尧图网站建设 
2026 AI Agent 框架完全指南主流框架对比与上手教程 本文定位技术科普 入门实操。系统梳理 2026 年主流的 AI Agent 开发框架它们是什么、为什么需要、有哪些、各有什么特点、如何选择、怎么上手。全文含可直接运行的代码示例适合零基础到进阶的学习者。目录一、Agent 框架到底是什么二、为什么需要框架不用框架的痛点三、LangChain 和 LangGraph 是什么关系四、2026 年主流 Agent 框架一览五、所有框架共通的 4 个核心部件六、怎么使用完整代码示例七、新手选型建议与学习路线八、常见误区与 FAQ参考资料一、Agent 框架到底是什么一句话Agent 框架 帮你搭 “大模型 工具 记忆 循环决策” 的脚手架。1.1 核心概念Agent Loop智能体循环Agent 的本质是包在大模型外面的一个循环模型思考 → 决定调用哪个工具 → 执行工具 → 把结果喂回模型 → 再思考 → …… → 完成任务这个循环就是全部秘密 —— 不存在什么神秘的 “自主运行时” 藏在模型里有趣的部分就是这个循环本身模型负责 “想”框架负责 “跑”。1.2 Agent 与普通聊天机器人的区别对比项普通聊天机器人ChatbotAgent智能体能力一问一答自主规划、多步执行工具无只能说话能调用 API、搜索、操作文件 / 浏览器行为被动响应主动循环直到完成任务记忆通常没有有短期 / 长期记忆典型例子客服对话框Claude Code、AutoGPT、工作流助手1.3 单智能体 vs 多智能体单智能体Single Agent一个 Agent 带工具完成全部工作简单直接适合任务明确、步骤不复杂的场景多智能体Multi-Agent多个 Agent 分工协作一个规划、一个执行、一个审查适合复杂任务但编排难度和成本更高框架既支持单也支持多多智能体的 “编排模式” 是框架的核心卖点之一见第五节。二、为什么需要框架不用框架的痛点你当然可以用裸 LLM API 自己写 Agent但会遇到这些重复造轮子的问题痛点自己写的代价框架替你做的循环逻辑手写 while 循环 拼接上下文容易漏内置 Agent Loop状态管理多轮对话状态、多 Agent 共享状态很难维护状态图 / 会话状态开箱即用工具调用要自己解析 JSON、处理错误重试自动解析、自动重试、类型校验记忆长上下文截断、记忆丢失内置短期 / 长期记忆方案可观测性出问题不知道模型在干什么内置追踪Trace、日志、评估并发与稳定性生产环境容易挂持久化、断点续跑、人类介入一句话框架帮你把 “能跑的 Demo” 变成 “能上生产的系统”。2026 年 31% 的企业已在生产环境运行 Agent框架选择已经不是一个库的选择而是架构承诺。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”]三、LangChain 和 LangGraph 是什么关系这是新手最容易绕晕的问题。结论同一个公司LangChain Inc.推出的两个不同产品是 “上下层” 关系。对比项LangChainLangGraph定位高层 “全家桶” 组件库底层图状状态编排运行时提供什么提示词模板、Chain、模型 / 工具集成100 供应商有状态工作流、持久化、多智能体编排、人类介入适合快速搭 LLM 应用、原型验证复杂生产级 Agent、需要精细控制关系2024 年后官方新 Agent 架构建在 LangGraph 之上是整个体系的 “发动机”版本迭代快、文档多LangGraph 1.0 于 2025-10 发布稳定版简单类比LangGraph 是引擎LangChain 是围着引擎造的车。简单任务一次调用、简单的链用 LangChain 组件LCEL 表达式就够了复杂任务多步骤、有状态、多 Agent 协作、需要断点续跑必须下到 LangGraph历史沿革LangChain 2022 年诞生是最早出圈的大模型应用框架2024 年推出 LangGraph 作为底层编排引擎2025 年 10 月 LangGraph 1.0 稳定版发布官方新 Agent 栈全面基于 LangGraph 构建。常见误区网上大量老教程还在讲 “旧 LangChain Agent 架构”如AgentExecutor已经过时。2026 年学习时认准 LangGraph 即可别被老教程带偏。四、2026 年主流 Agent 框架一览2026 年框架格局已基本稳定六家主流框架各自占领一个生态位框架选择变成 “架构承诺”。