Vibe Coding 与 AI Agent 全景知识库

主题

2.12 主流开发框架全景：LangChain、LangGraph、AutoGen 与 CrewAI ​

装修时，现成的门窗、管件和电器能减少从零制作的工作，但仍需要根据房间尺寸组合。开发框架也提供可复用组件与组织方式，帮助连接模型、工具、状态和数据。选框架之前，先确定项目需要解决的是调用接口、检索资料，还是控制多步执行。

主流 AI 开发框架核心全景 ​

概念与流程示意图

核心框架生活化介绍 ​

1. LangChain —— 自来水管道拼接法（LCEL） ​

  • 拼接自来水管道。
  • 核心机制：通过统一的管道操作符 |，把输入、提示词、大模型、输出解析器像拼水管一样一气呵成：
    python
    # 提示词 | 提供给模型 | 解析成纯文本
chain = prompt_template | chat_model | StrOutputParser()
  • 核心定位：提供模型集成与智能体组件。LCEL 管道是其中一种组合方式，不能代表整个框架；当前还可通过 create_agent 组织模型、工具与中间件，参见 LangChain 概览。

2. LangGraph —— 带交警和红绿灯的环岛十字路口 ​

  • 复杂的城市交通环岛。
  • 三大核心要素：
    • State（共享记分黑板）：图执行中传递的数据；可见范围取决于状态与子图设计；
    • Nodes（执行工人节点）：具体干活的函数或子 Agent（如“代码生成节点”、“代码测试节点”）；
    • Edges（交警与路口指示牌）：判断测试是否通过，没通过就**“掉头循环（Cyclic）”**回上一步重写，通过了才放行到终点。

概念与流程示意图

3. Microsoft AutoGen —— 专家微信群自由辩论 ​

  • 拉一个各路专家云集的微信群（GroupChat）。
  • 核心机制：群里有“数学家 Agent”、“程序员 Agent”、“批评家 Agent”。针对一个难题，大家在群里各抒己见、互相指出对方代码里的漏洞，最后由人类群主或总结 Agent 汇总出最优解。

4. CrewAI —— 严谨的电影剧组分工 ​

  • 好莱坞电影摄制组。
  • 核心机制：
    • 编剧 Agent（负责根据大纲写剧本） ➔ 产出传递给 ➔ 导演 Agent（负责挑选拍摄机位） ➔ 产出传递给 ➔ 摄影 Agent ➔ 剪辑 Agent。
    • 每个岗位都有明确的职责（Role）、奋斗目标（Goal）与背景设定（Backstory），按部就班高效流水线作业。

5. LlamaIndex —— 数据连接与高级 RAG 的相关工具 ​

  • 官网: https://www.llamaindex.ai | 文档: https://docs.llamaindex.ai
  • 用于把数据库、文档等企业数据（SQL、Notion、PDF、Excel）接入大模型而生。
  • 主要功能: 提供多种索引与检索组件（文档树状索引、知识图谱混合检索）。

6. Google ADK（Agent Development Kit） —— 谷歌官方多智能体开发框架 ​

  • 是什么：谷歌开源的 code-first Python 框架，用于构建、评估、部署 AI Agent。针对 Gemini 做了优化，但模型无关、部署无关，也兼容其他框架。
  • 核心能力：
    • 多智能体：把专精 Agent 组合成层级结构协同作战；
    • 灵活编排：既能走可预测的“工作流流水线”，也能用 LLM 动态路由；
    • 丰富工具生态：预置工具 + 自定义函数，还能直接集成 LangChain / CrewAI；
    • 开发者体验：自带 CLI 与浏览器 UI，逐步调试每一步执行轨迹；
    • 评测与部署支持：可容器化到 Cloud Run / 自定义 Docker。
  • 工作流能力：可通过不同组件组织顺序、并行和循环执行，具体接口与语言支持以当前文档为准；
  • 多语言支持：请在官方文档中按所选语言查看功能矩阵。

