简介:本文面向需要选型的开发者,梳理综合型、通用型和专用型三类智能体开源框架,对比LangGraph、AutoGen、LangChain、CrewAI、LlamaIndex和OpenAI Agents SDK的定位与依赖,给出选型决策树、生产治理清单和可执行的POC验证步骤,帮助读者按业务场景缩小选择范围。
智能体框架负责组织模型、工具、记忆和多个角色的运行流程。它与几类相近工具的边界如下。
工作流编排框架事先定义节点和流转路径,模型只在节点内生成内容。智能体框架则允许模型自行决定下一步动作。RAG框架侧重文档切分、索引和检索,LlamaIndex在这方面较强。模型SDK只封装接口调用、消息格式和结构化输出,是智能体框架的底层依赖,本身不负责任务循环和治理。
判断标准很直接:只有当系统需要模型自主决定下一步动作时,才需要引入智能体框架。
本文按三类路线归类常见项目:
本文不标注具体版本号。这些项目迭代很快,落地前应查看官方仓库的最新稳定版和发布日期。多数项目公开采用MIT许可证,但使用前仍需核对仓库中的LICENSE文件。AutoGen需要特别确认维护状态,因为微软近期推出的Agent Framework被视为其后续方向。
一个可用于生产的智能体系统通常包含六个层次:模型调用层、工具执行层、决策与规划层、记忆与上下文层、协作编排层、运行与治理层。选型时不能只看“能否调用模型”,还要考察多角色编排、工具安全、状态恢复和日志追踪能力。
执行过程中,框架需要维护一组关键状态字段,包括task_id、目标描述、当前步数、最大步数、截止时间、工具调用记录、记忆引用、任务状态和终止原因。缺少这些字段,就很难定位循环执行或结果覆盖等问题。
下面的伪代码说明控制逻辑,不能直接用于生产。
输入:目标 goal,工具白名单 allowed_tools,最大轮次 MAX_STEPS,总超时 TIMEOUT初始化:state = {task_id, goal, step=0, status="running", stop_reason=None}循环:若 step >= MAX_STEPS 或已超时:status 置为 stopped,记录 stop_reason,退出action = 模型根据 goal、历史摘要和工具清单生成下一步动作若 action 为直接回复:校验输出格式,通过则返回,否则重试一次若 action 为工具调用:若工具名不在 allowed_tools 中:拒绝调用,并把拒绝原因返回模型校验参数类型与取值范围,失败则返回错误信息若工具属于写入、发送或执行命令类:转人工确认,未确认则挂起以单次超时调用工具,可重试错误按指数退避重试,最多3次将截断后的结果写入上下文step += 1记录模型输入摘要、动作、工具参数、返回结果和耗时
下表基于各项目官方文档的公开描述归纳,评级为相对判断,不代表性能测试结果。
| 框架 | 类型 | 许可证 | 主要语言 | 核心依赖包(示例) | 多智能体编排 | 模型切换 | 上手难度 |
|---|---|---|---|---|---|---|---|
| LangGraph | 综合型 | MIT | Python、JS | langchain-core | 强,基于图状态机 | 较好,借助LangChain模型抽象 | 中高 |
| AutoGen | 综合型 | MIT | Python、.NET | autogen-core、autogen-agentchat | 强,多角色对话 | 较好 | 中 |
| LangChain | 通用型 | MIT | Python、JS | langchain-core | 弱,通常配合LangGraph | 强 | 低 |
| CrewAI | 通用型 | MIT | Python | crewai | 中,基于角色和任务定义 | 较好 | 低 |
| LlamaIndex | 通用型(检索强) | MIT | Python、TS | llama-index-core | 中 | 较好 | 中 |
| OpenAI Agents SDK | 专用型 | MIT | Python、JS/TS | openai | 中,支持任务交接 | 弱,主要面向OpenAI接口 | 低 |
以上所有框架都依赖Python或JavaScript运行环境、模型服