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”,“https://uvik.net/blog/agentic-ai-frameworks/”]4.1 总览表框架出品方核心定位特点适合谁LangGraph / LangChainLangChain生产级状态编排图结构工作流、持久化状态、人类介入、可观测性强生态最大复杂生产项目、需要精细控制的团队OpenAI Agents SDKOpenAI开源极简智能体运行时四个原语Agent / 交接 / 护栏 / 追踪支持原生沙箱执行和 100 模型OpenAI 生态用户、快速上线Microsoft Agent Framework微软企业级 Agent 平台AutoGen Semantic Kernel 合并后的统一框架.NET/Azure 原生微软技术栈企业CrewAI开源社区角色化多智能体让不同 Agent 扮演角色协作上手最快原型验证、多角色协作场景Google ADKGoogle多模态智能体Gemini 原生层次化编排100 行内建生产级 AgentGemini 用户、多模态场景Pydantic AI开源类型安全的 Agent用 Pydantic 模型定义输出结构追求结构化输出的开发者Claude Agent SDKAnthropic编码 Agent 循环Claude Code 背后的 Agent 循环Claude 生态、编码类 AgentLlamaIndexWorkflows开源数据 / RAG 中心检索增强生成与 Agent 结合知识库、RAG 类应用Mastra开源TypeScript 原生JS/TS 栈的 Agent 框架JS/TS 全栈团队低代码平台Coze / Dify / Flowise字节 / 开源可视化搭建拖拽式编排不写代码非程序员、快速验证4.2 逐个详解① LangGraph / LangChain —— 生产级默认选择生态最大、文档最全、社区教程最多。核心概念是 “图”把 Agent 流程建模为节点Node和边Edge支持状态持久化、断点续跑、人类审批环节。监管严格、需要可审计的场景金融、医疗、政务首选。缺点是概念多、学习曲线较陡。② OpenAI Agents SDK —— 最简上手指南OpenAI 2025 年 3 月开源前身是实验性项目 Swarm定位 “极简智能体运行时”。只有 4 个核心概念Agent智能体、Handoffs交接、Guardrails护栏、Tracing追踪。2026 年 4 月新增原生沙箱执行能力。虽然叫 OpenAI SDK但支持 100 模型供应商。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”]③ Microsoft Agent Framework —— 企业 .NET 生态微软把 AutoGen研究型多 Agent 框架和 Semantic Kernel企业 SDK合并为一个 GA 框架.NET/Azure 原生集成适合微软技术栈的企业。老教程里的 “AutoGen” 现在都归入这个框架。④ CrewAI —— 角色协作最快上手核心理念是 “让 Agent 扮演角色像团队一样协作”定义 Agent研究员 / 写手 / 审查员→ 定义 Task任务→ Crew团队执行。代码直观、上手最快适合原型验证但简单角色编排在复杂生产场景中可能不够用。[“https://www.betterclaw.io/blog/ai-agent-frameworks”]⑤ Google ADK —— 多模态与 GCP 原生Google 官方 Agent 开发套件与 Gemini 深度集成支持层次化编排主管 Agent 调度子 Agent100 行内可建生产级 Agent。与 Vertex AI Agent Builder 平台联动适合 GCP 用户和多模态场景。[“https://cloud.google.com/generative-ai-app-builder”]⑥ 其他值得关注的Pydantic AI类型安全是最大卖点输出结构强校验适合对输出格式要求严格的项目Claude Agent SDKAnthropic 开源是 Claude Code 背后的 Agent 循环编码 / 工具调用能力强LlamaIndexWorkflows从 RAG 起家与知识库 / 文档处理结合最好MastraTypeScript 原生JS/TS 全栈团队的选择低代码平台Coze 扣子 / Dify / Flowise拖拽可视化编排非程序员也能搭 Agent国内开源阿里 AgentScope、Qwen-AgentDeepSeek 开源智能体运行框架 2026 年 10 月下载量暴涨开源智能体赛道加速追赶 [“http://m.toutiao.com/group/7693564148034126365/”]4.3 关于协议MCP / A2A 对框架的意义2026 年所有主流框架都把MCPModel Context Protocol接入视为标配——MCP 定义了 “AI 客户端如何连接外部工具和数据”一套 MCP 服务器可在所有框架复用避免每家框架各写一套工具适配。加上 Google 提出的A2AAgent2Agent协议2025-04 发布2026-09 与 MCP 一起在 Linux 基金会下统一推进Agent 之间、Agent 与工具之间的互操作正在成为标准。