AI 智能体框架对比：LangGraph、AutoGen、CrewAI 与 Agents SDK

"多智能体系统"是当前 AI 应用开发里最热的方向，但框架生态已经非常拥挤。LangGraph、AutoGen、CrewAI 与 OpenAI Agents SDK 是最常被拿来对比的四个选择，它们的哲学差异很大：有的强调对执行流程的精细控制，有的强调开箱即用的多智能体协作，有的强调角色化分工，有的强调极简原语。选错框架的代价是后期迁移成本高，所以先用一张地图理解各自定位，再决定。基础概念可先看 AI 智能体开发基础。

一、LangGraph：以"图"为核心的精确控制

LangGraph 由 LangChain 团队维护，核心理念是把智能体执行流程建模成状态图（StateGraph）：节点（node）执行逻辑，边（edge）决定流转，所有节点通过共享状态通信。

StateGraph 与 reducer：每个节点是"State → Partial State"的函数，reducer 定义多节点写入同一字段时的合并规则。
checkpointer（持久化）：编译时传入 checkpointer，配合 thread_id，让图具备"暂停、恢复、回放"能力，是长任务与断点续跑的基础。
human-in-the-loop：通过 interrupt() 在节点内暂停图执行、向客户端索取输入，再用 Command 恢复——这是审批类流程的标配。
动态并行：Send 支持 map-reduce 式并行（把同一节点以不同状态并发执行后聚合）。
子图与条件边：支持子图嵌套与 add_conditional_edges 动态路由。

它几乎不预设抽象，控制力最强，但学习曲线也最陡。与 LangChain 开发指南搭配使用最为顺畅。

二、AutoGen：微软的"事件驱动 + 智能体团队"

AutoGen 由微软维护，分两层：底层 autogen-core 是事件驱动的编程模型，上层 AgentChat 提供开箱即用的高级 API，内置多种多智能体协作模式：

团队与协作：预置 Selector Group Chat（共享上下文 + 集中式选择器）、Swarm（局部工具式路由）、Magentic-One（通用多智能体）与 GraphFlow（有向图工作流）。
事件驱动：核心层强调组件间的消息/事件流，灵活但需要理解异步模型。
应用与监控：与 Microsoft Foundry 生态集成，提供日志与追踪。

适合想要"多智能体对话式协作"、且愿意接受微软生态与事件驱动学习成本的中大型项目。

三、CrewAI：角色化分工与低门槛

CrewAI 的核心抽象是"Crew（团队）"：把多个 Agent（角色 + 目标 + 背景）与 Task 组合，按顺序（sequential）或层级（hierarchical，由 manager 协调）流程执行。

极低上手门槛：声明式定义角色、目标、任务即可跑通，适合业务人员理解、快速出原型。
Flows（流程）：事件驱动的轻量工作流层，用 @start、@listen、@router 装饰器串接方法与状态，支持条件分支、循环与状态持久化。
记忆与检查点：内置记忆系统与 checkpoint，长任务可断点恢复。
人机协同：@human_feedback 支持审批门控与人工反馈。

适合快速验证"多角色协作"业务（如市场调研、内容生产流水线），以及更看重开发效率而非极致控制的团队。

四、OpenAI Agents SDK：极简原语 + 官方生态

OpenAI Agents SDK 是 Swarm 的生产级升级版，刻意保持很小的原语集：

Agent：LLM + 指令 + 工具 + 护栏（guardrails）的组合。
Handoff：让一个智能体把任务移交给另一个智能体，天然支持"分流/委派"式编排。
Guardrails：输入/输出校验，可与执行并行、快速失败。
Tracing 与 Sessions：内置追踪与持久化会话，调试和监控开箱即用。
Python-first：用原生 Python 表达编排逻辑，几乎没有新抽象，学习成本最低。

它默认使用 OpenAI 的 Responses API（相关背景见 OpenAI API 开发指南），也支持非 OpenAI 模型。适合需要快速上手、主要跑在 OpenAI 生态、看重追踪与护栏的项目。

同一个任务的四种写法

以"写一篇产品简介并总结成 3 个要点"为例，不同框架的表达差异一目了然：

# CrewAI：声明式，最快跑通
from crewai import Agent, Task, Crew
writer = Agent(role="文案", goal="写产品简介", backstory="资深文案")
summarizer = Agent(role="编辑", goal="提炼要点", backstory="严谨编辑")
crew = Crew(
    agents=[writer, summarizer],
    tasks=[
        Task(description="写 200 字产品简介", agent=writer),
        Task(description="总结为 3 个要点", agent=summarizer),
    ],
)
print(crew.kickoff())

