第 1 章 Agent 框架版图：2026 年该选谁
第 1 章 Agent 框架版图：2026 年该选谁
2026 年，GitHub 上叫得出名字的 Agent 框架已经超过三十个。你问十个工程师推荐哪个，能收到八种答案。这一章先不急着写代码——我们先把地图摊开，搞清楚每个框架的来路、脾气和底盘，然后建立一套属于你自己的评估坐标系。
1.1 为什么一夜之间冒出这么多 Agent 框架
先看一组数字。2024 年，市面上主流的 Agent 框架一只手数得过来：LangChain、AutoGen、CrewAI。到了 2025 年，几乎每个头部 AI 公司都拿出了自己的官方框架——OpenAI 有 Agents SDK，Anthropic 有 Claude Agent SDK，Google 有 ADK，微软有 Microsoft Agent Framework，阿里有 AgentScope，LangChain 团队也推出了主打深度推理的 deepagents。
这不是跟风。这件事有一个非常实在的驱动力：框架是模型厂商争夺开发者生态的入口。谁家的框架被开发者用顺了手，谁家的模型就有最大的调用量。所以你会发现，这些官方框架有一个共同特征——对自己家的模型支持得最好，对别家的也"尽量兼容"。
而开源的通用框架，比如 LangChain，走的是另一条路：做中间层，谁的模型都接，谁的生态都蹭。它赌的是"开发者不想被任何一家绑定"。
理解了这两条路线，你就理解了整个版图。这一章后面的每个框架，都可以放进"官方阵营"或"中立阵营"来看。
1.2 八个框架，逐一拆解
这一节是全书的地基。我按照"官方 vs 中立"两条线，把 2026 年最值得关注的八个框架过一遍。每个框架我会回答四个问题：它是谁、它的核心设计是什么、它强在哪、它弱在哪。
1.2.1 LangChain / LangGraph：生态最全的"全家桶"
它是谁：2022 年诞生的老牌框架，LangChain 是整个 Agent 生态里历史最长、文档最全、社区最大的项目。LangGraph 是它的兄弟项目，专做有状态的图编排。仓库：github.com/langchain-ai/langchain 与 github.com/langchain-ai/langgraph。
核心设计：LangChain 的哲学是"抽象一切"。Model、Tool、Memory、Chain，每一层都给你一堆类，让你拼积木。LangGraph 则把工作流建模成一张图，节点（node）之间用边（edge）连接，支持循环、条件分支、状态持久化。
强在哪：
- 生态无可匹敌。任何新模型、新工具，LangChain 几乎总是第一个接入
- 文档和教程数量是其他框架的总和级别
- LangGraph 的图模型是"状态机"思路，适合需要精细控制执行流的场景
- 集成极广：几百个第三方集成，从向量数据库到各类 SaaS
弱在哪：
- 抽象层级高，调试靠猜。出问题时，你面对的是一个多层封装的黑盒，报错栈深得吓人
- 抽象泄漏严重。网上流传着一句调侃："用 LangChain 的唯一理由是你老板要求你用"
- 版本迭代激进，API 说变就变，升级常常要改代码
- 重。一个简单的 Agent 要拉起一大堆依赖
一句话定位：生态之王，但也是"复杂度之王"。适合需要大量第三方集成的项目，适合团队里有资深工程师镇场。
1.2.2 Microsoft Agent Framework：微软的运行时野心
它是谁：微软在 2025 年推出的官方 Agent 框架（前身是 Semantic Kernel 的 Agent 能力 + AutoGen 的合并），仓库在 github.com/microsoft/agent-framework。微软把它定位为"Agent 的运行时与编排层"，目标直指企业市场。
核心设计：它把 Agent 分成两层——运行时层（Agent Runtime）负责执行、状态、会话，工作流层（Workflow）负责编排。特别的是，它强调"语言无关"，通过一个通用的 Agent 协议让不同语言的 Agent 互相通信，还深度集成了微软自家的生态（Azure、Copilot Studio、Teams）。
