Agent 框架横向对比
Agent 框架横向对比
本文对比当前主流 Agent 框架：LangChain、LangGraph、AutoGen、CrewAI、smolagents、OpenAI Swarm 和 OpenManus，给出定位、特性、适用场景与选型建议，帮助快速做技术决策。
1. LangChain
定位：通用 LLM 应用开发框架，模块化封装 Prompt、Memory、Tools 与 Agent。
优势：生态成熟、工具丰富、快速原型。
局限：复杂流程编排需要额外控制逻辑，多步骤可控性一般。
适合：单智能体为主、需要快速接入工具与数据源的场景。
2. LangGraph
定位：图结构 Agent 编排框架，强调状态管理与可控流程。
优势：支持分支/循环、人机协作、可观测与恢复。
局限：学习曲线更高，自主性相对有限。
适合：流程复杂、需明确控制路径的 Agent 工作流。
3. AutoGen
定位：微软开源的多智能体对话编排框架，强调对话驱动的协作。
优势：多 Agent 原生支持、对话式协作、可扩展。
局限：调试成本高，生态成熟度仍在增长。
适合：多角色协作、研究与探索类任务。
4. CrewAI
定位：类团队协作的多 Agent 编排框架。
优势：角色分工清晰、YAML 配置友好、集成工具多。
局限：复杂场景仍需手动补齐工具与流程。
适合：任务协作、流程明确的多 Agent 场景。
5. smolagents
定位：极简框架，强调 “Code as Actions”。
优势：轻量、上手快、直接让模型写代码调用工具。
局限：生态相对小，复杂流程需自行搭建。
适合：快速实验、教学与轻量项目。
6. OpenAI Swarm
定位：轻量级多 Agent 协作框架，强调清晰的角色分工与交接。
优势：结构简单、适合快速构建多 Agent 协作流程。
局限：功能范围较窄，复杂流程需扩展。
适合：轻量多 Agent 协作与 PoC。
7. OpenManus
定位：面向工程化的 Agent 框架，偏系统性落地。
优势：覆盖多角色、多步骤与运行时治理。
局限：上手成本较高，需要一定工程基础。
适合：企业级 Agent 工程化落地。
8. 关键维度对比（速览）
| 维度 | LangChain | LangGraph | AutoGen | CrewAI | smolagents | OpenAI Swarm | OpenManus |
|---|---|---|---|---|---|---|---|
| 学习成本 | 低-中 | 中-高 | 高 | 中 | 低 | 低 | 中-高 |
| 可控性 | 中 | 高 | 中 | 中 | 低 | 中 | 高 |
| 自主性 | 中 | 中 | 高 | 中 | 中 | 中 | 中 |
| 多 Agent | 中 | 高 | 高 | 高 | 低 | 中 | 高 |
| 生态成熟度 | 高 | 中 | 中 | 中 | 低 | 低 | 中 |
| 适用规模 | 中 | 中-大 | 中-大 | 中 | 小 | 小-中 | 大 |
提示：如果你更在意可控与可观测，优先 LangGraph；更在意生态与快速上线，优先 LangChain。
9. 选型建议
| 目标 | 推荐框架 |
|---|---|
| 快速上手、生态成熟 | LangChain |
| 流程复杂、可控性优先 | LangGraph |
| 多 Agent 对话协作 | AutoGen |
| 角色分工与协作流程 | CrewAI |
| 极简实验与教学 | smolagents |
| 轻量多 Agent 协作 | OpenAI Swarm |
| 工程化落地 | OpenManus |
10. 何时该用 Agent
- 问题路径无法穷举，需要动态决策。
- 任务跨系统、需多工具协作。
- 对话中需要澄清、协商与执行闭环。
满足以上条件时，优先考虑 Agent 框架；否则 Workflow 更稳更省。
11. 选型流程（简化版）
- 路径是否可穷举？ 能 → Workflow；不能 → 进入 Agent。
- 是否需要强可控与审计？ 是 → LangGraph / OpenManus。
