14种主流Agent框架深度横评：LangChain/LangGraph/ADK/Deep Agents到底怎么选？

前言：框架比模型还多，怎么破？

过去一年，Agent 从 Demo 走向生产，但开发者普遍遇到一个问题：框架选型焦虑。

很多人起步直接用 LangChain，结果业务一复杂，代码变成"回调地狱"；也有人为了"多Agent"上了 CrewAI，最后发现单Agent就能搞定，性能反而被拖垮。

整理了目前最值得关注的 14 个 Agent 框架，按「通用入口、流程控制、长任务、多Agent协作、数据层、TS/前端」6个维度拆解，帮你做减法。

---

一、选型的三个误区（先看这个）

误区一：用 LangChain 做重型编排
LangChain 是胶水，不是调度器。一旦你需要循环、中断、回滚，它就会吃力。

误区二：忽视技术栈惯性
Python 后端硬上 TypeScript 生态（如 Mastra），或者 .NET 团队强行啃 Python 框架，维护成本极高。

误区三：为了多Agent而多Agent
90% 的企业内部工具，单 Agent + 工具调用足够，CrewAI/MetaGPT 更多用于特定分工场景。

原则只有一个：先定业务特征，再找框架。

---

二、主流框架全景分类

业务特征	代表框架
快速验证、跑通MVP	LangChain、OpenAI Agents SDK
复杂逻辑、状态机、人工介入	LangGraph、Google ADK、Microsoft Agent Framework
长时间任务（编程/研究）	Deep Agents
角色分工/团队仿真	CrewAI、MetaGPT、Camel AI
知识库/RAG	LlamaIndex、Haystack
TypeScript / 前端流式交互	Mastra、Vercel AI SDK

---

三、核心框架逐一点评

1. 通用入口：先跑起来

🔹 LangChain

最适合做"第一次把Agent跑起来"。

from langchain.agents import create_react_agent
from langchain_openai import ChatOpenAI

llm = ChatOpenAI()
agent = create_react_agent(llm, tools)

优点：生态最全，MCP、各种Tool开箱即用。
缺点：流程黑盒，Debug困难，不适合精细控制。
建议：只用在 PoC 阶段，或者非常简单的工具调用场景。

🔹 OpenAI Agents SDK

官方出品，主打"少写代码"。

核心概念是 Handoff（移交）：

from agents import Agent, Runner

billing_agent = Agent(name="Billing")
refund_agent = Agent(name="Refund")

triage_agent = Agent(
    handoffs=[billing_agent, refund_agent]
)
Runner.run(triage_agent)

适用：客服分流、语音助手、需要官方 Tracing 能力的场景。

---

2. 流程控制：把逻辑写清楚

🔹 LangGraph

这是目前生产环境最常用的"Agent状态机"。

from langgraph.graph import StateGraph

graph = StateGraph(state_schema=MyState)
graph.add_node("think", think_node)
graph.add_edge("think", "act")
graph.add_conditional_edges("act", route)

checkpointer = MemorySaver()  # 支持暂停/恢复

亮点：

• 显式 Checkpoint，服务重启可从断点继续
• Human-in-the-loop（人工审核节点）实现简单

劝退：如果你的Agent只是"问一句答一句"，别用它。

🔹 Google ADK

谷歌的"全家桶"。它不仅给你 Agent，还给你运行环境和产物管理。

• Runner 负责调度
• Session & Memory 管状态
• Artifacts 存中间文件

如果你重度使用 Vertex AI / Gemini，ADK 是目前云原生最完整的方案。

🔹 Microsoft Agent Framework

企业级，强调 审计和恢复。

.NET/Java/Python 多语言支持，自带审批流和可观测性，适合银行、制造业等合规场景。

---

3. 长任务型：Deep Agents

专门解决"上下文不够、任务做一半断了"的问题。

它内置：

• 工作区（Workspace）
• 文件系统
• 自动上下文压缩
• 子任务规划

典型场景：自动写代码仓库、深度研报生成。
不适合：闲聊机器人。

---

4. 多Agent协作：别乱用

🔹 CrewAI —— 业务分工映射

把公司里的岗位直接写成代码：

researcher = Agent(role="Researcher")
writer = Agent(role="Writer")
crew = Crew(agents=[researcher, writer])

适合：内容生产、销售线索挖掘等有明确"角色"的业务。

🔹 MetaGPT —— 研发SOP

把软件开发流程焊死在代码里：PM写PRD -> 架构师画图 -> 开发写代码。

做 DevOps Demo 非常好看，但非软件研发业务慎用。

🔹 Camel AI —— 学术研究

关注Agent如何博弈、演化、生成合成数据，不适合直接上生产。

---

5. 数据 & RAG：别让Agent背锅

很多时候你以为需要Agent，其实你只需要更好的检索。

LlamaIndex：文档接入神器，Query Engine 非常成熟。

Haystack：Pipeline 化，Retriever -> Ranker -> Generator，每一个节点都能单独测。

# Haystack 示例
pipeline.add_node(Retriever, name="retrieve")
pipeline.add_node(PromptBuilder, name="prompt")
pipeline.add_node(LLM, name="generate")

---

6. TypeScript 生态：前端同学看这里

🔹 Mastra

TypeScript 版本的 LangChain + LangSmith，统一 Agent、Workflow、Eval。

🔹 Vercel AI SDK

最强在 UI 联动，而不是后端编排。

import { streamText } from "ai";
streamText({ model, messages }).pipeToStream(res);

适合 Next.js 项目，做流式聊天、生成式 UI（Generative UI）。

---

四、30秒选型速查表

直接对着选：

你的场景	闭眼选
刚学Agent，做个Demo	LangChain
有审批、有回滚、有循环	LangGraph
写代码/自动办公	Deep Agents
谷歌云全线	Google ADK
企业内部系统，要合规	Microsoft Agent Framework
客服转人工	OpenAI Agents SDK
内容团队自动化	CrewAI
自动生成软件	MetaGPT
企业知识库	LlamaIndex
Next.js + AI	Vercel AI SDK

---

五、推荐的"组合拳"

实际项目中，往往混用效果更好：

1. 内部知识助手
LlamaIndex（管知识） + LangGraph（管多步推理） + Vercel AI SDK（前端展示）

2. 自动编程助手
Deep Agents（任务规划） + LangGraph（代码审查节点） + GitHub Actions

3. 电商客服
OpenAI Agents SDK（分流） + 自研工具调用 + 数据库插件

---

六、写在最后

Agent 框架还在剧烈变化中，Google ADK、Deep Agents 这些都是半年内才成熟的新玩家。不要过早做"大一统架构"，建议：

用薄薄的抽象层封装你的 Agent 调用，未来换框架时，业务代码不用重写。

如果你也在做 Agent 落地，欢迎在评论区聊聊你用的哪一款，有哪些坑。

---

推荐阅读：

• LangGraph 官方文档（Checkpoint篇）
• Google ADK 的 Artifact 设计
• 为什么 RAG 不等于 Agent