AI Agent 开发框架对比：LangGraph vs CrewAI vs AutoGen

作者：Maurice | 灵阙学院

选型背景

2025-2026 年，AI Agent 开发框架从百花齐放走向收敛。对于技术团队来说，选择合适的框架直接影响开发效率和产品质量。本文对比三个主流开源框架的架构设计、适用场景和工程实践。

框架概览

维度	LangGraph	CrewAI	AutoGen
维护方	LangChain (Harrison Chase)	CrewAI Inc (Joao Moura)	Microsoft Research
首发时间	2024 Q1	2023 Q4	2023 Q3
核心抽象	状态图（StateGraph）	角色+任务（Crew）	对话代理（ConversableAgent）
编排模式	显式图编排	声明式角色分配	对话驱动
模型绑定	任意（通过 LangChain）	任意	任意
生产就绪度	高	中高	中
GitHub Stars	10K+	25K+	35K+

LangGraph：显式图编排

设计哲学

LangGraph 的核心是状态图（StateGraph）——将 Agent 的工作流程建模为有限状态机。每个节点是一个处理步骤，边定义了条件转移逻辑。

核心概念

State（状态）：贯穿整个图的共享数据结构

from typing import TypedDict, Annotated

class AgentState(TypedDict):
    messages: Annotated[list, add_messages]
    current_step: str
    findings: list[str]
    final_report: str

Node（节点）：处理状态的函数

async def research_node(state: AgentState) -> dict:
    """研究节点：搜索相关信息"""
    query = state["messages"][-1].content
    results = await search_tool(query)
    return {"findings": results, "current_step": "analyze"}

Edge（边）：条件路由

def route_decision(state: AgentState) -> str:
    if len(state["findings"]) > 5:
        return "synthesize"
    return "research_more"

Graph（图）：组合节点和边

graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("analyze", analyze_node)
graph.add_node("synthesize", synthesize_node)

graph.add_edge("research", "analyze")
graph.add_conditional_edges("analyze", route_decision)
graph.set_entry_point("research")

优势

1. 完全可控：每个状态转移都是显式的，没有"黑箱"
2. 可观测：通过 LangSmith 追踪每个节点的输入输出
3. 持久化：内置 Checkpointing，支持断点续传
4. 人机协作：原生支持 Human-in-the-Loop 节点
5. 流式输出：支持节点级别的流式结果返回

局限

1. 学习曲线陡：状态图概念对非图论背景的开发者不直观
2. 代码量大：简单任务也需要定义 State/Node/Edge
3. 过度工程：对于简单的线性工作流，图编排是过度设计

适用场景

• 复杂多分支工作流（如审计流程、合规检查）
• 需要 Human-in-the-Loop 的关键决策点
• 需要断点续传的长时任务
• 对可观测性要求高的生产系统

CrewAI：角色化协作

设计哲学

CrewAI 的核心是角色扮演——将 Agent 团队建模为一组有明确分工的角色（Agent），每个角色有背景故事、目标和可用工具，共同完成任务（Task）。

核心概念

Agent（角色）：

from crewai import Agent

researcher = Agent(
    role="AI Research Analyst",
    goal="Find the most relevant and recent information on the topic",
    backstory="You are a senior research analyst with 10 years of experience...",
    tools=[search_tool, web_scraper],
    llm="gpt-4",
    verbose=True,
)

writer = Agent(
    role="Technical Writer",
    goal="Transform research findings into clear, engaging articles",
    backstory="You are an award-winning technical writer...",
    tools=[],
    llm="claude-3-sonnet",
)

Task（任务）：

from crewai import Task

research_task = Task(
    description="Research the latest trends in AI Agent frameworks...",
    expected_output="A comprehensive research report with sources",
    agent=researcher,
)

writing_task = Task(
    description="Write a 2000-word article based on the research...",
    expected_output="A polished article in Markdown format",
    agent=writer,
    context=[research_task],  # 依赖研究任务的输出
)

Crew（团队）：

from crewai import Crew, Process

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential,  # 或 Process.hierarchical
    verbose=True,
)

result = crew.kickoff()

优势

1. 直觉化：角色/任务/团队的概念贴近人类协作方式
2. 快速上手：10 行代码就能跑起来一个多 Agent 系统
3. 灵活委派：支持 hierarchical 模式，由 Manager Agent 动态分配
4. 社区活跃：GitHub Stars 最高，社区生态丰富

