智能体框架
智能体 AI 将催生一支以目标为驱动的数字化劳动力，能够自主制订计划并付诸行动——这是一种无需休假或其他福利待遇的劳动力延伸。
-- Gartner
| 框架 | 语言 | 许可证 | 核心特性（简述） | 优势 | 主要不足 | GitHub Stars / 部署模式 |
|---|---|---|---|---|---|---|
| LangChain | Python、TypeScript | MIT | 事实标准；厂商与向量数据库集成广泛；生态系统庞大 | 企业级 GenAI 构建模块；社区活跃、厂商兼容性强 | 架构复杂、学习曲线陡峭、维护成本高 | ~98K / 自托管 |
| LangGraph | Python、TypeScript | MIT | 基于图的有状态工作流；多智能体；与 LangChain 原生集成；可观测性（LangSmith） | 企业级多智能体编排；LangChain 生态应用 | 商业特性需付费；依赖关系复杂 | ~8K / SaaS & 自托管 |
| CrewAI | Python | MIT | 多智能体工作流；广泛的 LLM 支持；云集成；界面友好 | 快速上市；轻量级智能体创建，适合业务场景 | 企业级测试有限；存在厂商/依赖风险 | ~25K / SaaS 或自托管 |
| Autogen | Python（多语言） | MIT | Microsoft 多智能体对话框架；异步消息；可观测性 | 与 Microsoft 生态对齐；可用 Autogen Studio 进行原型开发 | 仍处于实验阶段；生产成熟度有限 | ~38K / 自托管 |
| Semantic Kernel | Python、C#、Java | MIT | 生产就绪的 SDK；多语言；内置智能体与流程框架 | 企业级生产智能体；Azure 集成；多语言 SDK | 厂商依赖；智能体特性仍在演进 | – / SDK（企业级） |
| LlamaIndex | Python、TypeScript | MIT | 以数据为中心的索引框架；连接器；文档解析；模块化设计 | 数据密集型 LLM 应用；知识型系统；快速上市 | 对智能体决策关注较少；智能体特性仍在演进 | ~38K / SaaS & 自托管 |
| AutoGPT | Python | MIT | 低代码/无代码自主智能体；多 LLM 支持；持续运行智能体 | 快速原型开发；简单的自主工作流 | 云端有候补名单/限制；社区较为分散 | ~171K / SaaS & 自托管 |
| PydanticAI | Python | MIT | FastAPI 风格的类型安全框架；强类型；依赖注入；可观测性 | 与 FastAPI 路线对齐的类型安全项目及快速原型开发 | 早期阶段；生产使用案例有限 | – / 早期框架 |
| Spring AI | Java / Spring | MIT | 受 LangChain 启发；原生 Spring 集成；异步处理；RAG 与 Advisors API | Java/Spring 企业级应用；系统集成 | 框架较新；复杂场景测试有限 | – / 自托管（Spring） |
| Haystack | Python | MIT | 生产就绪的 RAG/搜索流水线；模块化；集成 Hugging Face 与 Elasticsearch | 跨云 RAG 流水线；生产部署；LLMOps | 多智能体测试有限；配置复杂 | – / 自托管 & deepsetCloud |
| Agno | Python | MPL-2.0 | 全栈多智能体系统：记忆、知识、推理、UI；智能体创建约 2μs，每个智能体约 3.75 KiB | 隐私优先且可扩展；智能体团队与可组合工作流；高性能高吞吐操作 | 生态系统较新；生产验证有限 | ~34K / 自托管 |
| Mastra | TypeScript | Apache-2.0 | TypeScript 优先的多智能体框架；基于图的状态机；与现有 REST API 及 Web 服务集成 | Web 应用与 TypeScript 项目；以工作流为中心的混合架构 | 框架较新；仅支持 TypeScript | – / 自托管 |
| Microsoft Agent Framework | .NET、Python | MIT | 统一 SDK，跨 .NET/Python 编排 AI 智能体与工作流 | 企业级生产就绪；Microsoft 生态集成 | 仍处于早期阶段；生态系统依赖 Microsoft 技术栈 | – / 自托管 & Azure |
| Strands Agents | Python | Apache-2.0 | 轻量级智能体 SDK；以模型为驱动；支持工作流与工具调用 | 易于上手；适合编排与智能体协作 | 社区规模较小；高级工具链有限 | – / 自托管 |
| Google ADK (Agent Development Kit) | Python、Java | Open Source | 模块化、模型无关的智能体框架；为多智能体系统优化 | 平台无关；适合企业或学术场景适配 | 对 GCP 依赖较重；文档仍在完善 | – / 自托管 & 云端 |
| OpenAI AgentKit | 多语言（JS/Python，通过 API） | Proprietary / Mixed | 可视化构建器；智能体编排；评测；UI 嵌入 | 快速原型开发；与 OpenAI 生态集成 | 厂商锁定；底层控制有限 | – / SaaS & 自托管 |