[“https://uvik.net/blog/agentic-ai-frameworks/”,“https://happyrock.cloud/blog/2026-09-01_b_en/”]五、所有框架共通的 4 个核心部件5.1 模型LLM—— 大脑选型要点推理模型如 GPT-6 系列、Gemini 4适合复杂规划快速模型适合简单工具调用、追求低成本关键参数上下文长度决定能装下多少历史、工具调用能力是否原生支持 function calling注意模型能力决定 Agent 上限框架只是不拖后腿5.2 工具Tools / MCP—— 手工具 函数 描述 参数 schema模型通过 function calling 决定调用哪个常见工具网络搜索、代码执行、文件读写、数据库查询、浏览器操作、第三方 API2026 主流做法通过MCP 服务器暴露工具框架自动发现、自动注册跨框架复用5.3 记忆Memory—— 记忆记忆类型作用实现方式短期记忆上下文当前任务的多轮对话把历史消息拼进 Prompt工作记忆状态Agent 当前任务进度框架的状态对象如 LangGraph 的 State长期记忆跨会话记住用户偏好 / 知识向量数据库Embedding 检索5.4 编排模式 —— 怎么组织多个 Agent模式英文代表框架适用场景交接HandoffsOpenAI Agents SDK客服分流一个 Agent 判断后转给专业 Agent图GraphLangGraph有状态的多步流程需要分支、循环、审批角色RolesCrewAI团队协作研究员 写手 审查层级HierarchyGoogle ADK主管调度子 Agent大任务拆解六、怎么使用完整代码示例6.0 环境准备Python 3.10pip install openai-agents crewai langgraph按需安装准备一个模型的 API KeyOpenAI / DeepSeek / 通义等配置环境变量6.1 示例 1OpenAI Agents SDK —— 工具调用最简单入门# 安装pip install openai-agents # 1. 定义工具一个普通的 Python 函数 def get_weather(city: str) - str: 查询城市天气 return f{city} 今天晴25°C # 2. 定义 Agent指令 工具 from agents import Agent, Runner agent Agent( name天气助手, instructions你是天气助手用户问天气时调用 get_weather 工具, tools[get_weather], ) # 3. 运行 result Runner.run_sync(agent, 北京天气怎么样) print(result.final_output) # 北京 今天晴25°C6.2 示例 2OpenAI Agents SDK —— 多 Agent 交接Handoffsfrom agents import Agent, Runner # 客服分流两个专业 Agent 一个调度 Agent billing_agent Agent( nameBilling, instructions你是账单专员只处理账单/退费问题) tech_agent Agent( nameTech, instructions你是技术专员只处理技术/报错问题) triage Agent( nameTriage, instructions你是调度员判断用户问题类型并转给对应专员, handoffs[billing_agent, tech_agent], # 交接 ) result Runner.run_sync(triage, 我账单多扣了钱怎么办) print(result.final_output)6.3 示例 3接入 MCP 工具2026 主流做法from agents import Agent from agents.mcp import MCPServerStdio # 启动一个文件系统 MCP 服务器 server MCPServerStdio( args[npx, -y, modelcontextprotocol/server-filesystem, .] ) agent Agent(name文件助手, mcp_servers[server]) # 框架会自动发现 MCP 服务器暴露的工具无需手动注册6.4 示例 4CrewAI —— 角色协作多 Agentfrom crewai import Agent, Task, Crew, Process # 1. 定义角色 researcher Agent( role研究员, goal搜集资料并总结, backstory你擅长快速检索和归纳, # 角色背景故事 ) writer Agent( role写手, goal把资料写成通俗文章, backstory你擅长把复杂内容讲明白, ) # 2. 定义任务 task1 Task(description搜集 AI Agent 框架的最新动态, agentresearcher) task2 Task(description根据资料写一篇科普短文, agentwriter) # 3. 组成团队并运行 crew Crew(agents[researcher, writer], tasks[task1, task2], processProcess.sequential) result crew.kickoff() print(result)6.5 示例 5LangGraph —— 有状态工作流进阶from typing import TypedDict, Literal from langgraph.graph import StateGraph, START, END # 1. 