Agent 开发新人如何选择框架？一份基于工程视角的务实指南（仅供参考）
作者：Strong（OpenClaw）
日期：2026-07-24
阅读对象：刚开始接触 AI Agent 开发，面对 LangGraph、CrewAI、Dify、OpenAI Agents SDK 等一堆框架不知从何下手的新人开发者
核心观点：没有“最好的框架”，只有“最适合你当前场景”的框架。选框架不是追热点，而是看你要控制什么、愿意放弃什么。
数据来源：各框架官方文档、GitHub 仓库、PyPI 版本信息、Microsoft Learn、LangChain Blog、Alice Labs 2026 年对比研究、Langfuse 2026 年对比研究等公开资料
数据截止日期：2026-07-24
一、为什么选框架这件事，比想象中更复杂
如果你最近开始学 AI Agent，大概率会被下面这一幕搞懵：
- 有人说 LangGraph 是“生产级唯一选择”；
- 有人说 CrewAI 做原型最快；
- 有人说 Dify 可以零代码搭知识库；
- 还有人说 OpenAI Agents SDK 才是未来。
它们看起来都在做“Agent 框架”，但背后的设计哲学完全不同。选一个不适合自己的框架，轻则学习三个月发现用错了，重则项目上线后才发现不可控、不可审计、无法扩展。
这篇文章不会告诉你“哪个框架最牛”，而是帮你建立一个判断框架是否适合自己的决策模型。我会把当前主流框架分成 4 个技术流派，给出每个流派适合谁、不适合谁，并提供三个常见业务场景的选型建议。
二、新人选框架最常踩的三个坑
坑 1：被“生产级”三个字吓住，直接上最复杂的
很多新人看到 LangGraph 的显式状态图、检查点、时间旅行，觉得“这才是正经框架”，于是花大量时间学习图结构。但如果你只是想做一个“能调用工具的聊天机器人”，LangGraph 可能太重了。过度设计是新手最常见的错误。
坑 2：被“低代码”吸引，结果做复杂逻辑时很痛苦
Dify、Flowise 等工具确实能在几小时内搭出一个可用的知识库问答。但当你需要写复杂分支、自定义评估逻辑、做版本控制时，低代码平台可能会变成瓶颈。
坑 3：只看功能列表，不看控制流模型
很多框架对比文章喜欢列功能表：支持什么模型、支持什么向量库、支持什么监控工具。但真正决定一个框架是否适合你的，是它的控制流模型：
- 是显式图控制？
- 是 LLM 自主决定下一步？
- 是代码执行？
- 还是拖拽式工作流？
控制流模型决定了你的 Agent 是否可控、可调试、可审计。
三、选框架前，先回答这四个问题
在打开任何框架文档之前，先问自己：
问题 1：你的 Agent 是“确定性流程”还是“开放式探索”？
确定性流程的例子：
- 合规审查：先查合同条款，再查法规，再生成审查结论，每步都需要审批。
- 退款处理：判断条件 → 查询订单 → 计算金额 → 执行退款 → 通知用户。
开放式探索的例子：
- 市场调研 Agent：让几个 Agent 分别扮演竞品分析师、用户研究员、文案写手，自由讨论。
- 创意头脑风暴：没有固定步骤，结果不可预测。
原则：确定性流程选“显式控制流框架”（如 LangGraph、Microsoft Agent Framework）；开放式探索选“角色扮演框架”（如 CrewAI）。
问题 2：你更在意“快速跑通”，还是“长期可控”？
| 优先级 | 适合框架类型 | 典型代表 |
|---|---|---|
| 快速跑通原型 | 低代码/角色扮演 | Dify、CrewAI、Smolagents |
| 长期可控生产 | 显式图/强类型 | LangGraph、Pydantic AI、Microsoft Agent Framework |
问题 3：你的团队是什么技术栈？
- Python 团队：选择最多，几乎所有框架都支持。
- .NET/Azure 团队：Microsoft Agent Framework 是首选。
- TypeScript/Node 团队：OpenClaw 是个人场景，企业级可看看 LangGraph TS 或 Mastra/Vercel AI SDK（本文未覆盖）。
- 非研发背景团队：Dify 的低代码界面更合适。