7. Pi Agent —— 可扩展的编码智能体工具集 ​

Pi 将模型接口、智能体循环、终端界面和编码工具组织成不同组件。阅读它的官方仓库，可以观察模型适配、工具执行与用户界面如何分开维护。

它适合作为理解运行系统的一个案例。选择时应查看当前版本的扩展、权限和会话机制，不能只用核心代码行数评价复杂度；功能移到扩展后，维护责任并不会消失。

8. OpenAI Agents SDK —— Swarm 的官方继任者 ​

  • 是什么：OpenAI 官方推出的多智能体开发 SDK（Python / JavaScript 双版本），承接实验项目 Swarm 的部分设计思路，提供正式的智能体开发组件。
  • 核心概念：
    • Agent（智能体）：指令（Instructions）+ 工具（Tools）+ 模型组合成一个 Agent；
    • Handoffs（交接）：Agent 之间一键交接任务（继承自 Swarm 的设计）；
    • Guardrails（护栏）：在输入输出阶段自动校验，执行配置好的校验；不能替代业务权限检查；
    • Sessions / Tracing：会话管理与全链路可观测追踪。
  • 适合谁：希望使用其智能体、交接和追踪组件的开发者；模型兼容性应单独验证。

9. Microsoft Semantic Kernel —— 企业级 .NET / C# 智能体 SDK ​

  • 是什么：微软官方开源 SDK，支持 C#（主战场）/ Python / Java，专为企业级应用打造。
  • 核心概念：
    • Kernel（内核）：连接模型与各类插件的核心容器；
    • Plugins（插件）：把现有业务代码包装成语义化函数，让模型可直接调用；
    • Agents（智能体）：支持单 Agent 与多 Agent 协作，深度集成 Azure OpenAI 与 Microsoft 365。
  • 适合谁：使用 .NET / C# 技术栈、或要接入 Azure 与 Office 生态的企业开发者。

10. Haystack —— 工业级 RAG 流水线 ​

  • 是什么：deepset 出品、面向生产环境的 LLM 应用框架，尤其擅长搭建可监控、可评测、可扩展的 RAG 流水线。
  • 核心概念：
    • Pipeline（流水线）：把文档存储、向量检索、重排、生成等组件像流水线一样串联；
    • 组件化：DocumentStore / Retriever / Embedder / Generator / Evaluator 即插即用；
    • 生产友好：内置评测（Evaluation）与 OpenTelemetry 可观测性，方便上线运维。
  • 适合谁：企业知识库、客服问答等对稳定性与可观测性要求高的场景。

11. Pydantic AI —— 类型安全的新锐 Agent 框架 ​

  • 是什么：由 Pydantic 团队打造，以类型系统为核心卖点的 Python Agent 框架——写出来的智能体自带类型校验与结构化输出。
  • 核心优势：
    • 模型无关：OpenAI / Anthropic / Gemini / Groq / Ollama 等全支持；
    • 结构化输出：用类型定义与验证检查结构；内容是否属实还要另行验证；
    • 类型即文档：IDE 提示、自动补全、运行时校验一应俱全，开发体验极佳。
  • 适合谁：追求可维护性与输出确定性的 Python 开发者。

12. Dify / Flowise / Coze —— 低代码可视化平台 ​

  • 共同特点：不用写代码或只写少量代码，拖拽节点 + 可视化编排即可搭出 RAG 问答、Agent、工作流应用，初学者也能快速上线。
  • Dify（开源）：自托管友好、知识库（RAG）+ 工作流 + Agent 能力均衡，可评估自托管与工作流需求；
  • Flowise（开源）：以 LangChain 为底的可视化“连线搭积木”，适合快速原型验证；
  • Coze（扣子 / 字节）：云端零代码平台，内置海量插件与 Bot 生态，可用于搭建聊天应用。

13. DeepSeek Harness —— 通过插件组合运行系统 ​

DeepSeek Harness 的开发者预览采用插件化设计，将模型、工具、会话等能力组合起来。它提供了另一种观察运行支架的方法：哪些能力适合作为公共组件，哪些可以独立替换。