强在哪：
- 企业级背书。微软的客户群决定了它天生面向 To B 场景
- 语言无关 + 运行时抽象，适合异构技术栈的大公司
- 与 Azure AI Foundry、Copilot 生态深度绑定，用微软云的企业省心
弱在哪：
- 同样有"官方框架的傲慢"——对自家生态绑定深，出了微软云的世界，它没那么香
- 框架本身较新，社区和第三方集成远不如 LangChain
- 抽象层级也不低，学习曲线陡
- 国内开发者上手成本高：Azure 依赖、文档以英文为主、生态偏欧美企业场景
一句话定位：微软给自家云客户准备的"全家桶"。如果你已经在 Azure 生态里，它值得认真看；否则优先级靠后。
1.2.3 CrewAI：角色扮演式多智能体的开山之作
它是谁：2023 年底出现的开源框架，靠"角色扮演"理念火遍全网——把多智能体想象成一支团队：每个 Agent 有角色（role）、目标（goal）、背景故事（backstory），像同事一样协作完成任务。仓库：github.com/crewAIInc/crewAI。
核心设计：CrewAI 的编排模型是"Crew（团队）"。你定义一堆 Agent（研究员、写手、编辑），再定义 Process（流程），框架负责让它们协作。它把"多智能体"从技术概念变成了人人都能理解的组织学概念——这是它最大的贡献。
强在哪：
- 上手极快，概念直观。三行代码就能跑起一个"研究 + 写作"的 Agent 团队
- 社区活跃，模板多，适合快速原型和内容类任务
- 后来的很多框架（包括 LangGraph 的团队模式）都借鉴了它的角色概念
弱在哪：
- 编排能力偏弱。角色扮演适合"松散协作"，但遇到需要精确控制顺序、条件分支、回滚的生产流程，它力不从心
- 框架偏薄，底层还是"LLM 自己编排"，复杂任务容易失控
- 对生产级需求（可观测性、评估、部署）支持相对弱
- 性能与并发在重负载下表现一般
一句话定位：多智能体的"入门甜点"。适合原型演示、内容生成类任务；做严肃的生产系统，它更像一个起点而不是终点。
1.2.4 deepagents：LangChain 系的"深度推理"派
它是谁：LangChain 官方团队（langchain-ai）开源的多智能体框架，仓库在 github.com/langchain-ai/deepagents。它的名字直白地告诉你它的立场——deep agents，深度智能体。
核心设计：deepagents 的核心理念是"让 Agent 在思考上下功夫"。它基于一个简单的观察：很多 Agent 任务失败，是因为 LLM 没有足够深入的思考过程（thinking/reasoning）。所以它的设计围绕"结构化思考"展开，强调 Agent 在调用工具前先充分推理。它直接构建在 LangChain 之上，支持分层多智能体（hierarchical multi-agent）。
强在哪：
- 设计理念独特：把"深度推理"作为第一公民，而不是事后补丁
- 代码质量高，架构清晰，构建在 LangChain 生态之上，能吃 LangChain 的红利
- 在多步推理、复杂工具调用场景表现好
弱在哪：
- 依赖 LangChain 底座，等于继承了 LangChain 的重与复杂
- 社区和生态远小于 LangChain 本体
- "深度思考"在部分场景意味着更长的延迟和更高的 token 消耗
- 定位偏研究气质，生产级工程化支持（部署、观测、评估）需要自己补
一句话定位：给"想认真思考"的 Agent 准备的框架。适合研究和深度推理场景，但工程化要自己扛。
1.2.5 Claude Agent SDK：Anthropic 的官方智能体框架
它是谁：Anthropic 在 2025 年推出的官方 SDK，把 Claude 在 Claude Code 里验证过的 Agent 能力产品化。仓库：github.com/anthropics/claude-agent-sdk-typescript。它的设计哲学很 Anthropic：用最少的概念，做最多的事。