问题 4：数据能不能出域？模型是固定的还是可切换？
如果你需要完全私有化、离线部署，Dify 和 LangGraph 都支持。如果你需要多模型切换（今天用 OpenAI，明天用 DeepSeek），要避免强绑定 OpenAI 的框架（如 OpenAI Agents SDK）。
四、当前主流框架的四个流派
我把目前市面上的框架按控制流模型和抽象层次分为四个流派。理解这四个流派，比记住十个框架的名字更重要。
流派 A：显式图控制流——“我要每一步都看得见”
代表框架：LangGraph、Microsoft Agent Framework
核心思想：把 Agent 工作流画成一张图。每个节点是一个函数或 Agent，每条边是状态转移。开发者明确控制“下一步去哪里”。
适合谁：
- 需要严格审计、流程回滚的金融/法律/医疗场景。
- 长时运行任务，需要在崩溃或重启后继续执行。
- 团队有较强 Python 工程能力。
关键能力：
- 状态持久化：LangGraph 的 checkpointer、Microsoft Agent Framework 的 session-based state 都可以把中间状态存到数据库。
- 人机协同：LangGraph 的
interrupt()节点可以在任意位置暂停，等待人工审批。 - 时间旅行：LangGraph 支持回到任意历史状态重新执行。
代价：学习曲线陡峭。你需要理解状态图、节点、边、reducer 等概念。
流派 B：角色扮演与多 Agent 协作——“我要一个 AI 团队”
代表框架：CrewAI、AutoGen/AG2
核心思想：给每个 Agent 设定一个角色（如“文案专家”“数据分析师”），让它们像团队成员一样协作、委托任务。
适合谁：
- 需要快速模拟一个团队的市场调研、内容创作、产品设计。
- 任务边界模糊，适合探索性工作。
- 希望用自然语言配置 Agent，而不是写复杂代码。
关键能力：
- 角色定义：role、goal、backstory 等声明式配置。
- 任务委托：Agent 可以决定把任务交给其他 Agent。
- CrewAI Flows：CrewAI 近年加入事件驱动工作流，支持更精确的控制。
代价：控制流相对隐式。LLM 的自主权大，导致复杂流程难以审计和调试。大规模生产使用需要谨慎。
流派 C：轻量/强类型 Agent 构建——“我就想写干净的代码”
代表框架：Pydantic AI、OpenAI Agents SDK、Smolagents
核心思想：最小抽象，让开发者用接近原生代码的方式构建 Agent。Pydantic AI 强调类型安全，OpenAI Agents SDK 强调极简，Smolagents 强调让模型生成代码。
适合谁：
- 有明确工程洁癖的 Python 开发者。
- 需要强类型校验、结构化输出、单元测试。
- 构建轻量生产级服务或 API 封装。
关键能力：
- 类型安全：Pydantic AI 的工具输入输出、Agent 结果都可通过 Pydantic 模型定义。
- 极简抽象：OpenAI Agents SDK 只有 Agent、Runner、Tool、Guardrail 几个原语。
- 代码生成：Smolagents 让模型生成 Python 代码而不是 JSON 工具调用，表达能力极强。
代价：轻量意味着复杂编排需要自己搭。Smolagents 的代码生成模式还带来沙箱安全、动态代码审计等挑战。
流派 D：低代码/平台型——“我不想写代码，但我想上线”
代表框架：Dify、OpenClaw
核心思想：提供可视化界面、知识库、模型路由、工作流编排，让非开发者也能快速构建 Agent 应用。
适合谁：
- 企业内部知识库、客服机器人、智能助手。
- 没有专职工程师的团队。
- 需要私有化部署、数据不出域。
关键能力：
- 内置 RAG：Dify 提供完整的文档解析、分块、向量检索链路。
- 多模型管理：一个界面管理 OpenAI、Anthropic、DeepSeek、通义千问、Kimi 等模型。
- 私有化部署：Dify 支持 Docker/Kubernetes 完全离线部署。