- 是否多角色协作？ 是 → AutoGen / CrewAI / LangGraph。
- 是否快速原型？ 是 → LangChain / smolagents / Swarm。
12. 常见误区
- 一上来就多 Agent：多 Agent 成本高，先做单 Agent 验证价值。
- 只追求“自治”：缺乏可控性会导致线上事故，必须加审计和限流。
- 忽略数据与工具质量：Agent 质量=模型 × 数据 × 工具质量，模型只是其中一环。
13. 落地建议（AI Engineer 视角）
- 先 Workflow 后 Agent：能确定流程的先固化，缩小不可控面。
- 工具层先稳定：API 可靠、权限最小化、异常可重试。
- 加观测与回放：记录决策、工具调用和关键输入输出。
- 人机协作兜底：关键步骤加入人工确认或回滚策略。
📚 相关资源
❓ 常见问题
关于本章主题最常被搜索的问题，点击展开答案
LangChain 和 LangGraph 都是同一家出的，到底差在哪？
LangChain 是通用 LLM 应用开发框架，模块化封装 Prompt、Memory、Tools、Agent，生态最成熟、上手最快、单 agent 场景适合；LangGraph 是图结构编排框架，强调状态管理、可控流程、支持分支 / 循环 / 人机协作 / 可观测与恢复。学习成本：LangChain 低-中、LangGraph 中-高。生产判断：流程简单 + 想快上线 → LangChain；流程复杂 + 需要明确控制路径 + 多 agent 协作 → LangGraph。两者可以混用，LangGraph 也兼容 LangChain 的工具生态。
smolagents 的 "Code as Actions" 是什么意思？
smolagents 让模型直接写代码来调用工具，而不是输出结构化的 tool call JSON。模型生成一段 Python 代码（"先调 search('xxx')，再用 result 喂给 summarize()"），框架负责跑代码。优势是轻量、上手快、灵活 —— 模型用代码逻辑天然能表达循环、条件、组合调用，比 JSON schema 表达力强。劣势是生态相对小、复杂流程需自己搭建、安全风险更高（执行任意代码）。适合快速实验、教学、轻量项目；不适合企业生产。
OpenAI Swarm 和 CrewAI 都做多 Agent，怎么选？
Swarm 极简轻量，强调清晰的角色分工与 handoff（一个 Agent 把对话直接交给另一个 Agent），适合 PoC 和快速搭建几个 Agent 协作的场景；CrewAI 类团队协作模型，YAML 配置友好、集成工具丰富、角色分工更细致，适合任务协作流程明确的中等规模场景。学习成本两者都低-中。Swarm 功能范围窄、复杂场景需要扩展；CrewAI 在复杂场景仍需手动补齐工具与流程。生产规模大可考虑 LangGraph 或 OpenManus。
OpenManus 适合什么场景？为什么上手成本高？
OpenManus 面向工程化 Agent 落地，覆盖多角色、多步骤、运行时治理（如 audit、限流、回滚）。学习成本中-高、可控性高、适用规模大 —— 是企业级 Agent 部署的选择。上手难是因为它要求一定工程基础：要懂运行时治理、状态机、多角色协作的设计。如果你只是做 PoC 或单 Agent 任务，OpenManus 杀鸡用牛刀；只有当你已经踩过 LangChain / Swarm 的坑、需要更系统的工程化能力时再上。
选 Agent 框架最常见的三个误区是什么？
三大误区：(1) 一上来就多 Agent —— 多 Agent 成本高、调试难，应该先用单 Agent 验证价值再拆；(2) 只追求 "自治" —— 缺乏可控性会导致线上事故，必须加审计和限流，再 "聪明" 的 Agent 都得有 kill switch；(3) 忽略数据与工具质量 —— Agent 质量 = 模型 × 数据 × 工具质量，模型只是其中一环，工具 API 不可靠 / 文档烂 / 权限不对，模型再强也救不回来。落地建议：先 Workflow 后 Agent、工具层先稳定、加观测与回放、关键步骤人机协作兜底。