# OpenAI Agents SDK：极简原语，两行编排
from agents import Agent, Runner
writer = Agent(name="writer", instructions="写产品简介")
result = Runner.run_sync(writer, "为 AI 客服产品写 200 字简介")
print(result.final_output)

# LangGraph：显式定义节点与边
from langgraph.graph import StateGraph
g = StateGraph(dict)
g.add_node("write", lambda s: {"draft": draft_fn(s["topic"])})
g.add_node("summary", lambda s: {"summary": sum_fn(s["draft"])})
g.set_entry_point("write"); g.add_edge("write", "summary")
app = g.compile()
print(app.invoke({"topic": "AI 客服产品"}))

可以看到：CrewAI 把"角色协作"写成配置，Agents SDK 只保留 Agent 与 Runner 两个概念，LangGraph 需要你亲手定义每一跳。AutoGen 则偏"对话式团队"，用异步事件驱动，写法上更接近构建一个多角色 chat。没有绝对优劣，关键在于你愿意为哪种表达方式付费。

五、选型建议

维度	LangGraph	AutoGen	CrewAI	OpenAI Agents SDK
核心抽象	状态图	智能体团队/事件	Crew + Flow	Agent + Handoff
控制力	最高	高	中	中低
上手难度	较陡	中	低	最低
持久化/断点	checkpointer 原生	部分	checkpoint 内置	Sessions 内置
适合场景	复杂可控流程	多智能体对话协作	快速角色化原型	OpenAI 生态轻量应用

一句话总结：要精确控制每一步选 LangGraph；要多智能体自由协作选 AutoGen；要快速搭角色化团队选 CrewAI；要极简 + 官方生态选 OpenAI Agents SDK。多数项目也可混合使用——用 LangGraph 编排核心流程，用轻量 SDK 做外围任务。

一个真实选型场景

某中型电商团队要做"智能售后工单"：用户描述问题 → 自动分类 → 查询订单与物流 → 必要时转人工。他们最终的选择是：

路由与审批：用 LangGraph 把"分类 → 查询 → 是否转人工"画成状态图，配合 interrupt() 让人工介入时有暂停点；
外围任务：用 Agents SDK 处理两个独立的小任务（工单摘要、回复草稿），代码量小、便于维护；
快速验证：最初用 CrewAI 在一周内跑通了端到端原型，验证了"多角色流水线"的可行性，再逐步迁移到 LangGraph 强化控制。

复盘下来，最大的教训是"不要一上来就上最重的框架"：先用轻量方案验证业务，再按控制力需求升级，迁移成本比想象中低——因为核心的提示词、工具函数与数据模型都可以复用。

常见问题（FAQ）

这四个框架能混用吗？ 可以。底层只要都走 OpenAI 兼容的 API，LangGraph 编排 + Agents SDK 跑外围任务是很常见的组合；关键是保持"工具函数与提示词独立于框架"。
中文内容生成用哪个更好？ 框架本身不决定生成质量，模型才决定。选型只看控制力、生态与维护成本；语言质量靠提示词与模型档位解决。
什么时候该从 CrewAI 迁到 LangGraph？ 当流程开始出现复杂分支、需要严格的状态回溯与人工审批时，就是迁移的信号；在那之前，CrewAI 的开发速度优势更大。

六、16IDC 落地建议

无论选哪个框架，先把护栏与审计想清楚：智能体一旦获得工具权限，其"自主性"就是新的攻击面（可参考 AI 安全与提示注入防御）。建议先用 CrewAI 或 Agents SDK 快速验证业务价值，再按需迁移到 LangGraph 强化控制；同时为服务器选型预留足够的并发与日志算力——多智能体系统的每一步调用、状态与追踪都会消耗真实资源。

原文来源：https://langchain-ai.github.io/langgraph/

参考：LangGraph 文档 https://langchain-ai.github.io/langgraph/；AutoGen 文档 https://microsoft.github.io/autogen/；CrewAI 文档 https://docs.crewai.com/；OpenAI Agents SDK https://openai.github.io/openai-agents-python/

AI 智能体框架对比：LangGraph、AutoGen、CrewAI 与 Agents SDK