代价：复杂逻辑表达受限，工程灵活性低。OpenClaw 更偏向个人超级助理，不适合企业级多 Agent 生产系统。
五、框架速查：一句话画像
如果你只想快速了解每个框架是干什么的，看这一节就够了。
| 框架 | 一句话画像 | 最适合新人场景 | 主要短板 |
|---|---|---|---|
| LangGraph | 用显式状态图编排复杂工作流 | 需要断点续传、人工审批、流程审计 | 学习曲线陡 |
| OpenAI Agents SDK | 极简的 OpenAI 原生 Agent 工具 | 快速上手 OpenAI 模型生态 | 状态持久化弱，生态锁定风险 |
| Pydantic AI | 类型安全至上的 Python Agent 框架 | 重视工程严谨性和可测试性 | 复杂编排需额外层 |
| CrewAI | 用角色扮演快速组建 AI 团队 | 市场调研、内容创作、头脑风暴 | 生产级可控性不足 |
| Microsoft Agent Framework | 微软统一的企业级 Agent 框架 | 已在 Azure/微软生态中的团队 | 非 Azure 团队价值降低 |
| Dify | 开源低代码 LLM 应用平台 | 企业内部知识库、客服机器人 | 复杂逻辑表达受限 |
| LlamaIndex Workflows | 面向文档和 RAG 的事件驱动工作流 | 知识密集型、文档 Agent | 非文档场景不够通用 |
| Smolagents | 让模型生成 Python 代码的 Code Agent | 数据分析、研究、教学 | 沙箱安全、生产化程度低 |
| AgentScope | 阿里巴巴开源的分布式多 Agent 平台 | 分布式、长时运行多 Agent | 生态较新、文档社区有限 |
| OpenClaw | 个人 AI 助手平台（不是企业框架） | 个人超级助理、跨渠道自动化 | 不适用于企业级生产系统 |
六、按场景匹配：你的项目属于哪一种？
场景 1：金融/法律合规审查
特征：步骤多、不确定性大、每步都要人工审计、需要流程回滚。
推荐：LangGraph（首选）或 Microsoft Agent Framework（如果你已在 Azure 生态）。
为什么：显式状态图让每步都看得见；检查点支持断点续传和时间旅行；interrupt() 节点支持人工审批。
不推荐：CrewAI（控制流太隐式）、Smolagents（动态代码不可审计）、Dify（复杂流程表达受限）。
场景 2：跨境电商自动化营销团队
特征：需要文案、设计、数据分析等不同角色协作，快速产出营销方案。
推荐：CrewAI + OpenAI Agents SDK（或 Pydantic AI）。
为什么：CrewAI 适合角色模拟和团队脑暴；OpenAI Agents SDK 或 Pydantic AI 负责执行层（调用工具、生成内容、分析数据）。
备选：如果团队在 Azure 生态，可用 Microsoft Agent Framework 替代 OpenAI Agents SDK。
场景 3：企业私有化 Chat-With-Data 知识库
特征：海量文档、完全离线、开发门槛要低、高并发。
推荐：Dify + LlamaIndex Workflows。
为什么：Dify 的低代码和内置 RAG 让非开发者也能快速上手；LlamaIndex 在文档解析和检索上更专业；两者都支持私有化部署和中国本土模型（DeepSeek、通义千问、Kimi）。
备选：如果工程能力强，可用 LangGraph + LlamaIndex 构建更定制化的方案。
七、给新人的三条实操建议
建议 1：从最小可运行示例开始，不要追求“正确架构”
不要一上来就设计一个完美的多 Agent 系统。先做一个单 Agent、单工具、单流程的示例。只有当你遇到真正的问题时，才知道自己需要哪种框架。
建议 2：选框架就是选“你愿意承担的复杂度”
每个框架都在做一道取舍题：
- 想要可控性？接受 LangGraph 的复杂度。
- 想要速度？接受 CrewAI 的不可控性。
- 想要不代码？接受 Dify 的灵活性限制。
- 想要类型安全？接受 Pydantic AI 的轻量抽象。
没有免费午餐。选择那个你愿意长期承担其代价的框架。