局限

1. 控制粒度粗：无法精细控制 Agent 之间的交互逻辑
2. 调试困难：Agent 之间的对话是"黑箱"，出错难以定位
3. 稳定性波动：Agent 的输出质量依赖 LLM 的表现，难以保证一致
4. 记忆管理弱：跨任务的记忆传递机制不够成熟

适用场景

• 内容创作流水线（研究 → 写作 → 审校）
• 数据分析团队（采集 → 清洗 → 分析 → 可视化）
• 快速原型验证（MVP 阶段）
• 非关键路径的自动化任务

AutoGen：对话驱动

设计哲学

AutoGen 的核心是对话式协作——所有 Agent 通过对话交互完成任务。每个 Agent 既可以生成消息，也可以接收和处理消息。

核心概念

from autogen import AssistantAgent, UserProxyAgent

# 助手 Agent（LLM 驱动）
assistant = AssistantAgent(
    name="assistant",
    llm_config={"model": "gpt-4"},
    system_message="You are a helpful AI assistant...",
)

# 用户代理 Agent（可执行代码）
user_proxy = UserProxyAgent(
    name="user_proxy",
    human_input_mode="TERMINATE",  # 何时需要人工介入
    code_execution_config={"work_dir": "workspace"},
)

# 启动对话
user_proxy.initiate_chat(
    assistant,
    message="Write a Python script that analyzes sales data...",
)

GroupChat（群聊模式）

from autogen import GroupChat, GroupChatManager

analyst = AssistantAgent(name="analyst", ...)
coder = AssistantAgent(name="coder", ...)
reviewer = AssistantAgent(name="reviewer", ...)

group_chat = GroupChat(
    agents=[user_proxy, analyst, coder, reviewer],
    messages=[],
    max_round=20,
)

manager = GroupChatManager(groupchat=group_chat, llm_config=llm_config)
user_proxy.initiate_chat(manager, message="Analyze Q4 sales data...")

优势

1. 代码执行：原生支持 Agent 生成并执行代码
2. 灵活对话：Agent 可以自由对话、提问、质疑
3. 人工介入：多种 human_input_mode 控制人工参与度
4. 微软生态：与 Azure AI、Office 365 集成便利

局限

1. 对话失控：Agent 之间可能陷入无意义的"客套对话"
2. 成本不可控：对话轮次难以预测，token 消耗波动大
3. 确定性低：相同输入不一定产生相同的对话路径
4. 生产化难度：从对话 Demo 到生产系统的差距较大

适用场景

• 代码生成与调试（Agent 写代码 + 执行 + 修bug）
• 研究讨论（多视角分析同一问题）
• 教育辅导（Tutor Agent + Student Agent）
• 需要代码执行能力的自动化任务

选型决策矩阵

需求	推荐框架	原因
复杂工作流 + 生产稳定	LangGraph	显式控制 + 持久化
快速原型 + 多角色	CrewAI	直觉化 API + 快速上手
代码生成 + 执行	AutoGen	原生代码执行能力
合规审计流程	LangGraph	HITL + 可审计
内容生产流水线	CrewAI	角色分工自然
数据分析探索	AutoGen	代码执行 + 交互式
长时运行任务	LangGraph	Checkpointing

混合使用建议

在实际项目中，三个框架不是互斥的：

1. LangGraph 做编排：作为顶层工作流引擎
2. CrewAI 做子任务：在 LangGraph 的某个节点内运行一个 CrewAI Crew
3. AutoGen 做代码任务：需要代码执行的节点使用 AutoGen

LangGraph Workflow
├── Node 1: 需求分析 (LangGraph)
├── Node 2: 多角色研究 (CrewAI Crew)
├── Node 3: 数据分析 (AutoGen + Code Execution)
├── Node 4: Human Review (LangGraph HITL)
└── Node 5: 报告生成 (CrewAI Crew)

新兴竞品

除了三大框架，还有值得关注的新选手：

• Google ADK：Google 官方 Agent 开发框架，深度集成 Gemini
• Claude Agent SDK：Anthropic 官方，Claude 原生支持
• Pydantic AI：Pydantic 团队出品，类型安全优先
• smolagents（HuggingFace）：轻量级，适合开源模型

---

Maurice | maurice_wen@proton.me