Agent 框架不是帮你"接一个大模型"，而是帮你把大模型变成可编排、可调用工具、可多人协作、可观测、可上线的智能应用系统。

过去做 AI 应用，常见路径是：用户输入 → Prompt → LLM → 返回答案。再进一步，是 RAG：用户输入 → 检索知识库 → LLM 生成 → 返回答案。

但到了企业级 Agent 场景，仅靠一次 LLM 调用或一个 RAG 链路就不够了。真实业务往往需要理解任务、拆解步骤、调用工具/API、查询数据库、多轮推理、人工审批、执行动作、记录日志、评估效果。

Agent 框架到底解决什么问题

一个 Agent 应用通常由 8 个核心组件组成：

Agent = LLM + Prompt + Memory + Tools + Planning + Workflow + Guardrails + Observability

组件	作用	没有它会怎样
LLM	负责理解、推理和生成	只能做传统规则系统
Prompt	定义角色、任务、边界和输出格式	输出不稳定、不可控
Memory	保存上下文、历史偏好、长期状态	每次对话都像第一次见面
Tools	调用函数、API、数据库、搜索、代码执行等	Agent 只能"说"，不能"做"
Planning	拆解任务、决定下一步动作	复杂任务容易丢步骤
Workflow	控制执行顺序、分支、循环、暂停和恢复	难以承载企业流程
Guardrails	输入输出校验、安全约束、人工审批	容易幻觉、越权、误操作
Observability	tracing、日志、评估、成本监控	出问题不知道错在哪里

一个成熟 Agent 框架至少要解决四类问题：

1. 任务如何被拆解？

用户说"帮我分析库存风险并给出补货建议"，背后可能需要查询库存、销量、采购周期、安全库存、供应商交期、历史促销等多个系统。

2. 工具如何被调用？

Agent 不能只生成文字，而要能调用：

get_inventory()
get_sales_trend()
search_policy_docs()
create_purchase_order()
send_approval_request()

3. 多个 Agent 如何协作？

例如：主 Agent 理解目标与任务拆解，库存 Agent 判断缺货和滞销，定价 Agent 给出调价建议，采购 Agent 给出补货建议，风险 Agent 检查是否需要人工审批，报告 Agent 生成最终建议。

4. 如何确保安全和可观测？

什么情况下拒绝执行，什么情况下暂停等待人工审批，出现异常时如何回滚和告警。

---

主流 Agent 框架横向对比

下面按复杂度从低到高，逐一解析各框架的设计理念、核心能力和选型建议。

1. LangChain / LangGraph

定位：轻量级脚本 → 生产级应用

LangChain 早期定位是快速原型，主打 Chains（链式调用）和 LCEL（LangChain Expression Language）。但随着企业级需求出现，LangChain 的局限性逐渐暴露：状态管理弱、并行控制差、调试困难。

LangGraph 应运而生。LangGraph 核心是把应用建模成一张图（Graph），节点是计算单元，边是状态流转。支持循环、条件分支、并行执行，非常适合复杂 Workflow。

典型应用场景：

• RAG 增强问答
• 多步骤数据处理流水线
• 简单的 Agent 循环

优势：

• 入门简单，文档丰富
• 与 LlamaIndex 无缝集成
• LangGraph 支持复杂流程

不足：

• LangChain Python 版早期设计较松散，生产环境需谨慎
• LangGraph 相对更成熟，但学习曲线略陡
• 调试和追踪仍是痛点

代码示例：

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

class AgentState(TypedDict):
    input: str
    output: str

graph = StateGraph(AgentState)
graph.add_node("process", process_node)
graph.add_edge("process", END)
app = graph.compile()

2. LlamaIndex

定位：企业级知识库 RAG

LlamaIndex 专注于知识密集型应用，核心是"索引-检索-合成"链路。相比 LangChain，LlamaIndex 的 RAG 管道更成熟，支持多种索引策略、召回优化、重排集成。

