代理框架交易 图表,角色和演员配乐
每个框架都销售相同的演示 (研究代理构建报告) 并隐藏相同的错误 (状态方案与编排层作战). 选择一个框架,其抽象与您的问题的形状相匹配; 其余的东西都是您写的两次粘合.
Type: Learn
Languages: Python
Prerequisites: Phase 11 · 09 (Function Calling), Phase 11 · 16 (LangGraph)
Time: ~45 minutes
问题
你有一个需要多次LLM调试的任务.也许这是一个研究工作流程 (计划,搜索,总结,引用).也许这是一个代码审查管道 (解析差异,批评,补丁,验证).也许这是一个多轮辅助员,谁会预订飞行,写电子邮件,文件支出报告.你选择一个框架.
之后三天,你发现了框架的抽象漏洞. 机器人给你提供角色,但当"研究人员"需要把结构化的计划交给"作家"时,它会对你进行斗争. 兰格拉夫给你一个状态图, 但迫使你在你知道代理会做什么之前, 命名每个转变. 艾格诺给你一个单机抽象,当你试图扩散到三个同时工作者时,它会尖叫.
解决方案不是"选择最好的框架". 解决方案是将框架的核心抽象与您的问题的形状相匹配.
概念
!Agent framework matrix: core abstraction vs problem shape
它们的核心抽象不一样.
| Framework | Core abstraction | Best fit | Worst fit |
|---|---|---|---|
| LangGraph | StateGraph — typed state, nodes, conditional edges, checkpointer. | Workflows with explicit state and human-in-the-loop interrupts; production agents needing time-travel debugging. | Loose, role-driven brainstorming where the topology is unknown. |
| CrewAI | Crew — roles (goal, backstory), tasks, process (sequential or hierarchical). | Role-playing or persona-driven workflows with a short linear/hierarchical plan. | Anything stateful beyond the crew's turn history; complex branching. |
| AutoGen | ConversableAgent pair — two or more agents that speak in turns until an exit condition. | Multi-agent dialogue (teacher-student, proposer-critic, actor-reviewer) where the thinking emerges from the chat. | Deterministic workflows with a known DAG; anything needing durable state across restarts. |
| Agno | Agent — a single LLM + tools + memory, composable into teams. | Fast-to-build single agents and lightweight teams; strong multi-modality and built-in storage drivers. | Deep, explicitly-branched graphs with custom reducers. |
"抽象"实际上意味着什么
框架的核心抽象是你在设计时绘制在白板上的东西.
- LangGraph结点是步骤,边缘是过渡,每个点都打字状态对象.
- CrewAI工作人员的职位描述,管理员的任务路线.
- AutoGen两个代理人互相发短信,如果需要一个调节者,第三个加入.
- Agno让一个团队一起画一个单一的盒子,上面挂着工具. 让一个团队一起画一个盒子. 心理模型是"包括电池的代理".
国家问题
制造业的框架选择在大多数国家都会崩.
- LangGraph.类型状态 (
TypedDict简历,中断和时间旅行是免费的. (见第11期 · 16期.) - CrewAI.通过
context其他类型的output_pydantic没有一个持久的每员工店出盒子,如果你必须生存一个重启,你自己就会跳. - AutoGen.状态是聊天历史和任何用户定义的状态
context对话转录仍然存在,除非你写适配器,否则任意工作流状态不会存在. - Agno.连接到一个
Agent通过storage=对话会话和用户记忆会自动保存.
分支问题
每个非微不足道的代理都分支,谁决定分支的事.
- LangGraph您决定,通过条件边缘.路由是一个名字分支的Python函数.分支在编译图中是第一类;检查点记录了哪个分支被取.
- CrewAI管理者在等级模式下决定;在序列模式下,你决定在构建时.路由是隐含的任务列表中;管理者的提示之外没有一级"如果".
- AutoGen代理人通过聊天决定. 分支是从谁接下来说.
GroupChatManager选择下一个扬声器;你可以手写一个speaker_selection_method但默认的原因是, - Agno代理人决定下一步使用哪个工具.团队有协调员/路由器/合作者模式;在此之外,分支是开发者的责任.
观察性问题
- LangGraph通过兰格斯密或任何OTel出口商的OpenTelemetry.每个节点过渡都是追踪时间;检查站是可重复的追踪.兰格斯密是第一方选项;兰格斯密/尼克斯也拥有适配器.
- CrewAI自2025年底以来的第一级开放电气;与兰格斯,城,奥皮克,代理运营公司的集成.
- AutoGen通过OpenTelemetry集成
autogen-core检测细分度是每个代理信息,而不是每个节点. - Agno内置
monitoring=True旗加上OpenTelemetry出口商;密切与Langfuse集成,以便进行会议追踪.
成本和延迟
所有四个框架都增加了每次通话的通用费用 (框架逻辑,验证,序列化).大致的通用费用增加顺序:Agno ≈ LangGraph < CrewAI ≈ AutoGen. 差异由框架的额外LLM路由所占主导地位. CrewAI的层次管理人员花费代币决定谁接下来; AutoGen的代码.GroupChatManager长图只在你写的位置花钱.llm.invoke亚格诺的单机代理路线很薄.
