13. 常见 Agent 框架对比：LangGraph、CrewAI、AutoGen 各有什么特点？

简单回答

LangGraph 是 LangChain 生态下的状态图框架，通过定义节点和边来构建 Agent 工作流，支持条件分支、循环、持久化状态，适合需要精细控制 Agent 流程的场景。CrewAI 主打多智能体协作，通过定义 Agent 角色和任务来组织多 Agent 团队，API 简单易上手。AutoGen（微软）专注于多 Agent 对话，Agent 之间通过消息传递协作，适合研究和原型探索。选择标准主要看：需不需要精细的流程控制（LangGraph）、重点是不是多 Agent 协作（CrewAI）、还是做研究原型（AutoGen）。

详细解释

LangGraph

LangGraph 是 LangChain 团队推出的 Agent 编排框架，核心抽象是状态图（StateGraph）。开发者定义图的节点（每个节点是一个处理函数）和边（节点之间的转移条件），Agent 的执行过程就是在这个图上的状态流转。

LangGraph 的核心优势在于精细的流程控制。它不像纯 ReAct 那样完全由 LLM 决定每一步，而是让开发者通过图结构预定义了可能的执行路径。LLM 决定的是"走哪条边"（条件边由 LLM 输出决定），但整体的拓扑结构是开发者设计的。这种"有轨 Agent"的模式在可控性和灵活性之间找到了比较好的平衡。

LangGraph 支持持久化检查点（Checkpoint），可以在任意节点保存和恢复状态。支持 Human-in-the-Loop——在图的某个节点暂停等待人工确认。支持子图（Subgraph）——复杂流程可以拆分为多个子图组合。

劣势是学习曲线比较陡——状态图的概念对不熟悉有限状态机的开发者来说不太直观。和 LangChain 生态绑定比较紧，如果不用 LangChain 的其他组件，单独用 LangGraph 可能觉得"重"。另外调试复杂图的行为需要借助 LangSmith 等工具。

CrewAI

CrewAI 主打的是多智能体角色扮演和协作。核心抽象是 Agent（定义角色、目标和可用工具）、Task（定义具体任务）、Crew（组织多个 Agent 协作完成任务）。开发者像组建一个"团队"一样——定义产品经理 Agent、工程师 Agent、测试 Agent，给每个人分配任务，然后让团队协作。

CrewAI 的优势是上手简单、概念直观。API 设计很"Pythonic"，几十行代码就能跑起一个多 Agent 协作的 demo。支持顺序执行和并行执行两种任务协作模式。也支持自定义工具集成。

劣势是控制粒度不如 LangGraph 细。Agent 之间的协作模式比较固定（顺序或简单的依赖关系），很难实现复杂的条件分支和循环逻辑。在生产环境中，Agent 行为的可预测性和调试能力不如 LangGraph。另外 CrewAI 的 Agent 间通信是通过任务输出传递的，不支持真正的实时对话式协作。

AutoGen

AutoGen 是微软推出的多 Agent 框架，核心概念是 Agent 之间通过消息传递进行对话式协作。每个 Agent 可以是 LLM、人类或工具，它们通过"聊天"来协作完成任务——一个 Agent 发消息给另一个 Agent，对方回复，循环往复直到任务完成。

AutoGen 的优势是对"多 Agent 对话"的支持最自然——Agent 之间真的是在"聊天"，适合研究场景和需要 Agent 间深度交互的任务（如辩论、代码生成+代码审查的迭代）。支持灵活的对话拓扑——两两对话、群聊、嵌套对话等。

2024 年微软推出了 AutoGen v0.4（AutoGen Studio），做了大幅重构，引入了更好的事件驱动架构和组件化设计。

劣势是工程化成熟度相对低一些。对话式的协作模式在某些任务上效率不高——Agent 之间可能闲聊太多、有效信息密度低。在生产环境中的部署和监控支持不如 LangGraph 成熟。

怎么选

任务需要精细的流程控制、条件分支、循环、检查点——选 LangGraph。它最适合构建生产级的复杂 Agent 系统。

主要目标是快速搭建多 Agent 协作的原型、任务分工明确——CrewAI 是最快的选择。适合 demo 和中等复杂度的应用。

研究探索、需要 Agent 间深度对话交互——AutoGen 比较合适。也适合需要 Human-in-the-Loop 作为 Agent 之一参与对话的场景。

还有一个不容忽视的选择是不用框架。对于简单的 Agent 场景（一个 LLM + 几个工具 + ReAct 循环），用原生的 OpenAI / Anthropic SDK 加上几十行自己写的循环代码就够了。框架带来了抽象和便利，但也带来了学习成本和调试复杂度。在开发人员对 Agent 机制已经很熟悉的情况下，自己写反而更灵活可控。

面试时可以这样答

三个框架的定位不太一样。LangGraph 用状态图做 Agent 编排，精细控制流程，支持条件分支、循环和检查点，适合需要可控性的生产级系统。CrewAI 主打多 Agent 角色协作，上手简单概念直观，适合快速搭建多 Agent 原型。AutoGen 专注 Agent 间的对话式协作，适合研究场景和需要深度 Agent 交互的任务。

选择主要看需求。如果要精细控制 Agent 流程、做生产级系统，LangGraph 最合适。如果快速搭建多 Agent 协作 demo，CrewAI 最快。如果做研究或需要 Agent 间深度对话，AutoGen 不错。

不过也要提一句——简单场景不一定需要框架。一个 LLM 加几个工具加自己写的 ReAct 循环，几十行代码就能搞定。框架带来便利但也带来学习成本和调试复杂度。用不用框架、用哪个框架，要看团队技术栈和场景复杂度。

常见追问

1. 你实际项目中用了什么 Agent 框架？为什么选它？
2. LangGraph 的状态图概念具体怎么用？
3. 这些框架在生产环境中的稳定性和性能表现如何？