定义状态整个流程共享的数据结构 class State(TypedDict): query: str result: str # 2. 定义节点流程中的每一步 def analyze(state: State): return {result: f已分析{state[query]}} def finalize(state: State): return {result: state[result] 完成} # 3. 构建图 graph StateGraph(State) graph.add_node(analyze, analyze) graph.add_node(finalize, finalize) graph.add_edge(START, analyze) graph.add_edge(analyze, finalize) graph.add_edge(finalize, END) app graph.compile() # 4. 运行 result app.invoke({query: 对比 LangChain 和 LangGraph}) print(result[result])七、新手选型建议与学习路线7.1 选型决策树想先体验不写代码 ├─ 是 → Coze扣子/ Dify 拖拽搭一个 └─ 否 → 会 Python 吗 ├─ 会想快速上手 → OpenAI Agents SDK最简或 CrewAI角色直观 ├─ 会要做生产级复杂项目 → LangGraph ├─ 用微软技术栈 → Microsoft Agent Framework └─ 用谷歌/Gemini → Google ADK7.2 四阶段学习路线阶段目标做什么第 1 阶段建立直觉用 Coze/Dify 拖拽搭一个 “资料查询助手”理解 Agent 循环第 2 阶段写第一个代码 AgentOpenAI Agents SDK工具调用 交接跑通天气 / 资料查询第 3 阶段打通外部能力接一个 MCP 服务器文件、数据库体验 “一套工具处处用”第 4 阶段生产级LangGraph 状态图 持久化 人类审批做一个真实业务 Agent一句话总结先选一个框架跑通 “模型 工具 循环”再理解 MCP 打通外部能力最后用 LangGraph 这类生产级框架做正经项目。八、常见误区与 FAQQ1Agent 和 RAG 是同一个东西吗不是。RAG检索增强生成解决 “模型不知道 / 会编造” 的问题 —— 先检索资料再回答Agent 解决 “需要动手做” 的问题 —— 调用工具执行任务。两者经常组合Agent 用 RAG 增强知识再执行操作。Q2什么时候不需要 Agent 框架只是一次性 API 调用或简单问答直接调模型 API固定流程、无工具调用用普通代码 一次提示词就够了框架会带来额外抽象成本别为简单任务上重型框架Q3Agent 跑起来很贵怎么办控制成本三板斧① 用快速模型做简单步骤、推理模型只留给关键决策② 减少无效循环设最大轮数、提前终止条件③ 用 Tracing 找出 “卡循环烧钱” 的路径。Q4Agent 会乱调用工具吗会。生产环境必须加护栏Guardrails限定可调用工具白名单、对高风险操作加人工审批Human-in-the-loop、记录所有调用日志。这是框架可观测性功能存在的意义。Q52026 年该学哪个框架最好没有 “最好”按场景选。新手先学 OpenAI Agents SDK 或 CrewAI 建立概念进阶必学 LangGraph生态最大、岗位需求最多。多模态项目再看 Google ADK。 说明本文为技术科普整理框架信息截至 2026 年 10 月各框架版本迭代快具体 API 以官方文档为准。参考资料LangChain 官方框架对比https://www.langchain.com/resources/ai-agent-frameworksThe State of Agent Frameworks 2026https://cannyforge.dev/the-state-of-agent-frameworks-2026/Agentic AI Frameworks in 2026Uvikhttps://uvik.net/blog/agentic-ai-frameworks/AI Agent Frameworks in 2026BetterClawhttps://www.betterclaw.io/blog/ai-agent-frameworksGoogle ADK / Vertex AI Agent Builderhttps://cloud.google.com/generative-ai-app-builderMicrosoft Agent Framework MCP 文档https://learn.microsoft.com/en-gb/agent-framework/agents/tools/local-mcp-toolsMCP 与 A2A 协议合并Linux 基金会https://happyrock.cloud/blog/2026-09-01_b_en/ 2026 AI Agent 框架完全指南：主流框架对比与上手教程
