AI Agent 实现的 4 大类别：代码派、自然语言派、可视化派与 Graph 工作流派

做 Agent 的同学一定遇到过这个困惑：想做一个 Agent，但市面上的框架和工具多到让人选择困难。LangChain、LangGraph、CrewAI、Claude Code、Langflow、n8n、Dify、Google ADK……每个都说自己是"最好的 Agent 方案"。

这些工具其实可以按一个核心维度分成 4 大类——你用什么方式控制 Agent 的行为。控制方式决定了它的适用场景、学习成本、可调试性和生产化难度。这篇文章把这 4 大类讲清楚，每类补充代表框架和使用场景。

本文 outline

1. 分类的维度：你靠什么控制 Agent
2. 第一类：纯代码派
3. 第二类：纯自然语言派
4. 第三类：UI 可视化派
5. 第四类：Graph 工作流派
6. 四类怎么选：一张表 + 三个决策问题

1. 分类的维度：你靠什么控制 Agent

先给一个总的框架。Agent 的核心是一个循环：模型思考 → 决定动作 → 执行 → 观察结果 → 再思考。不同框架的差异，在于"循环怎么编排、行为怎么定义"。

一个关键认知：这 4 类不是竞争关系，而是不同抽象层级。同一个人可能早上用 Claude Code 写代码（第二类），下午用 LangGraph 搭生产 Agent（第一类），晚上用 Langflow 给业务同事做原型（第三类）。

2. 第一类：纯代码派

核心思想：Agent 就是一个程序，用代码定义它的每一步。模型调用、工具选择、循环控制全部显式写在代码里。

代表框架：

• LangChain / LangGraph：LangChain 是最早出圈的 Agent 框架，提供了模型封装、工具、记忆、检索的一整套抽象。LangGraph 是它的进化——用图结构编排 Agent 状态机，支持条件分支、循环、持久化，是当前生产级 Agent 的主流选择。LangGraph 的节点就是 Python 函数，边就是状态转移，整个 Agent 是一个可暂停、可恢复的图执行。
• Microsoft Agent Framework（13.5k 星，MIT）：微软推出的 Agent 编排框架，特点是云中立（Azure/OpenAI/LangGraph 都接）和多 Agent 编排，带可视化调试界面。它的定位是"企业级多 Agent 系统"。
• CrewAI：主打"角色扮演"式多 Agent 协作。你定义不同的 agent（研究员、写手、审校）和它们的任务，框架负责编排它们协作完成目标。适合模拟团队分工的场景。

适合场景：生产级应用、需要精细控制/可测试/可调试的复杂 Agent、有工程团队愿意维护代码的场景。代价：学习曲线陡，样板代码多，改一个流程要改代码重新部署。

# LangGraph 风格：Agent 是状态机，节点是函数
from langgraph.graph import StateGraph

def call_model(state): ...   # 调 LLM
def call_tool(state): ...    # 执行工具
graph = StateGraph(...)
graph.add_node("model", call_model)
graph.add_node("tools", call_tool)
graph.add_edge("model", "tools")

3. 第二类：纯自然语言派

核心思想：不写代码，用文字定义 Agent 的行为。你把系统提示词、工具描述、规则写成自然语言，Agent 框架负责执行循环。

代表：

• Claude Code：Anthropic 的编程 Agent。你用自然语言给它下指令，它在终端里自主读代码、改代码、跑测试。它的"行为"由系统提示词 + 用户的自然语言指令 + CLAUDE.md（项目记忆）共同定义。
• Cursor：AI 代码编辑器。自然语言驱动补全和编辑，本质是"编辑器 + Agent 循环"。
• Hermes（Nous Research，24.5 万星，MIT）：Nous 的开源 Agent，强调"the agent that grows with you"——用文件记忆（MEMORY.md/USER.md）和技能（Skills）让 Agent 随着使用积累能力。它的哲学是"Agent 的长期记忆和技能应该像 wiki 一样持续沉淀"。

核心卖点：零门槛。不需要懂代码就能用，上手以分钟计。代价：行为由模型决定，不可精确复现；复杂的确定性逻辑（比如"必须调用 A 再调用 B，失败重试 3 次"）用自然语言很难约束；调试依赖"观察模型在想什么"。

# 自然语言派的使用方式：就是对话
claude "重构这个模块，保持 API 兼容，加好测试"

一句话：代码派把 Agent 当程序写，自然语言派把 Agent 当同事指挥。后者爽快，但前者的可控性在关键业务里无法替代。

4. 第三类：UI 可视化派

核心思想：不写代码（或极少代码），在画布上拖拽节点、连线搭流程。每个节点是一个操作（LLM 调用、工具、条件判断、数据转换），连线决定数据流。

代表：

• Langflow（15.5 万星，MIT）：可视化版 LangChain。拖拽组件搭 RAG 流水线、Agent 工作流，能导出为 Python 代码。适合快速原型和给非工程师演示。
• n8n（20.4 万星，fair-code）：通用工作流自动化平台，原生支持 AI 节点（LLM、Agent、向量库）。它的强项是集成生态——几百个现成的应用连接器，适合把 Agent 接进业务流程（CRM、邮件、数据库）。
• Dify（15.6 万星）：开源 LLM 应用平台，可视化的 Agent 编排 + RAG 流水线 + 完整应用管理（发布、监控、用户）。定位是"LLM 应用的一站式平台"，既有可视化编排，也有 API 和插件。

