智能体框架
Quote
Don't build from scratch — build on a framework.
快速开始¶
先用模型 SDK 和一个工具实现最小闭环，再根据状态持久化、图编排、人机确认和观测需求选择框架。选型时使用同一任务验证可调试性、错误恢复、版本稳定性与迁移成本，避免只比较组件数量。
概述¶
Agent 框架是封装了 Agent 核心循环（推理 -> 行动 -> 观察）的开发工具，帮助开发者快速构建基于 LLM 的智能应用。选择合适的框架可以显著降低开发成本，但也需要权衡框架的灵活性与学习曲线。
主流框架¶
LangChain / LangGraph¶
LangChain 是最早也是最流行的 LLM 应用开发框架，提供了丰富的组件抽象（Prompt、LLM、Tool、Memory 等）。随着 Agent 需求的复杂化，其团队推出了 LangGraph 来支持基于图的状态机式 Agent 编排。
特点：
- 组件丰富，生态完善；
- LangGraph 支持循环、分支、条件等复杂流程；
- 支持持久化状态和人机交互；
- 学习曲线较陡，抽象层较多。
LlamaIndex¶
专注于 RAG 和数据连接的框架，也提供了 Agent 能力。适合需要与大量数据源交互的 Agent 应用。
OpenAI Agents SDK¶
OpenAI 官方推出的轻量级 Agent SDK，特点是：
- 原生支持 OpenAI 的 Tool Calling 和 Structured Output；
- 内置 Handoff 机制，支持 Agent 之间的任务移交；
- 轻量简洁，与 OpenAI API 深度集成。
Anthropic Agent SDK¶
Anthropic 推出的 Agent 开发方案，核心理念是：
- 让 Claude 自主管理工具使用循环；
- 强调安全性，内置权限控制；
- 支持 MCP 协议集成。
Vercel AI SDK¶
面向前端开发者的 Agent SDK，提供 TypeScript/JavaScript 生态下的 Agent 能力，与 Next.js 深度集成。
框架选型¶
| 框架 | 语言 | 适合场景 | 灵活度 |
|---|---|---|---|
| LangGraph | Python/TS | 复杂多步 Agent | ⭐⭐⭐⭐⭐ |
| LlamaIndex | Python | RAG + Agent | ⭐⭐⭐⭐ |
| OpenAI Agents SDK | Python | OpenAI 生态应用 | ⭐⭐⭐ |
| Anthropic Agent SDK | Python | Claude 生态应用 | ⭐⭐⭐ |
| Vercel AI SDK | TS | 前端 + Agent | ⭐⭐⭐ |
Note
框架生态变化很快，选择时建议关注官方文档的更新频率和社区活跃度。对于简单场景，直接使用原生 API + Function Calling 往往更高效。
选型案例¶
一个需要“检索工单 -> 查询订单 -> 生成退款方案 -> 人工确认”的客服 Agent，首先需要可持久化状态和确认节点，可用 LangGraph 表达状态机；若重点变成跨大量文档构建检索链路，可优先评估 LlamaIndex。无论选择哪种框架，都应先用同一组工单验证中断恢复、工具参数、越权阻断和任务成功率，再决定是否引入框架。