智能体框架的赛道地图——智能体基建系列

搭建智能体第一件事就是选框架，而选框架不能只凭热度，我们有必要把赛道铺开，看看到底有哪些玩家、各自占哪一块，这样才能有助于选择到最适合的。

一、两个维度

选框架之前，建议考虑两个维度：一是"你写代码还是拖拽"，二是"你管单个 Agent 还是管一群 Agent"。

• 写代码 vs 拖拽：LangChain、CrewAI 是代码库，Dify、n8n 是可视化平台，上手成本差一个量级。

• 单 Agent vs 多 Agent：OpenAI Agents SDK 偏单 Agent 工具循环，CrewAI、MetaGPT 偏多 Agent 协作。

  这两个维度交叉，基本能定位大多数框架。但还不够，因为"多 Agent"内部还分角色协作、对话式等不同范式；而图编排（如 LangGraph）既可用于多 Agent，也大量用于单 Agent 的有状态循环，落地方式完全不同。

二、赛道地图：七个分区

我这里按"架构范式 + 解决什么问题"把主流 Agent 框架分成七块。每块都有自己的代表，也有自己的天花板。以下为赛道地图：

1. 组件库与图编排：LangChain → LangGraph → Deep Agents

LangChain 是这条线的起点，约 14.4 万星，生态最大，是大多数人接触 Agent 的第一站。它把 LLM 调用、提示词、工具、记忆这些零件打包成组件，你拼装成自己的流程。

但早期 LangChain 的编排以线性链路、DAG 有向无环图为主，难以原生支撑持续自主循环、状态持久化、任务中断回退。于是 LangGraph 出来了，约 4 万星，把流程改成图，节点可以循环、可以回退，适合有状态、需要人工介入的复杂流程。
2026 年初 LangChain 又出了 Deep Agents，约 2.8 万星，官方定位是 Agent Harness，对标 Claude Code 那种长任务自主执行。它跟 LangGraph 的关系是：LangGraph 管"流程怎么走"，Deep Agents 管"长任务怎么自主推进"，一条线从组件库到图编排再到长任务 Harness。

三者不是替代关系，而是分层互补组合：LangChain 提供 LLM、工具、提示词等基础组件；LangGraph 是独立的图编排运行时，提供有状态循环、持久化等能力，与 LangChain 并行互补、生态互通；Deep Agents 构建在 LangGraph 之上，面向长周期自主任务提供高层封装。关系如下：

这条线是赛道的入口，量大、热闹，但学习曲线也最陡。LangChain 的抽象层多，出问题要往下翻好几层才能看到底。

2. 官方 SDK：OpenAI / Google / Microsoft / Anthropic

模型厂商自己出的 SDK，特点是跟自家模型绑定最深，更新最快。

• OpenAI Agents SDK，约 2.9 万星，主打轻量化单智能体工具循环，样板实现仅需数十行代码即可完成基础 Agent；也支持多 Agent（handoff 交接），但设计重心是单 Agent 自主循环。

• Google ADK，约 2.1 万星，原生强化多 Agent 编排与会话状态管理，与 Gemini 深度适配，同时也支持外接第三方模型。

• Microsoft Agent Framework，约 1.3 万星，微软推出的统一智能体 SDK，整合吸收 Semantic Kernel、AutoGen 的设计理念，定位为未来微软 Agent 开发主线；官方将 MAF 定位为 Semantic Kernel v2.0，AutoGen 原仓库与 Semantic Kernel v1.x 均转入维护支持模式（缺陷修复、安全更新与部分功能转 GA，新功能开发转向 MAF），主打跨语言，C#、Python、JS 一套代码。

• Claude Agent SDK，约 7.9 千星，Anthropic 官方，主打长任务自主执行，跟 Claude Code 同源。

  官方 SDK 的优势是跟模型能力对齐，新功能第一时间支持。代价是绑定厂商，换模型基本要重写。

3. 角色协作：CrewAI / CAMEL-AI / MetaGPT

这一派的核心思想是"给每个 Agent 一个角色，让它们像团队一样协作"。

CrewAI，约 5.7 万星，是这派里最火的。你定义角色、任务和流程，它帮你编排协作。上手快，但角色一多，协作复杂度上来，调试就头疼；新版推出的 CrewAI Flows 增加了流程管控能力，缓解了纯角色协作的失控问题。

CAMEL-AI，约 1.8 万星，学术出身，主打角色扮演式多 Agent 协作，还带一套研究工具链。
MetaGPT，约 7 万星，是这派里最"重"的。它把软件公司的 SOP 塞进多 Agent 系统，输入一句话需求，输出需求文档、设计文档、代码、测试用例，模拟一个完整团队。在软件研发原型场景表现突出，但通用业务场景工程化落地门槛较高。