如果你的需求是让大模型精准回答企业知识库里的问题，LlamaIndex 是首选。如果还需要复杂的 Workflow 编排，可以考虑 LlamaIndex + LangGraph 组合。

典型应用场景：

• 企业知识库问答
• 合同/文档检索
• 多文档综合分析

优势：

• RAG 管道成熟，索引策略丰富
• 数据源连接器完善（PDF、Notion、Slack 等）
• 与 LangChain、LangGraph 可组合

不足：

• 非 RAG 场景能力较弱
• Workflow 编排不如 LangGraph 灵活

3. AutoGen / Microsoft Agent Framework

定位：多 Agent 协作与对话式应用

微软的 AutoGen 核心是多 Agent 对话框架。每个 Agent 可以是人、工具或 LLM，Agent 之间通过消息传递协作。支持人类在环（Human-in-the-loop），适合需要人工审批的场景。

AutoGen Studio 提供低代码界面，降低使用门槛。

典型应用场景：

• 复杂任务的多 Agent 协作
• 需要人工审批的工作流
• 研究助手、代码生成助手

优势：

• 多 Agent 对话模型清晰
• 支持人类在环审批
• 与 Azure AI 服务集成

不足：

• 学习曲线较陡
• 生产部署依赖微软生态

代码示例：

from autogen import ConversableAgent, UserProxyAgent

assistant = ConversableAgent("assistant", llm_config={"model": "gpt-4"})
user_proxy = UserProxyAgent("user", code_execution_config={"work_dir": "coding"})
chat = assistant.initiate_chat(user_proxy, message="分析库存数据")

4. CrewAI

定位：角色驱动的多 Agent 协作

CrewAI 受剧本式协作启发，提出 Agent → Task → Crew 三层抽象。Agent 有明确的角色和目标，Task 定义具体任务，Crew 编排多个 Agent 按顺序或并行执行。

CrewAI 的优势是业务语义清晰，适合业务流程明确、需要多角色协作的场景。

典型应用场景：

• 销售流程自动化
• 内容创作流水线
• 市场调研与分析

优势：

• 角色和流程抽象直观
• 任务依赖关系清晰
• 上手快，业务友好

不足：

• 灵活性受限，高级定制需要深入源码
• 并行执行支持有限

代码示例：

from crewai import Agent, Task, Crew

researcher = Agent(role="研究员", goal="收集竞品信息", backstory="专注市场分析")
writer = Agent(role="作家", goal="撰写报告", backstory="专业商业写手")

crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff()

5. MetaGPT

定位：模拟团队协作的 Agent 框架

MetaGPT 模拟软件公司的组织结构，引入 SOP（标准操作程序）。每个 Agent 有角色（产品经理、架构师、工程师、测试），通过结构化消息传递协作。

MetaGPT 的野心是让 LLM 自主完成复杂软件项目。

典型应用场景：

• 软件开发任务分解与执行
• 需要多角色协作的复杂任务
• 研究性任务的自动化

优势：

• SOP 机制让多 Agent 协作更稳定
• 角色定义清晰
• 适合软件工程场景

不足：

• 资源消耗大
• 适用场景相对垂直

6. OpenAI Agents SDK / Swarm

定位：轻量级多 Agent 编排

OpenAI 的 Agents SDK（前身是 Swarm）主打轻量、实验性。不依赖重型框架，通过简化的 API 实现 Agent 路由和交接。

适合快速实验和简单场景，生产环境使用需谨慎。

典型应用场景：

• 快速原型验证
• 简单的 Agent 路由场景
• 教育和小规模实验

优势：

• 极其轻量
• 与 OpenAI API 集成好
• 学习成本低

不足：

• 功能有限
• 生产环境稳定性存疑
• 不适合复杂 Workflow

7. Semantic Kernel

定位：企业级 AI 应用开发（微软生态）

Semantic Kernel 是微软面向企业推出的 SDK，支持 C#、Python、Java。与 Azure AI、Copilot