跳转到内容

Agent 框架选型:LangGraph、AutoGen、CrewAI 与三套 SDK

选框架先看执行结构,不要先看模型供应商和角色数量。 一次工具调用用普通 SDK 足够;需要可见的状态分支和恢复点用 LangGraph;需要消息驱动的团队协作用 AutoGen;需要把业务任务和交付物写清楚用 CrewAI;Gemini 项目的完整工程结构选 Google ADK;OpenAI 生态的简单循环选 Agents SDK;要复用 Claude Code 的文件、命令和上下文能力才选 Claude Agent SDK。

本文统一用“仓库巡检 Agent”比较:读取指定项目文件,生成巡检报告;需要修改文件时必须先审批。这个任务同时暴露执行循环、状态、权限和交付物,比只比较谁能调用一个函数更有区分度。

框架核心抽象什么时候值得选什么时候反而偏重
LangGraphState、Node、Edge、Checkpointer条件分支、暂停审批、精确恢复点都要可见只有一次工具调用,没有分支和恢复需求
AutoGenAssistantAgent、消息、Team、Termination快速试验消息驱动的多 Agent 协作执行顺序固定,或单 Agent 已能完成
CrewAIAgent、Task、Crew、Flow角色、任务、交付物和协作顺序需要清晰表达只需一个函数;不需要角色分工
Google ADKLlmAgent、Session、Event、Workflow Agent已使用 Gemini,需要标准项目结构、会话、事件和调试工具只需模型 SDK 的一次调用
OpenAI Agents SDKAgent、Runner、Session、Handoff函数工具、多轮对话和少量转交需要简单实现复杂状态机和精确恢复点
Claude Agent SDKquery、ClaudeSDKClient、Hooks、Sessions要嵌入 Claude Code 的执行循环、文件和命令工具只需要 Claude 模型生成文本
是否消息协作任务与交付物Gemini 工程结构OpenAI 简单循环Claude Code 工具环境只是单次调用先看执行结构需要明确状态分支与恢复?LangGraph主要瓶颈是什么?AutoGenCrewAIGoogle ADKOpenAI Agents SDKClaude Agent SDK普通模型 SDK

框架能减少样板代码,但不会替业务完成权限、幂等、状态恢复和结果验收。 这些工作仍需在具体工具和执行层实现。

2. 同一个任务,六种实现重点有什么不同

Section titled “2. 同一个任务,六种实现重点有什么不同”

LangGraph:把继续、审批和恢复写成明确路径

Section titled “LangGraph:把继续、审批和恢复写成明确路径”

LangGraph 把巡检任务画成图:模型节点决定是否需要工具,工具节点读取文件,条件边决定继续、结束还是进入审批。

def route(state):
if state["approval_required"]:
return "approval"
if state["messages"][-1].tool_calls:
return "tools"
return END

这段 route 比工具本身更重要:它把“下一步去哪”变成可单测的普通函数。State 保存消息、重试次数和审批结果,节点返回状态更新,边决定执行路径。

需要恢复时,在编译时接入 checkpointer,并用 thread_id 标识同一条执行线程:

from langgraph.checkpoint.memory import InMemorySaver
agent = builder.compile(checkpointer=InMemorySaver())
config = {"configurable": {"thread_id": "repo-review-001"}}

内存实现只适合开发。生产环境要换成满足持久化和多实例要求的 checkpointer。它保存的是“执行到哪里”,不会自动提炼长期偏好。

选择理由:你是否需要把 Agent 当成一张可检查、可恢复的状态图。 如果不需要,简单循环更少概念。LangGraph Quickstart

AutoGen:围绕消息和团队协作,而不是围绕状态图

Section titled “AutoGen:围绕消息和团队协作,而不是围绕状态图”

AutoGen 的 AssistantAgent 接收任务消息、调用工具、产生新消息。单个 Agent 先跑通巡检,再考虑是否增加复核角色。

agent = AssistantAgent(
name="repo_reviewer",
model_client=model_client,
tools=[get_repository_file],
system_message="只读取指定文件并生成巡检报告,不修改仓库。",
reflect_on_tool_use=True,
model_client_stream=True,
)

reflect_on_tool_use=True 让模型在工具结果后再组织回答,会增加模型处理,不是免费的质量保证。

团队还需要两条额外规则:谁接下一条消息,什么时候终止。TextMentionTermination("巡检报告已确认") 只表示出现指定文本就停止;模型始终不写这句话时,应用层仍要限制轮数、工具次数和总时间。

选择理由:需要快速试验“巡检 Agent + 复核 Agent”的消息协作。 需要严格状态迁移时,显式图更直接。AutoGen AgentChat Quickstart

CrewAI:把执行者、交付物和业务流程分开

Section titled “CrewAI:把执行者、交付物和业务流程分开”

CrewAI 最适合表达“谁负责什么、交付什么、按什么顺序执行”。Task 的 expected_output 决定结果是一段文字还是一份可验收文件。

reviewer = Agent(
role="仓库巡检助手",
goal="根据指定文件生成可核验的巡检报告",
backstory="只引用实际读到的内容,不修改文件。",
)
task = Task(
description="检查指定项目的配置与说明文件,列出证据位置和未解决问题。",
expected_output="一份包含问题、证据位置、影响和建议的 Markdown 报告。",
agent=reviewer,
)

Crew 组织 Agent 和 Task,顺序执行适合“先调查再写作”。Flow 在更外层保存主题、报告和审批状态,并决定何时运行哪个 Crew。报告通过 output_file 写入磁盘,比只留在对话里更容易验收。

