很多人做 Agent，第一步就开始纠结框架。

用 LangChain，还是 LangGraph？用 CrewAI，还是 Google ADK？要不要上 OpenAI Agents SDK？LlamaIndex 又放在哪里？

先别急。框架不是答案，业务复杂度才是答案。

如果只是一个简单问答，加一层复杂框架，反而会把系统做重。 如果要做多步骤、可恢复、可监控、可审批的生产 Agent，没有框架又会很快失控。

一、框架不是魔法，而是脚手架

大模型负责推理。工具负责行动。记忆负责上下文。流程负责调度。观测负责发现问题。部署负责进入生产。

框架的作用，就是把这些能力组织起来。它不一定让模型更聪明，但能让系统更可控。

最常见的误区是：把“框架能力”当成“业务能力”。框架能提供工具调用、状态管理、路由、Trace、评估接口，但不会自动帮你定义业务边界、工具权限、失败策略和上线指标。

二、主流框架先分层，再比较

不同框架不是同一种东西。LangChain 更像组件库，LangGraph 更像流程编排引擎，CrewAI 更像团队协作抽象，LlamaIndex 更偏数据和 RAG，ADK / OpenAI / Microsoft 更偏生产级 SDK 和平台能力。

所以不要问“哪个最好”。要问“我的项目最缺哪一层能力”。

三、几个常用框架怎么理解

1. LangChain：适合快速搭积木

LangChain 的价值在于组件丰富。Prompt、Model、Tool、Output Parser、Retriever、Chain，很多常用模块都能快速串起来。

适合：原型、工具调用、RAG 入口、简单流程。 不适合：大量循环、复杂状态、长任务恢复。复杂编排通常要配 LangGraph。

2. LangGraph：适合复杂流程和状态机

LangGraph 的核心是图。节点是步骤，边是流转，状态是贯穿全流程的数据包。

如果你的 Agent 需要分支、循环、重试、暂停、人类审批、从失败点恢复，LangGraph 更适合。它更像“Agent 工作流引擎”。

3. CrewAI：适合角色分工

CrewAI 的抽象更接近团队。你定义 Agent、Task、Crew，让不同角色按流程协作。

适合：研究员、分析师、审核员、执行员这种角色明确的多智能体任务。注意点是，角色协作容易写得热闹，但状态控制、失败恢复和评估仍要自己设计。

4. Google ADK：适合 Google / Gemini / Cloud 生态

ADK 更偏生产级 Agent 开发工具包。它关注多智能体、会话、工具、评估和部署，适合希望接入 Gemini、Vertex AI、Google Cloud 的团队。

如果企业已经在 Google Cloud 上，ADK 的价值会更明显。

5. LlamaIndex：适合数据和知识库

LlamaIndex 不是单纯的 Agent 编排框架。它更擅长数据接入、文档解析、索引、检索、重排和 RAG。

如果你的核心问题是“怎么把企业文档喂给 Agent”，LlamaIndex 通常比纯编排框架更关键。

6. OpenAI Agents SDK：适合轻量生产 Agent

OpenAI Agents SDK 更适合使用 OpenAI 模型体系，并且应用自己掌控工具执行、审批、状态和编排的场景。

它的优势是清晰、轻量、和 Responses API / 工具调用 / 追踪能力衔接自然。

7. Microsoft Agent Framework / Semantic Kernel：适合企业工程集成

微软体系更适合 .NET、Python、Azure、企业插件、类型安全、遥测和工作流治理场景。

如果你的团队重度使用 Azure、.NET 或 Microsoft 生态，可以优先看这条路线。

8. Strands Agents：适合 AWS 和模型驱动 Agent

Strands Agents 是 AWS 推出的轻量级开源 Agent SDK，强调模型驱动、工具调用和 AWS 生态集成。

如果你的基础设施在 AWS / Bedrock 上，值得关注。

四、选型不要靠感觉，用决策树

选框架时，先不要看热度。先回答几个问题：任务是否有多步骤？是否要保存状态？是否需要人类审批？是否以知识库为核心？是否要部署到云平台？是否要跨团队维护？

答案不同，框架选择也不同。

五、案例：企业知识库问答 Agent

场景很常见：研发同学问“这个接口为什么超时？”系统要查接口文档、历史故障、日志说明、监控告警和代码规范，然后给出可追溯答案。

这个系统不要只用一个框架硬扛。更合理的组合是：LlamaIndex 管资料接入和检索，LangGraph 管查询流程和状态，OpenAI Agents SDK 或 ADK 管工具调用、审批和运行，观测平台负责 Trace 和评估。

这样做的好处是边界清晰：数据归数据，流程归流程，工具归工具，评估归评估。后续替换某个框架，不会把整个系统推倒重来。

六、源码级逻辑：框架底层其实在管这几件事

不看具体代码，也能抓住核心逻辑。大多数 Agent 框架底层都会围绕一个循环运转：接收输入，构造上下文，调用模型，解析模型输出，决定是否调用工具，更新状态，进入下一轮，直到完成或失败。

LangGraph 把这个循环显式画成图。CrewAI 把它包装成角色和任务。ADK / OpenAI Agents SDK 把它封装成更完整的 Agent 运行时。LlamaIndex 则把其中“检索上下文”这一步做深。

七、框架选型的几个原则

• 能不用多智能体，就先不用多智能体。多智能体不是更高级，而是更复杂。

• 能用简单链路跑通，就不要一开始画大图。先闭环，再扩展。

• 知识库项目优先解决数据质量。检索差，换框架也救不了。

• 生产系统必须有 Trace、评估、失败样本、权限和回滚。

• 业务逻辑不要完全绑死在某个框架里。抽象工具接口、状态结构和评估数据，方便以后迁移。

总结

Agent 框架不是银弹。

LangChain 适合快速搭组件。LangGraph 适合复杂流程。CrewAI 适合角色协作。Google ADK 适合 Gemini / Cloud 生态。LlamaIndex 适合数据和 RAG。OpenAI Agents SDK 适合轻量生产 Agent。Microsoft Agent Framework 适合企业工程集成。Strands 适合 AWS 生态。

真正的选型标准不是“哪个框架最火”，而是：你的任务复杂到哪一步，系统缺哪一层能力，团队能不能维护，出了问题能不能定位。

一句话：先设计系统，再选择框架。不要反过来。