2026 AI Agent 框架完全指南主流框架对比与上手教程 本文定位技术科普 入门实操。系统梳理 2026 年主流的 AI Agent 开发框架它们是什么、为什么需要、有哪些、各有什么特点、如何选择、怎么上手。全文含可直接运行的代码示例适合零基础到进阶的学习者。目录一、Agent 框架到底是什么二、为什么需要框架不用框架的痛点三、LangChain 和 LangGraph 是什么关系四、2026 年主流 Agent 框架一览五、所有框架共通的 4 个核心部件六、怎么使用完整代码示例七、新手选型建议与学习路线八、常见误区与 FAQ参考资料一、Agent 框架到底是什么一句话Agent 框架 帮你搭 “大模型 工具 记忆 循环决策” 的脚手架。1.1 核心概念Agent Loop智能体循环Agent 的本质是包在大模型外面的一个循环模型思考 → 决定调用哪个工具 → 执行工具 → 把结果喂回模型 → 再思考 → …… → 完成任务这个循环就是全部秘密 —— 不存在什么神秘的 “自主运行时” 藏在模型里有趣的部分就是这个循环本身模型负责 “想”框架负责 “跑”。1.2 Agent 与普通聊天机器人的区别对比项普通聊天机器人ChatbotAgent智能体能力一问一答自主规划、多步执行工具无只能说话能调用 API、搜索、操作文件 / 浏览器行为被动响应主动循环直到完成任务记忆通常没有有短期 / 长期记忆典型例子客服对话框Claude Code、AutoGPT、工作流助手1.3 单智能体 vs 多智能体单智能体Single Agent一个 Agent 带工具完成全部工作简单直接适合任务明确、步骤不复杂的场景多智能体Multi-Agent多个 Agent 分工协作一个规划、一个执行、一个审查适合复杂任务但编排难度和成本更高框架既支持单也支持多多智能体的 “编排模式” 是框架的核心卖点之一见第五节。二、为什么需要框架不用框架的痛点你当然可以用裸 LLM API 自己写 Agent但会遇到这些重复造轮子的问题痛点自己写的代价框架替你做的循环逻辑手写 while 循环 拼接上下文容易漏内置 Agent Loop状态管理多轮对话状态、多 Agent 共享状态很难维护状态图 / 会话状态开箱即用工具调用要自己解析 JSON、处理错误重试自动解析、自动重试、类型校验记忆长上下文截断、记忆丢失内置短期 / 长期记忆方案可观测性出问题不知道模型在干什么内置追踪Trace、日志、评估并发与稳定性生产环境容易挂持久化、断点续跑、人类介入一句话框架帮你把 “能跑的 Demo” 变成 “能上生产的系统”。2026 年 31% 的企业已在生产环境运行 Agent框架选择已经不是一个库的选择而是架构承诺。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”]三、LangChain 和 LangGraph 是什么关系这是新手最容易绕晕的问题。结论同一个公司LangChain Inc.推出的两个不同产品是 “上下层” 关系。对比项LangChainLangGraph定位高层 “全家桶” 组件库底层图状状态编排运行时提供什么提示词模板、Chain、模型 / 工具集成100 供应商有状态工作流、持久化、多智能体编排、人类介入适合快速搭 LLM 应用、原型验证复杂生产级 Agent、需要精细控制关系2024 年后官方新 Agent 架构建在 LangGraph 之上是整个体系的 “发动机”版本迭代快、文档多LangGraph 1.0 于 2025-10 发布稳定版简单类比LangGraph 是引擎LangChain 是围着引擎造的车。简单任务一次调用、简单的链用 LangChain 组件LCEL 表达式就够了复杂任务多步骤、有状态、多 Agent 协作、需要断点续跑必须下到 LangGraph历史沿革LangChain 2022 年诞生是最早出圈的大模型应用框架2024 年推出 LangGraph 作为底层编排引擎2025 年 10 月 LangGraph 1.0 稳定版发布官方新 Agent 栈全面基于 LangGraph 构建。常见误区网上大量老教程还在讲 “旧 LangChain Agent 架构”如AgentExecutor已经过时。2026 年学习时认准 LangGraph 即可别被老教程带偏。四、2026 年主流 Agent 框架一览2026 年框架格局已基本稳定六家主流框架各自占领一个生态位框架选择变成 “架构承诺”。