
kernel = Kernel()

# 加载插件
kernel.add_plugin(
    file_search_plugin,
    plugin_name="file_search"
)

# 创建 Agent
agent = Agent(
    name="researcher",
    kernel=kernel,
    tools=["file_search.search"]
)

适用场景:

深度使用 Azure 生态
需要企业级支持
.NET 环境

优势:

官方支持和文档完善
与 Azure、Office 365 深度集成
商业许可,适合企业合规

CrewAI

定位: 多 Agent 协作框架（角色驱动）

核心概念: 通过"角色-任务-流程"模型，让多个 Agent 以角色扮演的方式协作完成复杂任务。

架构模式:

mermaid

graph TD
    M[Manager Agent] --> W1[Researcher]
    M --> W2[Writer]
    M --> W3[Editor]

    W1 -->|收集信息| M
    W2 -->|草稿| M
    W3 -->|审核| M

    M -->|分配任务| W1
    M -->|分配任务| W2
    M -->|分配任务| W3

核心优势:

直观的角色抽象，易于理解和实现
自动生成管理者 Agent，支持层级化协作
快速上手，社区生态活跃
原生支持 Agent-to-Agent 协议
无代码/低代码支持，易用性极强
内置成熟的任务委托和结果反馈机制

典型工作流:

python

from crewai import Agent, Task, Crew

# 定义角色
researcher = Agent(
    role="研究专家",
    goal="收集最新的 AI 技术信息",
    backstory="你是一名资深技术研究员"
)

writer = Agent(
    role="技术作家",
    goal="将研究结果转化为易懂的文章",
    backstory="你擅长解释复杂技术概念"
)

# 定义任务
task1 = Task(
    description="调研 2025 年 Agent 框架发展",
    agent=researcher
)

task2 = Task(
    description="撰写技术博客",
    agent=writer,
    context=[task1]  # 依赖 task1 的结果
)

# 组建团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[task1, task2],
    process="sequential"  # 顺序执行
)

result = crew.kickoff()

适用场景:

内容生产流水线
复杂业务流程自动化
需要专业分工的任务

实际案例: 某金融公司用 CrewAI 构建了财报分析团队——研究员 Agent 收集数据、分析师 Agent 处理数据、报告生成器 Agent 产出报告,整个过程从 3 天缩短到 2 小时[^2]。

OpenAI Swarm

定位: 轻量级多 Agent 编排框架（实验性）

当前状态（2026）: ⚠️ 仍为实验性状态，未见重大进展更新

特点:

代码量少,核心逻辑只有几百行
几乎完全在客户端运行
基于 ChatCompletions API,无需额外依赖
主打工效（ergonomic）与轻量（lightweight）

示例:

python

from swarm import Agent, Swarm

client = Swarm()

# 定义 Agent
sales_agent = Agent(
    name="销售助手",
    instructions="你负责产品咨询和报价"
)

support_agent = Agent(
    name="技术支持",
    instructions="你负责故障排查和技术指导"
)

# 定义交接函数
def transfer_to_support():
    return support_agent

sales_agent.functions = [transfer_to_support]

# 运行
response = client.run(
    agent=sales_agent,
    messages=["我的产品无法连接"]
)

适用场景:

学习多 Agent 概念
快速原型验证
简单的 Agent 协作

限制:

⚠️ 官方标注为"实验性"，2026年未见重大进展
功能相对基础，缺乏持久化和监控
缺乏长期维护承诺，不建议生产使用
存在 Java 等复刻项目，但官方更新较少

框架选择指南

决策树

mermaid

graph TD
    A[开始] --> B{使用 Azure/.NET?}
    B -->|是| C[Microsoft Agent Framework]
    B -->|否| D{需要多 Agent 协作?}

    D -->|否| E{需要复杂流程控制?}
    E -->|是| F[LangGraph]
    E -->|否| G{数据密集型?}
    G -->|是| H[LlamaIndex Workflows]
    G -->|否| I[直接用 LLM API]