适合场景：业务团队自己搭流程、快速原型验证、需要集成大量外部系统、不想维护代码的场景。代价：复杂的逻辑分支在画布上会变得混乱；版本控制难（流程是 JSON/配置而非代码）；深度定制受限于平台提供的能力。

5. 第四类：Graph 工作流派

核心思想：这是很多人忽视、但其实是"生产级 Agent 的正确姿势"的一类——用代码把确定性的流程和不确定性的 LLM 调用，连接成一个 Graph（图）Agent 工作流。

代表是 Google ADK（Agent Development Kit，21.5k 星，Apache-2.0）。ADK 的核心设计：

• 代码优先（code-first）：Agent 就是代码，不是配置文件、不是拖拽图
• Graph-based workflow：Agent 由节点（node）和边（edge）组成，每个节点可以是确定性函数，也可以是 LLM 调用
• 确定性与非确定性统一：固定流程（数据校验、调用订单 API、发通知）用确定性节点，需要判断的地方（理解用户意图、生成回复）用 LLM 节点，二者在同一张图里编排

看一个 ADK 风格的结构：

# ADK 风格：确定性节点 + LLM 节点在同一张图里
@node
def validate_input(state):          # 确定性：校验参数
    if not state.input.get("id"):
        return {"error": "missing id"}
    return state

@node
def route(state):                   # 非确定性：LLM 决定走哪条路
    intent = llm.classify(state.input)   # LLM 调用
    return {"next": intent}

@node
def call_order_api(state):          # 确定性：调订单系统
    return api.orders.get(state.input["id"])

# 图：确定性流程 + LLM 决策点
graph = Graph()
graph.add_edge("validate_input", "route")
graph.add_conditional_edge("route", {"query": "call_order_api", "create": "create_order"})

这个模式的本质：把"确定性的业务逻辑"和"非确定性的智能决策"明确分层。该确定的（校验、事务、幂等）绝不依赖模型，该灵活的（意图理解、内容生成）交给模型。这让 Agent 既能保证业务正确性，又保留了智能的弹性。

ADK 还带评估（evaluation）和追踪（tracing）工具，强调"生产级 Agent 需要可测试、可观测"。

同类框架：LangGraph 其实也可以归入这一类（它也是"代码 + 图编排 + 确定性/LLM 节点混合"），但 ADK 更明确地以"Graph agent workflow"为产品核心，且由 Google 提供多模态、多平台支持（Python/Android/Web）。语义内核 Semantic Kernel（微软）也属于这一类——用代码把 skill（确定性函数）和 planner（LLM 规划）组合。

适合场景：生产级、需要强正确性的 Agent（交易、客服、工作流自动化），要求流程可控、可测试、可审计的团队。

6. 四类怎么选：一张表 + 三个决策问题

三个决策问题：

1. 谁来用？ 纯工程师团队 → 代码派或 Graph 派；有业务人员参与 → 可视化派；个人日常 → 自然语言派
2. 对确定性要求多高？ 涉及交易、合规、必须精确执行 → Graph 派（确定性节点兜底）；只是生成内容、辅助决策 → 自然语言派或代码派
3. 要生产还是要演示？ 生产、长期维护、需要测试 → 代码派或 Graph 派；快速原型、验证想法 → 可视化派最快

最后提醒一个反直觉的点：4 类之间可以组合。Dify 这类平台底层可能是代码派框架；Claude Code 的底层循环是图式的；你完全可以用 LangGraph 搭核心逻辑，再用自然语言层包装成用户界面。理解这 4 类不是为了"选一个"，而是为了知道当前这一层该用哪个工具。

参考

• LangGraph — 代码派，图编排 Agent 状态机
• Microsoft Agent Framework — 13.5k 星，企业级多 Agent
• CrewAI — 角色扮演式多 Agent 协作
• Claude Code — 自然语言编程 Agent
• Hermes — 24.5 万星，持续成长的开源 Agent
• Langflow — 15.5 万星，可视化 LangChain
• n8n — 20.4 万星，工作流自动化 + AI 节点
• Dify — 15.6 万星，LLM 应用一站式平台
• Google ADK — 21.5 万星，代码优先的 Graph Agent 工作流
• 前篇：AI Agent 全景指南 — 站内 Agent 技术全景

作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

关注公众号，获取更多 AI 技术干货！