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”,“https://uvik.net/blog/agentic-ai-frameworks/”]4.1 总览表框架出品方核心定位特点适合谁LangGraph / LangChainLangChain生产级状态编排图结构工作流、持久化状态、人类介入、可观测性强生态最大复杂生产项目、需要精细控制的团队OpenAI Agents SDKOpenAI开源极简智能体运行时四个原语Agent / 交接 / 护栏 / 追踪支持原生沙箱执行和 100 模型OpenAI 生态用户、快速上线Microsoft Agent Framework微软企业级 Agent 平台AutoGen Semantic Kernel 合并后的统一框架.NET/Azure 原生微软技术栈企业CrewAI开源社区角色化多智能体让不同 Agent 扮演角色协作上手最快原型验证、多角色协作场景Google ADKGoogle多模态智能体Gemini 原生层次化编排100 行内建生产级 AgentGemini 用户、多模态场景Pydantic AI开源类型安全的 Agent用 Pydantic 模型定义输出结构追求结构化输出的开发者Claude Agent SDKAnthropic编码 Agent 循环Claude Code 背后的 Agent 循环Claude 生态、编码类 AgentLlamaIndexWorkflows开源数据 / RAG 中心检索增强生成与 Agent 结合知识库、RAG 类应用Mastra开源TypeScript 原生JS/TS 栈的 Agent 框架JS/TS 全栈团队低代码平台Coze / Dify / Flowise字节 / 开源可视化搭建拖拽式编排不写代码非程序员、快速验证4.2 逐个详解① LangGraph / LangChain —— 生产级默认选择生态最大、文档最全、社区教程最多。核心概念是 “图”把 Agent 流程建模为节点Node和边Edge支持状态持久化、断点续跑、人类审批环节。监管严格、需要可审计的场景金融、医疗、政务首选。缺点是概念多、学习曲线较陡。② OpenAI Agents SDK —— 最简上手指南OpenAI 2025 年 3 月开源前身是实验性项目 Swarm定位 “极简智能体运行时”。只有 4 个核心概念Agent智能体、Handoffs交接、Guardrails护栏、Tracing追踪。2026 年 4 月新增原生沙箱执行能力。虽然叫 OpenAI SDK但支持 100 模型供应商。[“https://cannyforge.dev/the-state-of-agent-frameworks-2026/”]③ Microsoft Agent Framework —— 企业 .NET 生态微软把 AutoGen研究型多 Agent 框架和 Semantic Kernel企业 SDK合并为一个 GA 框架.NET/Azure 原生集成适合微软技术栈的企业。老教程里的 “AutoGen” 现在都归入这个框架。④ CrewAI —— 角色协作最快上手核心理念是 “让 Agent 扮演角色像团队一样协作”定义 Agent研究员 / 写手 / 审查员→ 定义 Task任务→ Crew团队执行。代码直观、上手最快适合原型验证但简单角色编排在复杂生产场景中可能不够用。[“https://www.betterclaw.io/blog/ai-agent-frameworks”]⑤ Google ADK —— 多模态与 GCP 原生Google 官方 Agent 开发套件与 Gemini 深度集成支持层次化编排主管 Agent 调度子 Agent100 行内可建生产级 Agent。与 Vertex AI Agent Builder 平台联动适合 GCP 用户和多模态场景。[“https://cloud.google.com/generative-ai-app-builder”]⑥ 其他值得关注的Pydantic AI类型安全是最大卖点输出结构强校验适合对输出格式要求严格的项目Claude Agent SDKAnthropic 开源是 Claude Code 背后的 Agent 循环编码 / 工具调用能力强LlamaIndexWorkflows从 RAG 起家与知识库 / 文档处理结合最好MastraTypeScript 原生JS/TS 全栈团队的选择低代码平台Coze 扣子 / Dify / Flowise拖拽可视化编排非程序员也能搭 Agent国内开源阿里 AgentScope、Qwen-AgentDeepSeek 开源智能体运行框架 2026 年 10 月下载量暴涨开源智能体赛道加速追赶 [“http://m.toutiao.com/group/7693564148034126365/”]4.3 关于协议MCP / A2A 对框架的意义2026 年所有主流框架都把MCPModel Context Protocol接入视为标配——MCP 定义了 “AI 客户端如何连接外部工具和数据”一套 MCP 服务器可在所有框架复用避免每家框架各写一套工具适配。加上 Google 提出的A2AAgent2Agent协议2025-04 发布2026-09 与 MCP 一起在 Linux 基金会下统一推进Agent 之间、Agent 与工具之间的互操作正在成为标准。