对学习者来说，重点是理解组件边界和执行记录，而不是记住插件数量或仓库规模。用于实际项目时，应查看当前发布状态、迁移说明和所需插件是否兼容。

核心框架横向对比与选型指南 ​

框架名称上手难度核心优势最佳适用场景
LangChain🟡 中等模型与组件集成快速调用 API 搭建原型、标准化链式调用
LangGraph🔴 较高状态管理严密、支持复杂循环与人工审核企业级严肃生产系统、复杂的自主工作流
CrewAI🟢 较低角色定义直观、开箱即用组建 AI 写作团队、市场分析团队、虚拟产品开发团队
AutoGen🟡 中等微软官方背书、多 Agent 对话探索能力极强复杂研究性任务、探索式数据分析与编程协作
LlamaIndex🟡 中等数据连接、索引与检索严肃的企业知识库、跨数据源报表生成系统
Google ADK🟡 中等谷歌官方、编排灵活、自带评测与一键部署与 GCP / Gemini 深度集成的生产级多智能体
Pi Agent🟢 较低极简可控、上下文极省、扩展优先想“自己掌控”的轻量编码 Agent、学习运行系统的案例
OpenAI Agents SDK🟡 中等OpenAI 官方、Handoff 简洁、有护栏需要交接、工具与追踪组件的项目
Semantic Kernel🟡 中等微软官方、企业级、.NET/C# 集成既有 .NET 等项目与模型服务集成
Haystack🟡 中等生产级 RAG、可评测可观测企业知识库、客服问答等严肃场景
Pydantic AI🟢 低类型安全、结构化输出、模型无关追求可维护性与输出确定性的 Python 项目
Dify / Flowise / Coze🟢 较低零代码拖拽、开箱即用快速搭建、非程序员、可视化工作流
DeepSeek Harness🟡 中等国产官方、一切皆插件、可追溯调试想深度定制 / 自托管的开源编码 Agent

其他值得关注的框架 / 工具工具与资源速查 ​

上面的框架与平台已展开详解；下面这些同样高频出现，按类别快速了解一下：

类别工具一句话定位
本地推理Ollama一键本地运行开源模型（详见 2.10）
本地推理vLLM生产级高性能开源推理引擎
API 网关LiteLLM统一 100+ 模型 API，一套代码自由切换供应商
Agent 记忆Mem0跨会话长期记忆层框架（Agent 的“记性”）
虚拟团队MetaGPT模拟软件公司全流程的多智能体（见 2.9）
虚拟团队ChatDev虚拟软件开发团队，角色化协作（见 2.9）
多渠道平台OpenClaw接入 Telegram / Discord / WhatsApp 的 Agent 平台
多智能体CAMEL学术派角色扮演多智能体（见 2.9）
多智能体AgentScope阿里开源，支持可视化调度的多智能体框架
官方 SDKGoogle GenAI SDKGemini 官方接入 SDK
官方 SDKAnthropic SDKClaude 官方接入 SDK（含 Agent 工具）
可视化AutoGen StudioAutoGen 的拖拽式可视化界面

先选需要的层次，再选产品 ​

做一个把文本转换成结构化记录的小工具，可以直接使用模型 SDK 与参数验证，不一定需要完整的多智能体框架。需要工具循环时，再考虑智能体组件；需要分支、暂停和恢复时，再考虑显式的流程编排。

当前困难优先寻找的能力不必急着增加的东西
不同模型调用写法不一致模型适配或统一接口多角色团队
检索与文档处理复杂数据连接、切块、检索和引用自主任务规划
执行需要暂停后继续状态持久化、检查点与恢复更多模型
输出字段经常错误结构化输出、验证与错误处理更长的角色设定
不清楚为何执行失败日志、追踪和可复现输入重新更换全部技术栈

这些层次可以组合，但组合之后还要明确谁负责状态、谁负责重试。两个组件都自动重试时，一次失败可能被重复放大成多次请求。

用同一个小功能比较候选框架 ​

选一个任务，例如“读取三份活动规则，回答问题并显示出处”。先用最少组件实现，再观察：需要多少自定义代码，出错时能否看到原始响应，能否替换模型，能否单独测试检索。

不要只比较示例代码有几行。教程把配置藏在默认值里，看起来很短；正式应用仍然需要认证、版本、日志和失败处理。理解默认行为，才能判断简洁来自合理封装还是省略了必要工作。

框架升级时，最容易遗漏什么 ​

模型名称、方法签名、返回对象和状态格式都可能变化。已有项目应记录依赖版本，升级前阅读迁移说明，再用固定用例检查模型调用、工具执行和状态恢复。

例如旧教程展示字符串返回，新版本返回带内容块和元信息的对象，如果仍按字符串处理，就可能丢失工具调用或用量信息。此时先查当前版本文档，不要反复修改提示词。

选型结果应留下简短记录 ​

记下选择原因、没有选择的备选、当前依赖版本，以及日后什么条件下需要重新评估。例如：“当前只需固定问答链路，先保留简单实现；当需要人工暂停与恢复时，再引入显式状态编排。”

这样的记录比给框架排永久名次更有价值。项目变复杂之后，下一位维护者能知道当初的决定依据，也能看出哪些条件已经改变。

官方文档与权威代码仓直达 ​