智能体框架怎么选：LangGraph、CrewAI、OpenAI Agents SDK、AutoGen、Dify

这篇适合谁

想做智能体的人：也就是让模型调用工具、在多个步骤之间保存状态的程序。多数示例用 Python 写。读完你应该能装好每个框架、跑通它的最小示例，并知道先试哪一个。

六个框架分别是什么

LangGraph 是面向长时间运行、有状态智能体的底层编排（orchestration）框架和运行时（runtime）^[2]。官方概览把一个工作流描述为由共享的 state、nodes 和 edges 组成的图 ^[2]。同一份概览还介绍了 Deep Agents：一个基于 LangGraph、带规划和子智能体能力的智能体 harness ^[2]。

CrewAI 是开源的 Python 框架，提供高层抽象和底层 API，用来搭建可用于生产环境的多智能体工作流 ^[4]。它有两种工作方式：Crews 让智能体自主协作，Flows 提供精确的事件驱动控制 ^[4]。

OpenAI Agents SDK 是一个轻量的多智能体工作流框架，同时支持 OpenAI 的 Responses 与 Chat Completions 接口，以及其他 100 多种 LLM ^[5]。它的核心概念包括 Agents、Handoffs、Tools、Guardrails、Sessions 和 Tracing ^[5]。

AutoGen 是用来构建多智能体 AI 应用的框架，这些智能体既可以自主行动，也可以和人一起工作 ^[7]。它分三层：Core API、AgentChat API 和 Extensions API ^[7]。这个项目目前的状态影响很大，下面单独说。

Dify 是开源的 LLM 应用开发平台，把 AI 工作流、RAG 流水线、智能体能力、模型管理和可观测性放在同一个界面里 ^[8]。它和前面几个不同：不是导入到自己代码里的库，而是要部署运行的平台。

Google 的 Agent Development Kit（ADK） 是开源的、以代码为先（code-first）的 Python 框架，用来构建、评估和部署智能体 ^[11]。它的 README 标题是 Agent Development Kit (ADK) 2.0，同一个项目还提供 ADK Java、ADK Kotlin、ADK Go 和 ADK Typescript ^[11]。

开始之前

各框架对运行环境的要求差别很大：

• LangGraph：用 pip install -U langgraph 安装 ^[1]。同一个 README 还指向了功能对应的 JavaScript 与 TypeScript 库 LangGraph.js ^[1]。
• CrewAI：要求 Python >=3.10 and <3.14 ^[4]。
• OpenAI Agents SDK：要求 Python 3.10 或更新版本 ^[5]，示例需要设置环境变量 OPENAI_API_KEY ^[5]。
• AutoGen：要求 Python 3.10 或更高版本 ^[7]，项目除 Python 外也支持 .NET ^[7]。
• Google ADK：稳定版要求 Python 3.11 及以上 ^[11]。
• Dify：快速开始要求 CPU 至少 2 核、RAM 至少 4 GiB，还需要 Docker Compose v2.35.0 或更新版本和 OpenSSL ^[8]。它的快速开始围绕 Docker Compose 展开，安装方式和前面几个 Python 库完全不同。

几个框架混着试的时候，建议用虚拟环境或 uv 隔离依赖，免得一个框架的包影响另一个。

第一次运行

LangGraph

先安装：

pip install -U langgraph

官方概览给出了这个最小的图 ^[2]：

from langgraph.graph import StateGraph, MessagesState, START, END

def mock_llm(state: MessagesState):
    return {"messages": [{"role": "ai", "content": "hello world"}]}

graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")
graph.add_edge("mock_llm", END)
graph = graph.compile()

graph.invoke({"messages": [{"role": "user", "content": "hi!"}]})

这个图只有一个节点 mock_llm，它直接返回固定的一条消息，并不调用模型。START 和 END 把节点接入图中，graph.invoke 用一条用户消息运行它。想让它真正有用，就要在节点里换成真实的模型调用，图的结构不用变。

CrewAI

CrewAI 的命令行工具用 uv tool install crewai 安装 ^[4]。README 里的简单 crew 示例在 agents/researcher.jsonc 中定义了一个智能体 ^[4]：

{
  "role": "{topic} Senior Data Researcher",
  "goal": "Uncover cutting-edge developments in {topic}",
  "backstory": "You're a seasoned researcher who finds relevant information and presents it clearly.",
  "llm": "openai/gpt-4o",
  "tools": ["SerperDevTool"],
  "settings": {
    "verbose": true
  }
}

这个文件描述了智能体的角色（role）、目标（goal）和背景（backstory）。{topic} 是占位符，同时出现在角色和目标里。llm 指定模型为 openai/gpt-4o，tools 列出 SerperDevTool，settings 中开启了 verbose。

OpenAI Agents SDK

用 pip install openai-agents 或 uv add openai-agents 安装 ^[5]，运行示例前设置 OPENAI_API_KEY 环境变量 ^[5]。官方的「Run a text agent」快速开始用的是下面这个最小示例 ^[5]：

from agents import Agent, Runner

agent = Agent(name="Assistant", instructions="You are a helpful assistant")

result = Runner.run_sync(agent, "Write a haiku about recursion in programming.")
print(result.final_output)