    D -->|是| J{企业级生产环境?}
    J -->|是| K[CrewAI / LangGraph]
    J -->|否| L{快速原型开发?}
    L -->|是| M[CrewAI]
    L -->|否| N[OpenAI Swarm 学习用]

对比总结（2026）

框架	学习曲线	生产就绪	社区活跃度	最佳场景
LangGraph 1.0	中等	⭐⭐⭐⭐⭐	🔥🔥🔥 很高	复杂流程控制、长周期任务
Microsoft Agent Framework	低(有 .NET 经验)	⭐⭐⭐⭐⭐	🔥🔥🔥 官方支持	Azure 生态、企业级应用
CrewAI	低	⭐⭐⭐⭐	🔥🔥🔥 高	多 Agent 协作、无代码/低代码
LlamaIndex Workflows	中等	⭐⭐⭐⭐	🔥🔥 增长中	RAG+Agent 融合场景
Swarm	很低	⭐⭐	🔥 中等	学习原型、实验研究
ZeroClaw	高（Rust）	⭐⭐⭐	🔥 小众	边缘部署、资源敏感环境

新兴框架

LlamaIndex Workflows 1.0

发布时间: 2025 年底

定位: 轻量级事件驱动框架，用于构建复杂的 Agent 系统和任务编排

核心特性:

异步优先架构: 基于 Python asyncio，支持并发调用多个 LLM 和工具，显著提升性能
事件驱动模型: 通过事件触发各个步骤，支持暂停、恢复和有状态的执行
人机协作: 内置人类反馈循环（human-in-the-loop），可以在关键节点等待人工审核
可观测性: 集成 OpenTelemetry 和 Jaeger 追踪，提供完整的执行可视化
灵活路由: 支持条件分支、并行处理和复杂的任务依赖关系

适用场景: 内容生成、客户支持自动化、研究助手等

Phidata

特色: Agentic RAG（搜索增强生成）

python

from phi.agent import Agent
from phi.knowledge.pdf import PDFKnowledgeBase

agent = Agent(
    knowledge=PDFKnowledgeBase(
        path="./docs"
    )
)

Agent 可以主动搜索知识库获取完成任务所需的信息,而不是被动接收上下文。

Smolagents

Hugging Face 发布的极简框架，主打轻量级和安全性。

ZeroClaw（2026 年新增）

定位: Rust 极致性能派

特点:

单静态二进制文件，<5MB 内存占用
毫秒级启动
支持 22+ LLM 提供商
设计哲学："零开销、零妥协"
适合部署在边缘服务器、VPS 或任何对资源敏感的环境

OpenClaw（2026 年新增）

定位: OpenClaw 的高效替代方案

2026 年新特性:

多 Agent 玩法升级：从"单一角色使用"升级为"团队化协同"
多团队并行运作
支持工作空间隔离与双向通信

实践建议

从简单开始

不要一上来就用复杂框架。很多任务用基础 LLM API + 几个工具调用就能完成。

推荐路径:

1. 直接调用 API (1-2 个简单工具)
   ↓
2. LangChain 基础功能 (需要工具链时)
   ↓
3. LangGraph/CrewAI (多 Agent 或复杂流程)
   ↓
4. 自研框架 (大型团队,有特殊需求)

关注生态系统

选择框架不只是看代码,还要看:

文档质量: LangGraph 文档很全,Swarm 几乎没有
社区支持: 出问题能找到答案吗?
更新频率: 项目还在活跃维护吗?
周边工具: 有调试工具、监控平台吗?
2026 年趋势:
- 🔥 多 Agent 协同成为最值得关注的方向
- 🔥 任务时限从分钟级扩展到天或周
- 🔥 Human-in-the-loop 成为标配
- 🔥 统一框架（大厂整合能力）
- 🔥 从实验阶段迈向大规模生产应用