[“https://uvik.net/blog/agentic-ai-frameworks/”,“https://happyrock.cloud/blog/2026-09-01_b_en/”]五、所有框架共通的 4 个核心部件5.1 模型LLM—— 大脑选型要点推理模型如 GPT-6 系列、Gemini 4适合复杂规划快速模型适合简单工具调用、追求低成本关键参数上下文长度决定能装下多少历史、工具调用能力是否原生支持 function calling注意模型能力决定 Agent 上限框架只是不拖后腿5.2 工具Tools / MCP—— 手工具 函数 描述 参数 schema模型通过 function calling 决定调用哪个常见工具网络搜索、代码执行、文件读写、数据库查询、浏览器操作、第三方 API2026 主流做法通过MCP 服务器暴露工具框架自动发现、自动注册跨框架复用5.3 记忆Memory—— 记忆记忆类型作用实现方式短期记忆上下文当前任务的多轮对话把历史消息拼进 Prompt工作记忆状态Agent 当前任务进度框架的状态对象如 LangGraph 的 State长期记忆跨会话记住用户偏好 / 知识向量数据库Embedding 检索5.4 编排模式 —— 怎么组织多个 Agent模式英文代表框架适用场景交接HandoffsOpenAI Agents SDK客服分流一个 Agent 判断后转给专业 Agent图GraphLangGraph有状态的多步流程需要分支、循环、审批角色RolesCrewAI团队协作研究员 写手 审查层级HierarchyGoogle ADK主管调度子 Agent大任务拆解六、怎么使用完整代码示例6.0 环境准备Python 3.10pip install openai-agents crewai langgraph按需安装准备一个模型的 API KeyOpenAI / DeepSeek / 通义等配置环境变量6.1 示例 1OpenAI Agents SDK —— 工具调用最简单入门# 安装pip install openai-agents # 1. 定义工具一个普通的 Python 函数 def get_weather(city: str) - str: 查询城市天气 return f{city} 今天晴25°C # 2. 定义 Agent指令 工具 from agents import Agent, Runner agent Agent( name天气助手, instructions你是天气助手用户问天气时调用 get_weather 工具, tools[get_weather], ) # 3. 运行 result Runner.run_sync(agent, 北京天气怎么样) print(result.final_output) # 北京 今天晴25°C6.2 示例 2OpenAI Agents SDK —— 多 Agent 交接Handoffsfrom agents import Agent, Runner # 客服分流两个专业 Agent 一个调度 Agent billing_agent Agent( nameBilling, instructions你是账单专员只处理账单/退费问题) tech_agent Agent( nameTech, instructions你是技术专员只处理技术/报错问题) triage Agent( nameTriage, instructions你是调度员判断用户问题类型并转给对应专员, handoffs[billing_agent, tech_agent], # 交接 ) result Runner.run_sync(triage, 我账单多扣了钱怎么办) print(result.final_output)6.3 示例 3接入 MCP 工具2026 主流做法from agents import Agent from agents.mcp import MCPServerStdio # 启动一个文件系统 MCP 服务器 server MCPServerStdio( args[npx, -y, modelcontextprotocol/server-filesystem, .] ) agent Agent(name文件助手, mcp_servers[server]) # 框架会自动发现 MCP 服务器暴露的工具无需手动注册6.4 示例 4CrewAI —— 角色协作多 Agentfrom crewai import Agent, Task, Crew, Process # 1. 定义角色 researcher Agent( role研究员, goal搜集资料并总结, backstory你擅长快速检索和归纳, # 角色背景故事 ) writer Agent( role写手, goal把资料写成通俗文章, backstory你擅长把复杂内容讲明白, ) # 2. 定义任务 task1 Task(description搜集 AI Agent 框架的最新动态, agentresearcher) task2 Task(description根据资料写一篇科普短文, agentwriter) # 3. 组成团队并运行 crew Crew(agents[researcher, writer], tasks[task1, task2], processProcess.sequential) result crew.kickoff() print(result)6.5 示例 5LangGraph —— 有状态工作流进阶from typing import TypedDict, Literal from langgraph.graph import StateGraph, START, END # 1. 