# Code within the code,
# Functions calling themselves,
# Infinite loop's dance.

Agent 接收名字和指令（instructions）。Runner.run_sync 同步运行这个智能体，结果从 result.final_output 中取出。

AutoGen

用下面的命令安装两个包 ^[7]：

pip install -U "autogen-agentchat" "autogen-ext[openai]"

官方的「Hello World」快速开始使用这个示例 ^[7]：

import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main() -> None:
    model_client = OpenAIChatCompletionClient(model="gpt-4.1")
    agent = AssistantAgent("assistant", model_client=model_client)
    print(await agent.run(task="Say 'Hello World!'"))
    await model_client.close()

asyncio.run(main())

示例用 OpenAIChatCompletionClient 指定 gpt-4.1 作为模型，让 AssistantAgent 执行一个任务，最后关闭模型客户端。AutoGen 还附带一个无代码的图形界面 AutoGen Studio，启动方式如下 ^[7]：

autogenstudio ui --port 8080 --appdir ./my-app

Dify

Dify 的快速开始从仓库根目录开始，依次执行 ^[8]：

cd docker
cp .env.example .env
openssl rand -hex 32

接着在 .env 中设置 DIFY_AGENT_LOCAL_SANDBOX_AUTH_TOKEN，然后用 docker compose up -d 启动服务 ^[8]。之后的大部分操作都在 Dify 的网页界面里完成，而不是写代码。

Google ADK

ADK 用 pip install google-adk 安装，需要附加功能时用 pip install "google-adk[extensions]" ^[11]。官方快速开始给出的最小智能体使用 gemini-3.5-flash 模型 ^[11]：

from google.adk import Agent

root_agent = Agent(
    name="greeting_agent",
    model="gemini-3.5-flash",
    instruction="You are a helpful assistant. Greet the user warmly.",
)

本地运行用 adk run path/to/my_agent ^[11]。文档里要把智能体部署到带 Web UI 的 Cloud Run，用的是 adk deploy cloud_run --with_ui <agent-folder> ^[11]。

怎么选

下面的判断只依据每个项目自己说明的定位，没有做性能比较。

• 流程是一组需要在长时间运行中保存状态的步骤，先看 LangGraph。它对自己的定位就是长时间运行、有状态的智能体 ^[2]。
• 需要多个角色之间协作，CrewAI 同时提供自主协作的 Crews 和事件驱动的 Flows ^[4]。
• 想要一个轻量的 SDK，带 handoff 和 guardrail，并且希望能接入多家模型，可以看 OpenAI Agents SDK ^[5]。
• 不想写代码，想在一个界面里把工作流、RAG 和智能体连起来，Dify 就是为这个场景设计的 ^[8]。
• 想用以代码为先的 Python 框架，并且希望有一条部署到 Cloud Run 的路径，看 ADK ^[11]。
• 新项目不要从 AutoGen 开始。微软已经将它归档，不再积极维护，并建议新用户使用 Microsoft Agent Framework ^[7]。

限制和常见问题

• AutoGen 已归档，微软不建议把它用于生产环境 ^[7]。文档采用知识共享署名 4.0（Creative Commons Attribution 4.0）许可，代码采用 MIT 许可 ^[7]。
• LangGraph 的第一个示例不调用模型。要做真正的工作，需要在节点里自己加上模型调用。图的结构看懂之后，这是一处很小的改动。
• Dify 从源码运行时，网页前端需要 Node.js v24 (LTS) 和 PNPM v12；后端用 uv sync --dev 安装依赖，再用 uv run flask run --host 0.0.0.0 --port=5001 --debug 启动 ^[10]。
• 许可证各不相同。 LangGraph 采用 MIT 许可 ^[3]，CrewAI 的 README 同样给出 MIT 许可 ^[4]，OpenAI Agents SDK 也是 MIT 许可 ^[6]。Dify 采用 Dify Open Source License，以 Apache 2.0 为基础并附加了额外条件 ^[8]。ADK 采用 Apache 2.0 许可 ^[11]。打算基于任何一个框架做产品之前，都应该先读一遍许可证。
• CrewAI 另有商业产品 CrewAI AMP Suite，为需要商业管控平台的组织提供托管部署、可观测性、治理、安全和企业支持 ^[4]。

下一步

选定第一个项目要用的框架，然后先读它的官方文档。LangGraph 的概览是理解它概念的最好起点 ^[2]；CrewAI 的 README 讲解了 Crews 和 Flows ^[4]；OpenAI Agents SDK 的 README 包含核心概念和示例 ^[5]；AutoGen 的 README 讲解它的分层结构和 Studio ^[7]；Dify 的快速开始讲解 Docker 部署 ^[8]；ADK 的 README 讲解智能体类和部署方式 ^[11]。