4. 对话式：AutoGen / AG2

AutoGen 是微软 2023 年出的多 Agent 对话框架，约 6 万星，一度是研究圈最火的。它的思路是让多个 Agent 互相对话，你一言我一语把任务聊完。但 2025 年微软把 AutoGen 并进 Agent Framework，原仓库进入维护模式，社区分叉出 AG2 继续维护，约 4.9 千星。
对话式范式缺少强流程约束，在无顶层调度时容易发散、任务收敛不可控，大规模复杂生产场景落地难度较高；部分可控、有管理员 Agent 仲裁的对话多智能体在研究、调研场景可以落地。AutoGen 较高星数更多来自早期社区热度积累。

5. 低代码平台：Dify / Flowise / n8n / Coze

这一派不写代码，拖拽画流程。

Dify，约 15.3 万星，是国内最火的 LLM 应用平台，自带 RAG、工作流、Agent、模型管理，一条龙。
n8n，约 20 万星，本来是通用自动化平台，2025 年加了 AI Agent 节点，变成"自动化 + Agent"二合一，生态最大。

Flowise，约 5.5 万星，主打可视化拖拽搭 LangChain 流程，适合快速原型验证，大规模企业生产落地案例相对较少。
Coze（扣子），约 2.1 万星，字节的，国内版和海外版分开，主打 Bot 商店和插件生态。
低代码平台的上手成本最低，但灵活度也最低。复杂逻辑、自定义代码、深度调优，还是得回到代码框架。

6. RAG 向：LlamaIndex / Haystack

二者最初以 RAG、数据检索为核心，常被归类为 Agent 数据基建；目前都已扩展原生 Agent 能力（工作流、多 Agent 等），尤其适合知识密集型智能体。

LlamaIndex，约 5.2 万星，主打"给 LLM 接数据"，索引、检索、RAG 一条龙，后来也加了 Agent 能力。注意这里指 Python 版（run-llama/llama_index），仍在活跃维护；TypeScript 版 LlamaIndex.TS 已于 2026 年 4 月归档，详见第 7 节。
Haystack，约 2.6 万星，deepset 出的，主打生产级 RAG 管道，企业客户多。
如果你要做知识密集的 Agent，比如企业知识库问答，这两个比通用框架更顺手。

7. TS 生态：Mastra / Vercel AI SDK

前面说的基本都是 Python 生态。前端、全栈开发者有自己的选择。

Mastra，约 2.7 万星，TypeScript 的 Agent 框架，主打"AI 原生应用"，带工作流、RAG、记忆。

Vercel AI SDK，约 2.6 万星，Vercel 出的，主打"一行代码接模型"，跟 Next.js 深度绑定，是前端接 AI 的默认选择。
截至当前，TS 生态框架和成熟度整体偏 Web 前端调用场景，复杂多智能体编排方案积累普遍弱于 Python 生态。

其他值得留意

PydanticAI，约 1.9 万星，Pydantic 团队出的，主打类型安全，跟 Pydantic v2 深度集成，适合对类型敏感的项目。还有 Hugging Face 的 Smolagents、Agno（原 Phidata）等，各有各的定位。

三、格局判断

生态最大的是 LangChain 系，LangChain、LangGraph、Deep Agents 合计约 21 万星，要最快落地、生态最全就它，但学习曲线陡，抽象层多。
要跟模型能力对齐就选官方 SDK：OpenAI Agents SDK 最轻，Google ADK 多 Agent 最强，Microsoft Agent Framework 跨语言，Claude Agent SDK 长任务最强。
要低代码就 Dify 或 n8n，Dify 偏 LLM 应用，n8n 偏自动化加 Agent。
要 TS 就 Mastra 或 Vercel AI SDK。
一张选型矩阵收尾：

维度	LangChain系	官方SDK	CrewAI	AutoGen	Dify	LlamaIndex	Mastra
语言	Python	各厂商	Python	Python	平台	Python	TS
上手成本	高	中	低	中	最低	中	中
多Agent	图编排	部分	角色协作	对话式	工作流+多Agent团队	弱	工作流
生态	最大	中	大	大(历史)	大	大	中
生产就绪	中	高	中	低	高	高	中

注：生产就绪为相对判断。LangChain/LangGraph 基础组件成熟、企业落地广泛，但大规模复杂系统需自行搭建可观测与异常处理层；CrewAI 原型极佳，复杂多 Agent 生产需额外增加调度约束。官方 SDK「生产就绪」评级仅限搭配厂商原生模型使用，切换第三方模型需要大量改造。

结尾

赛道还在快速变，有的项目的星数几个月可能就翻番，这次不是在看现在“谁最强”，主要看看“谁在解决什么问题”，为后续智能体搭建做好基建分析。