Agent 开发框架对比
FDE 在客户现场交付的不再是“一次调用”,而是“一串协同”——多步推理、工具调用、多 Agent 协作、状态回滚。框架决定了你能多快把 PoC 跑通,以及能不能在生产环境稳住。国产低代码平台(Dify/Coze/FastGPT)在“客户不让写代码”的政企场景里几乎是默认选项。
| 工具 | 链接 | 定位 | 国内可用 | 备注 |
|---|---|---|---|---|
| CrewAI | github.com/crewAIInc/crewAI | 入门首选,<50 行出多 Agent | ✅ | 30k★,角色化编排 |
| LangGraph | github.com/langchain-ai/langgraph | 生产首选,图编排+检查点 | ✅ | 可恢复、可回滚 |
| LangChain | github.com/langchain-ai/langchain | 生态最全,原型快 | ✅ | 110k★,抽象偏重 |
| LlamaIndex | github.com/run-llama/llama_index | RAG 工程最强 | ✅ | 数据连接器丰富 |
| OpenAI Agents SDK | github.com/openai/openai-agents-python | OpenAI 生态最快 | 需代理 | 官方 SDK,手 hottest |
| AutoGen | github.com/microsoft/autogen | 多 Agent 对话范式 | ✅ | 40k★,微软系 |
低代码平台(客户现场不让写代码时用):
| 工具 | 链接 | 定位 | 国内可用 | 备注 |
|---|---|---|---|---|
| Dify | github.com/langgenius/dify | 全栈 LLMOps | ✅ | 111k★,首选 |
| Coze 扣子 | coze.cn | 字节系,可视化编排 | ✅ | 国内版合规 |
| FastGPT | github.com/labring/FastGPT | 知识库 + 工作流 | ✅ | 20k★,可私有化 |
从需求复杂度倒推框架。 一个 Agent + 几个工具的简单场景,CrewAI 50 行就能跑,适合 PoC 和现场演示;一旦客户要求“中断后继续、失败可重试、每步可审计”,直接上 LangGraph,它的图结构和检查点(checkpoint)是生产环境唯一靠得住的选择。别一上来就用 LangChain 全家桶,抽象层太厚、版本变动快,客户机房里排查问题会哭。
RAG 重就用 LlamaIndex。 如果交付的核心是“客户内部知识库问答”,LlamaIndex 的数据连接器、切块策略、检索器抽象最完整,配合 Milvus/BGE 能省掉大量胶水代码。
政企/不允许在线写代码的场景,直接上低代码。 Dify 私有化部署到客户内网,配合 FastGPT 做知识库,能在一天内交付一个能用的智能助手,这是 FDE 在国企、银行现场最常见的组合。Coze 适合快速给业务方搭 Demo 卖单。