核心设计：Claude Agent SDK 的核心是"Agent Loop"——一个简单的循环：模型思考 → 调用工具 → 观察结果 → 再思考。它围绕这个循环提供工具调用、子 Agent、上下文管理等能力。设计上刻意保持薄和透明，你始终知道 Agent 在干什么。
强在哪：
- 设计极简，概念少，上手快，代码可读性强
- 透明。Anthropic 强调"Agent 的每一步都可观察"，这一点和它的哲学一脉相承
- 对 Claude 系列模型（尤其带长思考能力的模型）支持最佳
- 文档质量高，Anthropic 的工程文档是业界标杆
弱在哪：
- 绑定 Claude。对 Claude 的支持是亲儿子级，但切到别的模型体验打折
- 极简的另一面是"薄"——复杂编排（图、条件分支、并行编排）要自己写
- 多智能体能力有限，主打单 Agent 深度使用
- 生态以 Anthropic 为中心，第三方集成靠社区自己长
一句话定位：如果你爱 Claude，它是体验最好的单 Agent 框架；但它的野心不在"全家桶"，而在"把一件事做到极致"。
1.2.6 AgentScope：阿里达摩院的多智能体分布式框架
它是谁：阿里巴巴达摩院开源的多智能体框架，是国内最有代表性的 Agent 框架之一，仓库在 github.com/agentscope-ai/agentscope。它从一开始就面向"大规模、分布式、多智能体"设计，支持在分布式环境中并行运行大量 Agent。
核心设计：AgentScope 的核心是"多智能体 = 消息传递"。它把 Agent 之间的协作建模成消息通信（Message Hub），支持集中式编排（一个控制器调度多个 Agent）和分布式部署（Agent 跑在不同节点上）。它还有一套可视化工具，让你能看到 Agent 之间的消息流。
强在哪：
- 分布式能力是它的差异化优势，适合大规模并行多智能体场景
- 中文文档和社区，国内开发者友好
- 消息传递模型清晰，可视化调试工具不错
- 背靠达摩院，模型、工具链配套齐全
弱在哪：
- 生态和社区规模与国际头部框架有差距
- 上手门槛不低，分布式概念对初学者不友好
- 编排灵活性一般，复杂工作流控制不如专用图框架
- 国际影响力有限，英文资料少
一句话定位：国内多智能体分布式方向的代表。适合对大规模并行 Agent 有真实需求的团队，尤其是中文场景。
1.2.7 OpenAI Agents：官方极简轻量派
它是谁：OpenAI 在 2025 年推出的官方 Agent SDK（前身是 Swarm 实验项目），仓库在 github.com/openai/openai-agents-python。它用极简的 API 表达了 OpenAI 对 Agent 的理解：Agent = 指令 + 工具 + 循环。
核心设计：核心概念只有两个——Agent（指令 + 工具 + 参数）和 Handoff（智能体之间的交接）。运行循环（Runner）负责执行：把任务交给 Agent，Agent 调工具，然后决定是继续还是 Handoff 给另一个 Agent。刻意保持轻量，把复杂留给开发者自己。
强在哪：
- 极简。API 少到可以十分钟学会，代码非常干净
- Handoff 模式是"多智能体路由"的精妙实现，是它最值得学的设计
- OpenAI 官方支持，对 GPT 系列模型（含 Responses API）支持最佳
- 透明，无魔法，出问题你总是知道在哪
弱在哪：
- 轻量 = 要自己造轮子。状态管理、持久化、图编排、评估，这些生产需求它基本不管
- 绑定 OpenAI 生态
- 不适合复杂工作流：它刻意不做 Graph，复杂流程你要自己写
- 生产级工程能力（观测、评估、部署）偏薄
一句话定位：学习 Agent 概念的最佳入门，也是"轻量快速原型"的好选择。但生产级系统，它把难题留给了你。
1.2.8 Google ADK：Google 官方，生产优先