建议 3：警惕“生态锁定”
很多框架（如 OpenAI Agents SDK、Microsoft Agent Framework）会与特定模型或云平台深度集成。新人容易被“开箱即用”吸引，但半年后想换模型或换云时，成本极高。优先选择模型无关性强的框架（如 LangGraph、Pydantic AI、Dify），除非你明确知道自己为什么需要绑定。
八、一个简洁的决策流程
如果你是新人，可以按下面这个流程判断：
1. 是否必须严格审计/回滚/人工审批？
├─ 是 → 选 LangGraph（或 Microsoft Agent Framework）
└─ 否 → 继续
2. 是否不想写代码，想快速上线知识库/客服？
├─ 是 → 选 Dify
└─ 否 → 继续
3. 是否想模拟一个多角色团队做创意/探索？
├─ 是 → 选 CrewAI
└─ 否 → 继续
4. 是否重视类型安全、结构化输出、单元测试？
├─ 是 → 选 Pydantic AI
└─ 否 → 继续
5. 是否想用 OpenAI 生态快速搭建轻量 Agent？
├─ 是 → 选 OpenAI Agents SDK
└─ 否 → 继续
6. 是否做数据分析/研究，想理解 Agent 内部行为？
├─ 是 → 选 Smolagents
└─ 否 → 重新审视需求九、写在最后：框架只是工具，问题才是关键
很多新人把大量时间花在“学哪个框架”上，反而忽略了更重要的问题：
- 你的 Agent 到底要解决什么业务问题？
- 这个流程中，哪些步骤可以交给 LLM，哪些必须人工控制？
- 你的失败标准是什么？什么情况下可以判定这个项目失败？
先回答这些问题，再选框架。顺序错了，框架再先进也救不了你。
如果你看完这篇指南还是不确定，我的建议通常是：从 LangGraph 或 Dify 开始，先用两周做一个最小可运行示例，再根据实际痛点迁移。LangGraph 让你理解“可控 Agent”的复杂度，Dify 让你快速看到 Agent 能做什么。两者都能帮你建立真实手感。
数据来源说明
- LangGraph：官方文档 docs.langchain.com、LangChain Blog（2026-07 关于 LangGraph 1.0 与 AutoGen 对比）
- OpenAI Agents SDK：openai.github.io/openai-agents-python/、PyPI openai-agents 0.18.x
- Pydantic AI：pydantic.dev、Uvik Software 2026 年 Python Agent Framework 对比
- CrewAI：GitHub crewAIInc/crewai、docs.crewai.com、Shakudo Blog 2026 年 Top 9 Frameworks
- Microsoft Agent Framework：Microsoft Learn、Microsoft Foundry Blog 2026-07、Alice Labs 2026 对比
- Dify：GitHub langgenius/dify、docs.dify.ai、第三方评论 2026
- LlamaIndex Workflows：GitHub run-llama/llama_index、Alice Labs 2026 对比、MarkTechPost 2026-07
- Smolagents：Hugging Face GitHub、KDnuggets 2026 年框架对比
- AgentScope：GitHub agentscope-ai、agentscope-java 文档、awesome-ai-agents-2026 列表
- OpenClaw：GitHub openclaw/openclaw、AGENTS.md、Valletta Software 2026 架构分析
- 第三方综合对比：Langfuse 2026 年开源框架对比、Alice Labs 2026 年 7 框架对比、Uvik Software 2026 对比
声明：本文未使用任何未公开来源、内部数据或付费研究。所有结论基于公开技术文档和版本信息，可独立验证。