定义状态整个流程共享的数据结构 class State(TypedDict): query: str result: str # 2. 定义节点流程中的每一步 def analyze(state: State): return {result: f已分析{state[query]}} def finalize(state: State): return {result: state[result] 完成} # 3. 构建图 graph StateGraph(State) graph.add_node(analyze, analyze) graph.add_node(finalize, finalize) graph.add_edge(START, analyze) graph.add_edge(analyze, finalize) graph.add_edge(finalize, END) app graph.compile() # 4. 运行 result app.invoke({query: 对比 LangChain 和 LangGraph}) print(result[result])七、新手选型建议与学习路线7.1 选型决策树想先体验不写代码 ├─ 是 → Coze扣子/ Dify 拖拽搭一个 └─ 否 → 会 Python 吗 ├─ 会想快速上手 → OpenAI Agents SDK最简或 CrewAI角色直观 ├─ 会要做生产级复杂项目 → LangGraph ├─ 用微软技术栈 → Microsoft Agent Framework └─ 用谷歌/Gemini → Google ADK7.2 四阶段学习路线阶段目标做什么第 1 阶段建立直觉用 Coze/Dify 拖拽搭一个 “资料查询助手”理解 Agent 循环第 2 阶段写第一个代码 AgentOpenAI Agents SDK工具调用 交接跑通天气 / 资料查询第 3 阶段打通外部能力接一个 MCP 服务器文件、数据库体验 “一套工具处处用”第 4 阶段生产级LangGraph 状态图 持久化 人类审批做一个真实业务 Agent一句话总结先选一个框架跑通 “模型 工具 循环”再理解 MCP 打通外部能力最后用 LangGraph 这类生产级框架做正经项目。八、常见误区与 FAQQ1Agent 和 RAG 是同一个东西吗不是。RAG检索增强生成解决 “模型不知道 / 会编造” 的问题 —— 先检索资料再回答Agent 解决 “需要动手做” 的问题 —— 调用工具执行任务。两者经常组合Agent 用 RAG 增强知识再执行操作。Q2什么时候不需要 Agent 框架只是一次性 API 调用或简单问答直接调模型 API固定流程、无工具调用用普通代码 一次提示词就够了框架会带来额外抽象成本别为简单任务上重型框架Q3Agent 跑起来很贵怎么办控制成本三板斧① 用快速模型做简单步骤、推理模型只留给关键决策② 减少无效循环设最大轮数、提前终止条件③ 用 Tracing 找出 “卡循环烧钱” 的路径。Q4Agent 会乱调用工具吗会。生产环境必须加护栏Guardrails限定可调用工具白名单、对高风险操作加人工审批Human-in-the-loop、记录所有调用日志。这是框架可观测性功能存在的意义。Q52026 年该学哪个框架最好没有 “最好”按场景选。新手先学 OpenAI Agents SDK 或 CrewAI 建立概念进阶必学 LangGraph生态最大、岗位需求最多。多模态项目再看 Google ADK。 说明本文为技术科普整理框架信息截至 2026 年 10 月各框架版本迭代快具体 API 以官方文档为准。参考资料LangChain 官方框架对比https://www.langchain.com/resources/ai-agent-frameworksThe State of Agent Frameworks 2026https://cannyforge.dev/the-state-of-agent-frameworks-2026/Agentic AI Frameworks in 2026Uvikhttps://uvik.net/blog/agentic-ai-frameworks/AI Agent Frameworks in 2026BetterClawhttps://www.betterclaw.io/blog/ai-agent-frameworksGoogle ADK / Vertex AI Agent Builderhttps://cloud.google.com/generative-ai-app-builderMicrosoft Agent Framework MCP 文档https://learn.microsoft.com/en-gb/agent-framework/agents/tools/local-mcp-toolsMCP 与 A2A 协议合并Linux 基金会https://happyrock.cloud/blog/2026-09-01_b_en/