它是谁：Google 在 2025 年 4 月 Cloud Next 上发布的官方 Agent 框架，是 Google Agentspace 和 Customer Engagement Suite 背后的核心技术，主仓库 github.com/google/adk-python。2026 年推出的 2.0 版本，用图工作流引擎重写了整个框架——这是它和其他框架最大的分水岭。
核心设计：ADK 2.0 的核心是"基于图的执行引擎"。它的核心理念是：Agent、工具、函数，都是工作流图上的节点。你既可以让 LLM 在图上自由推理路由，也可以把关键流程固化成确定性路径。它把"智能的推理"和"可靠的逻辑"分开——该让 LLM 判断的地方给 LLM，该确定执行的地方用代码。同时它支持 Python / TypeScript / Go / Java / Kotlin 五种语言，通过 MCP 连接任意工具，通过 A2A 连接任意 Agent。
强在哪（这一节先预告，全书每一章都会展开）：
- 图工作流引擎：生产级 Agent 系统的杀手锏，确定性 + 动态性的统一
- 多语言同步：五语言全栈支持，语言不再是选型障碍
- 模型中立：Gemini、Claude、OpenAI、Ollama、vLLM 都能跑，不绑定 Google
- 开放协议：MCP + A2A，工具和 Agent 都能互联
- 生产优先：可观测性、评估、HITL、部署路径，全是第一公民
- 代码优先：Agent 就是 Python 对象，可调试、可测试、可版本控制
弱在哪（诚实说，第 11 章会展开）：
- 2.0 较新，社区生态和第三方集成正在追赶 LangChain
- 从 1.x 迁移到 2.0 有破坏性变更，需要学习成本
- 文档以英文为主（中文镜像 adk.wiki 正在完善）
- "图工作流"概念需要一点时间消化——但这是值得的
一句话定位：Google 用十年做大规模系统的经验，把"Agent 框架该有的样子"重新定义了一遍。它是最好的，不是因为功能最多，而是因为它的设计取舍最接近生产真相。
1.3 评估框架的五个维度：建立你的坐标系
看了八个框架，你一定已经眼花缭乱。现在需要一个工具把"感觉"变成"判断"。这一节给出全书沿用的评估坐标系——五个维度。后面的每一章，我们都会用这把尺子量 ADK 的设计。
维度一：可控性（Control）
问题：当任务执行到一半，你能多大程度地控制流程？
纯 Agent（LLM 自由编排）的可控性最低——你不知道它下一步要干什么。图工作流 / 状态机 / 确定性路径的可控性最高——流程是你定义的，LLM 只在指定的节点做决策。
为什么重要：生产系统的第一诉求是"可预期"。一个不可控的 Agent 没法上线。
维度二：可观测性（Observability）
问题：Agent 出问题时，你能不能看到它每一步在想什么、做了什么？
看一个框架有没有可观测性，就看它是否提供结构化的事件流 / 追踪——Agent 的每次模型调用、每次工具调用、每次决策，是不是都留下了可查询的痕迹。黑盒 Agent 是生产事故的温床。
维度三：多智能体编排（Multi-agent Orchestration）
问题：当任务需要多个 Agent 协作时，框架给你什么原语？
差的框架：只有"角色扮演"式的松散协作。好的框架：提供明确的协作语义——协作、顺序、并行、路由、循环，并且这些语义可以被精确控制。
维度四：生态连接（Ecosystem）
问题：这个框架能接入多少模型、多少工具、多少外部系统？
2026 年的标准答案是两个协议：MCP（让 Agent 接入任意工具）和 A2A（让 Agent 连接任意 Agent）。支持这两个协议的框架，生态是"开放"的；只支持自家模型的，生态是"封闭"的。
维度五：生产路径（Production Path）
问题：从原型到上线，这个框架的路有多顺？
看四件事：部署（能不能一键上云）、评估（能不能量化 Agent 质量）、HITL（能不能人工介入）、多语言（团队技术栈是否受限）。
五维雷达图
用这五个维度给八个框架打个分（1-5 分，这是作者视角的主观判断，目的是建立比较框架，不是裁判）：