角色提示词不会自动带来权限分工。查询 Agent 只读文件,修改 Agent 也不能绕过审批;所谓“审批 Agent”口头同意不等于真实审批。

选择理由:业务任务和交付物比状态图更重要。CrewAI 文档

Google ADK:把 Agent 应用拆成标准工程部件

Section titled “Google ADK:把 Agent 应用拆成标准工程部件”

ADK 用项目目录管理 Agent,root_agent 是识别入口。巡检工具可以返回结构化结果:

from google.adk.agents.llm_agent import Agent
def get_repository_file(path: str) -> dict:
"""Read one allow-listed text file."""
return {"status": "success", "path": path, "content": "demo"}
root_agent = Agent(
model="gemini-flash-latest",
name="repo_reviewer",
description="读取指定文件并生成巡检报告。",
instruction="只读取允许的文本文件,不执行修改操作。",
tools=[get_repository_file],
)

adk run 用于命令行调试,adk web 提供开发界面,但官方明确说明 Web UI 不是生产部署界面。

ADK 的 Session State 保存当前会话或流程数据,事件把模型、工具和回调产生的变化传给运行时。顺序、并行和循环等 Workflow Agent 可以显式组织固定步骤,不必所有分派都交给 LLM。

选择理由:已经使用 Gemini,或者需要 Agent、Session、事件、回调和调试工具的完整工程结构。Google ADK Python Quickstart

OpenAI Agents SDK:用 Runner 覆盖常见执行循环

Section titled “OpenAI Agents SDK:用 Runner 覆盖常见执行循环”

Agent 定义名字、指令和工具,Runner.run 处理“模型请求工具—执行—继续请求”的循环:

from agents import Agent, Runner
agent = Agent(
name="仓库巡检助手",
instructions="读取允许的仓库文件,生成有证据位置的报告。",
tools=[get_repository_file],
)
result = await Runner.run(agent, "巡检这个项目,不修改文件。")
print(result.final_output)

多轮历史有三种处理:

  • result.to_input_list() 由应用自己保存和传递,边界最清楚。
  • 给 Runner 传 session,由 SDK 加载和保存历史。
  • 用 previous_response_id 或 conversation_id 连接 OpenAI 管理的状态。

这三种方式解决对话延续,不自动完成长期记忆、删除和权限隔离。

多 Agent 还要区分 Handoff 和 Agent as Tool:前者由另一个 Agent 接管当前任务和最终回答,后者只把专业 Agent 的结果交给仍掌握任务的主 Agent。选择标准是谁拥有当前状态和最终责任。

选择理由:需要少量抽象覆盖提示词、函数工具和多轮对话。OpenAI Agents SDK Quickstart

Claude Agent SDK:复用 Claude Code 的执行环境

Section titled “Claude Agent SDK:复用 Claude Code 的执行环境”

Claude Agent SDK 适合让 Agent 自己读取文件、执行命令并完成多步任务。只读巡检可以这样限制:

from claude_agent_sdk import query, ClaudeAgentOptions
options = ClaudeAgentOptions(
system_prompt="只读取指定项目文件并生成报告,不修改任何内容。",
allowed_tools=["Read"],
disallowed_tools=["Write", "Edit", "Bash"],
max_turns=4,
)
async for message in query(prompt="巡检指定文件", options=options):
print(message)

这里最容易读错权限:allowed_tools 是自动批准列表,不是“只暴露这些工具”的完整清单。要阻止工具,使用 disallowed_tools;更细的控制再结合 permission_mode、can_use_tool 和 Hooks。只写 allowed_tools=["Read"] 不能当作绝对沙箱。

query() 适合一次性任务;ClaudeSDKClient 支持双向多轮交互、自定义工具和 Hooks。SDK 还会按 Claude Code 规则加载项目 .claude/ 和用户目录中的 Skills、命令与记忆,共享环境必须检查这些本地文件是否带入意外指令或数据。

它与其他入口的边界是:Client SDK 只调用模型;Agent SDK 在你的环境运行 Agent 循环;Managed Agents 由 Anthropic 托管长时间任务和沙箱。

选择理由:你需要的是 Claude Code 的执行循环和上下文管理,而不只是 Claude 模型。Claude Agent SDK Python

状态例子应该怎样保存
当前对话最近消息、用户刚才指定的目录应用历史、SDK Session 或服务端对话状态
执行进度已读哪些文件、下一步、审批状态、重试次数checkpointer、Flow、任务数据库或明确状态机
长期记忆用户长期偏好、过往决定、可复用经验独立写入、检索、冲突和删除规则
业务事实文件当前内容、订单、库存、权限业务系统与版本化存储,执行时重新核对

框架保存 Session 或 Checkpoint,不等于后两类已经解决。恢复一条消息,也不代表可以安全地重复下单、修改文件或执行命令。

  1. 先用一个只读工具跑通,保存工具输入、结果和最终输出。
  2. 加入文件白名单、轮次和超时限制,再测试越权路径与错误输入。
  3. 需要恢复时,明确保存的是对话、执行进度还是业务结果,并测试进程重启。
  4. 需要写操作时,把审批绑定真实文件和参数;不能用角色名或输出 Guardrail 代替业务校验。
  5. 只有单 Agent 出现明确瓶颈,才增加团队,并写清最终责任、终止条件和总预算。
  6. 用同一任务比较框架,记录执行路径是否清楚、恢复是否可靠、额外调用和维护成本是否值得。

本文只按 2026-11-14 核对的官方文档比较抽象和边界,示例代码未在本站环境运行;具体安装版本、API 字段和模型名以项目实际使用版本为准。