当每次运行成本重要时,更好选择明确的路由 (长图边缘,自动生成speaker_selection_method) 通过选择LLM路线.
互操作性
- LangGraph LangChain工具,检索器,LLM. 一级MCP适配器 (作为MCP服务器进口的工具).
- CrewAI工具继承
BaseTool通过机组人员的代表团通过机组人员的代表团,allow_delegation=True现在,我们要去. - AutoGen其他
FunctionTool通过"Python"来调用,可使用的MCP适配器,并将其紧密地连接到AG2生态系统,以实现代理对代理模式. - Agno其他
@tool装饰器或BaseTool子类;MCP适配器;工具可在代理人和团队之间共享.
技能
您可以用一句话解释为什么给定的框架适合给定的代理问题.
预制清单:
- Draw the shape.这是一个图表 (类型状态,命名的过渡);一个角色扮演 (专家放弃工作);一个聊天 (代理人谈到完成);一个单独的代理人有工具?
- Decide who branches.开发者决定分支 → 兰格拉夫. 管理者-代理人决定 → 机组人员等级. 聊天出现 → 自动生成. 工具调用决定 → Agno.
- Check the state budget.如果是,则是LangGraph默认,AgnO会话覆盖对话范围状态.
- Check the cost budget.如果代理人每天运行数千次, 宁愿明确的路由.
- Budget the framework overhead.如果任务是两个LLM调用和一个工具,请写30行简单的Python;没有框架比没有框架便宜.
拒绝在绘制图表,组织图表,聊天或代理框之前寻找一个框架.拒绝选择一个强迫你为你真正需要的东西而战的框架.
决策矩阵
| Problem shape | Preferred framework | Why |
|---|---|---|
| Workflow DAG with typed state, human approvals, long-running | LangGraph | First-class state, checkpointer, interrupts, time-travel. |
| Research / writing pipeline with distinct roles | CrewAI (sequential) or LangGraph subgraphs | Role-per-task is cheap to express in CrewAI; scale up with LangGraph when branching gets complex. |
| Proposer-critic or teacher-student dialogue | AutoGen | Two-agent chat is its native shape. |
| Single agent with tools, sessions, memory | Agno | Thinnest setup, built-in storage and memory. |
| Thousands of parallel fanouts with reducers | LangGraph + Send | The only one with a first-class parallel-dispatch API. |
| Quick prototype, no framework commitment | Plain Python + provider SDK | No framework is the fastest framework. |
运动
- Easy."研究人类总部,写一个200字的简要,引用来源",并将其实现在LangGraph (四个节点:计划,搜索,写,引用) 和CrewAI (三个角色:研究人员,作家,编辑). 报告每次运行和代码行代码成本.
- Medium.在AutoGen中构建相同的任务 (研究人员 作家聊天,编辑通过 加入
GroupChat) 和阿格诺 (一个代理人search_tools其他write_tools根据 (a) 每次运行成本, (b) 事故后恢复能力, (c) 在写作步骤之前注入人类批准的能力,将四个实现分类. - Hard.建立一个决策树脚本
pick_framework.py需要简短的问题描述 (JSON:{has_typed_state, has_roles, has_dialogue, has_parallel_fanout, needs_resume}) 并返回一个句子的推,请在您自己设计的六个案例上验证.
关键词
| Term | What people say | What it actually means |
|---|---|---|
| Orchestration | "How the agents coordinate" | The layer that decides which node/role/agent runs next. |
| Durable state | "Resume after a restart" | State that survives process death, attached to a checkpoint or session store. |
| LLM-selected routing | "Let the model decide" | A planner LLM picks the next step each turn; flexible but pays tokens on every decision. |
| Explicit routing | "Developer decides" | A Python function or static edge picks the next step; cheap and auditable. |
| Crew | "A CrewAI team" | Roles + tasks + process (sequential or hierarchical) bound into a single runnable. |
| GroupChat | "AutoGen's multi-agent chat" | A managed conversation between N agents with a speaker selector. |
| Team (Agno) | "Multi-agent Agno" | Route / coordinate / collaborate mode over a set of agents. |
| StateGraph | "LangGraph's graph" | Typed-state, node, conditional-edge, checkpointer abstraction. |
进一步阅读
- LangGraph documentation国家图,检查点,中断,时间旅行.
- CrewAI documentation 机组人员,流动,代理人,任务,过程.
- AutoGen documentation可交谈的代理,集团聊天,团队,工具.
- Agno documentation代理,团队,工作流程,存储,内存.
- Anthropic — Building effective agents (Dec 2024)模式图书馆 (即时链接,路由,并行,管弦工作者,评估者优化器) 框架-无知.
- Yao et al., "ReAct: Synergizing Reasoning and Acting" (ICLR 2023)每个框架都穿着循环.
- Wu et al., "AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation" (2023) 汽车代购设计文件.
- Park et al., "Generative Agents: Interactive Simulacra of Human Behavior" (UIST 2023)角色扮演基础, CrewAI风格的人物堆建立在.
- 阶段11·19 (反射) 一个图案,它清晰地映射到LangGraph,但对CrewAI来说很尬.
- 如何使用仪器,无论你选择哪个框架.
This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.
Browse the complete course catalog or open this lesson on GitHub.