| 框架 | 可控性 | 可观测性 | 多智能体 | 生态连接 | 生产路径 |
|---|---|---|---|---|---|
| LangChain / LangGraph | 4 | 3 | 4 | 5 | 3 |
| Microsoft Agent Framework | 4 | 4 | 4 | 3 | 4 |
| CrewAI | 2 | 2 | 3 | 3 | 2 |
| deepagents | 3 | 3 | 3 | 3 | 2 |
| Claude Agent SDK | 3 | 4 | 2 | 2 | 3 |
| AgentScope | 3 | 3 | 4 | 2 | 3 |
| OpenAI Agents | 2 | 3 | 3 | 3 | 2 |
| Google ADK | 5 | 4 | 4 | 4 | 5 |
这张表不是结论，是起点。每个人的权重不同：做研究的人可能把"生态连接"权重拉满，做企业内部系统的人可能把"生产路径"顶到天上。重要的是建立维度，而不是背下分数。
1.4 为什么这本书选 ADK
现在回答那个绕不开的问题：为什么是 ADK？
不是因为它功能最多——论集成数量，它打不过 LangChain。不是因为它最简单——论上手速度，OpenAI Agents 更轻。是因为它的设计取舍，在 2026 年的生产环境下最正确。
我们拿五个维度逐条看：
可控性（5 分）：ADK 是唯一一个把"图工作流引擎"作为核心架构的官方框架。它不赌"LLM 自己会编排好"，而是把编排权交还给开发者——该确定的确定，该智能的智能。这是 2026 年 Agent 框架最稀缺的品质。
生产路径（5 分）：评估、HITL、可观测性、多语言、一键部署，这些不是 ADK 的"附加功能"，而是它的设计基线。Google 自己用它跑 Agentspace 和客服系统，等于天天在生产环境里给自己做压力测试。
生态连接（4 分）：MCP + A2A + 模型中立。ADK 不绑 Google 的模型，Claude、OpenAI、Ollama 都能跑。它赌的是"开放协议"赢，不是"自家模型"赢。
可观测性（4 分）：结构化事件流 + 原生追踪。每一个决策都有痕迹，黑盒问题在 ADK 里不存在。
多智能体（4 分）：协作、顺序、并行、路由，加上图工作流的精细控制。它不满足于"角色扮演"，它给你的是"编排语言"。
还有最重要的一点：ADK 是 Google 用自家生产系统喂出来的。Google 内部有大量真实的多 Agent 系统在跑，ADK 的每一个设计决策都来自这些系统的血泪教训。你用的不是一个实验室玩具，是一套被生产环境反复捶打过的框架。
这本书的剩余部分，会用一个真实项目，把这张表的每一个 4 分、5 分，变成你能亲手验证的代码。
1.5 本章小结
- 2026 年的 Agent 框架分两条路线：官方阵营（OpenAI、Anthropic、Google、微软、阿里）抢生态入口，中立阵营（LangChain、CrewAI 等）做中间层
- 八个框架各有来路：LangChain 是生态之王也是复杂度之王，CrewAI 把多智能体带进大众视野，deepagents 赌深度思考，Claude Agent SDK 是极简透明派，AgentScope 主攻分布式，OpenAI Agents 轻量但把难题留给你，微软框架面向 Azure 生态
- 评估框架要用五个维度：可控性、可观测性、多智能体编排、生态连接、生产路径
- Google ADK 的差异化不在功能数量，而在设计取舍：图工作流引擎 + 生产优先 + 开放协议，是 2026 年生产环境下最正确的一篮子选择
练习
- 用五个维度给你当前项目正在用的框架打分，找出它的短板
- 在你的团队里做一次小调研：大家选框架时最看重哪个维度？答案会很有趣
- 去 adk.wiki 和 adk.wiki/2.0/ 逛一圈，熟悉目录结构——下一章我们要开始装环境了
下一章预告：第 2 章，30 分钟搭第一个 Agent。我们会装好 ADK，跑起第一个能搜索的 Agent，并启动贯穿全书的「云销」客服项目。