生产环境考虑

考虑因素	问题
稳定性	框架会频繁更新导致代码失效吗?
性能	框架本身的开销有多大?
调试	出问题后能快速定位吗?
成本	Token 消耗、API 调用次数
安全	敏感数据处理、权限控制

思考题

检验你的理解

LangGraph 和传统 LangChain Agent 的主要区别是什么?
- A. LangGraph 使用图结构,LangChain 使用链式结构
- B. LangGraph 只支持 Python,LangChain 支持多语言
- C. LangGraph 是付费的,LangChain 免费使用
假设你要构建一个客户服务 Agent,需要查询订单、处理退款、升级工单,你会选择哪个框架?为什么?
CrewAI 的 Manager-Worker 模式适合什么场景?举例说明。
为什么说 Swarm"不适合生产环境"?实际使用中会遇到什么问题?

本节小结

通过本节学习,你应该掌握了:

✅ 主流框架（2026）

LangGraph 1.0：图结构、持久化状态、原生人工介入、稳定性承诺
Microsoft Agent Framework：AutoGen + Semantic Kernel 统一框架、双语言支持
CrewAI：多 Agent 协作、无代码/低代码支持、角色驱动
OpenAI Swarm：轻量级定位、仍为实验性状态
LlamaIndex Workflows 1.0：事件驱动架构、异步优先
新兴框架：ZeroClaw（Rust 极致性能）、OpenClaw（团队化协同）

✅ 生产环境就绪度评估

⭐⭐⭐⭐⭐：Microsoft Agent Framework、LangGraph 1.0
⭐⭐⭐⭐：CrewAI、LlamaIndex Workflows
⭐⭐：OpenAI Swarm（实验性质）

✅ 社区活跃度排名

🔥🔥🔥：LangChain/LangGraph、Microsoft Agent Framework、CrewAI
🔥🔥：LlamaIndex、OpenAI Swarm
🔥：ZeroClaw（小众但增长中）

✅ 选择方法

根据场景选择框架（企业级/快速原型/实验研究）
评估生产环境需求（稳定性、性能、调试、成本、安全）
考虑生态系统完整性

✅ 实践路径

从简单到复杂的渐进式学习
关注稳定性和可维护性
关注 2026 年核心趋势（多 Agent 协同、长周期任务、人机协作）

下一步: 在下一节中,我们将了解 Agent 平台,看看如何在不写代码的情况下快速构建 Agent。

← 返回模块目录 | 继续学习:Agent 平台 →

[^1]: LangChain, "State of Agent Engineering Survey 2025", https://www.langchain.com/state-of-agents [^2]: CrewAI 官方案例研究, "Financial Report Automation", https://www.crewai.com/case-studies

Agent 框架 ​

核心概念 ​

什么是 Agent 框架? ​

主流框架对比(2026 年) ​

LangGraph 1.0 ​

Microsoft Agent Framework (MAF) ​

CrewAI ​

OpenAI Swarm ​

框架选择指南 ​

决策树 ​

对比总结（2026） ​

新兴框架 ​

LlamaIndex Workflows 1.0 ​

Phidata ​

Smolagents ​

ZeroClaw（2026 年新增） ​

OpenClaw（2026 年新增） ​

实践建议 ​

从简单开始 ​

关注生态系统 ​

生产环境考虑 ​

思考题 ​

本节小结 ​

Agent 框架

核心概念

什么是 Agent 框架?

主流框架对比(2026 年)

LangGraph 1.0

Microsoft Agent Framework (MAF)

CrewAI

OpenAI Swarm

框架选择指南

决策树

对比总结（2026）

新兴框架

LlamaIndex Workflows 1.0

Phidata

Smolagents

ZeroClaw（2026 年新增）

OpenClaw（2026 年新增）

实践建议

从简单开始

关注生态系统

生产环境考虑

思考题

本节小结