| Flue | TypeScript | Apache-2.0 | 以运行框架（harness）为先的智能体框架；内置虚拟沙箱（just-bash）+ 容器沙箱（Daytona）；会话、技能、MCP、OpenTelemetry | 无头可编程智能体；运行时无关部署（Node、Cloudflare、CI）；以 harness 为中心的设计 | 仅支持 TypeScript；实验性；生态系统较小 | ~3.8K / 自托管 |
| Eve | 文件系统定义（markdown + 工具） | Open Source | 文件系统优先的智能体框架；instructions.md 定义智能体，tools/ 目录下的工具自动注册；内置持久化执行、沙箱计算、审批、通道、链路追踪、评测 |
需要基于文件、可 diff 的智能体定义的团队；开箱即用的持久化/可恢复运行与人在回路（HITL）审批 | 公开预览阶段；API 接口可能变更；工具链最适配 Vercel 托管部署 | – / 公开预览 |
LangChain
高层架构
核心特性
- 事实标准，拥有超过 100 万名开发者和约 10 万个 GitHub Star
- 全面的厂商集成与云厂商支持
- 大量第三方库集成
- 支持多种向量数据库
- 广泛的社区知识积累与开发者认知度
优势
- 在企业开发中被广泛采用为标准框架
- 可构建企业 GenAI 应用的基础模块
- 支持创建企业专属框架
- 适合需要第三方厂商兼容性的项目
- 适合需要大规模社区支持的应用
其他框架更具优势之处（不足）
- 架构复杂、学习曲线陡峭
- 集成过多导致代码复杂度上升
- 特性持续迭代，需要频繁更新
- 存在破坏性变更和不兼容库的风险
- 生态系统庞大带来较高维护成本
LangGraph
高层架构
核心特性
- LangChain 团队推出的开源框架
- 提供面向生产部署的商业方案
- 有状态设计，基于图的工作流
- 多智能体能力
- 与 LangChain 原生集成
- 通过 LangSmith 提供增强的可观测性
- 支持 IDE 并有社区背书
优势
- 适合企业多智能体框架开发
- 适合需要广泛兼容性的项目
- 可与不同解决方案/产品集成
- 适合 LangChain 生态系统应用
- 支持复杂工作流编排
其他框架更具优势之处（不足）
- 企业特性仅限商业版
- 依赖管理复杂
- 框架本身复杂度较高
- 学习曲线陡峭
- 开源版本功能有限
CrewAI
高层架构
来源：CrewAI 文档
核心特性
- 多智能体框架能力
- 基于工作流的应用
- 广泛的 LLM 支持
- 云提供商集成
- 结构化工作流设计
- 用户友好的界面
- 强大的社区支持
优势
- 适合快速发展的 AI 生态场景
- 适合快速上市需求
- 轻量级智能体创建
- 适合营销智能体开发
- 对业务场景友好
其他框架更具优势之处（不足）
- 企业级测试覆盖有限
- 复杂场景处理能力不足
- 存在厂商依赖风险
- 潜在的被收购风险
- 数据集成存在挑战
Autogen
高层架构
核心特性
- Microsoft 开发的编程框架
- 多智能体对话框架
- 异步消息能力
- 模块化且可扩展的架构
- 内置可观测性与调试能力
- 跨语言支持
- 完整的类型支持体系
优势
- 与 Microsoft 生态系统对齐
- 适合开源开发项目
- 覆盖广泛的应用领域
- 可通过 Autogen Studio UI 进行原型开发
- 适合复杂智能体交互研究
其他框架更具优势之处（不足）
- 仍处于实验阶段
- 尚未完全达到生产就绪状态
- 对 Microsoft 解决方案存在依赖
- 企业配置复杂
- 生产级应用案例有限
Semantic Kernel
高层架构
来源：Microsoft 文档
核心特性
- 生产就绪的 LLM 集成 SDK
- 多语言支持（C#、Python、Java）
- 内置智能体与流程框架
- 强大的企业集成能力
- AI 智能体创建平台
- 业务流程优化工具
优势
- 适合生产环境 AI 智能体
- 适合多语言 SDK 需求
- 可与 Microsoft Azure 环境集成
- 满足企业级支持需求
- 支持结构化开发方式
其他框架更具优势之处（不足）
- 功能受限于 SDK 范围
- 智能体框架仍在演进
- 对 Microsoft 厂商存在依赖
- Java 智能体能力有限
- 配置要求复杂
LlamaIndex
高层架构
来源：LlamaIndex 框架
核心特性
- 高级数据框架能力
- AI 智能体与文档解析
- 基于工作流和连接器的集成
- 模块化且可扩展的架构
- LlamaCloud SaaS 服务
- LlamaParse 数据转换
- 集中式 LlamaHub 资源中心
优势
- 适合数据密集型 LLM 应用
- 适合复杂文档解析需求
- 满足快速上市要求
- 适合知识密集型 AI 系统
- 适合聊天机器人和问答系统
其他框架更具优势之处（不足）
- 复杂智能体行为支持有限
- 主要聚焦于数据索引
- 决策能力较弱
- 智能体特性仍在演进
- 企业集成有限
AutoGPT
高层架构
AutoGPT 平台组件
核心特性
- 支持多种 LLM（OpenAI、Anthropic、Groq、Llama）
- 无缝集成能力
- 低代码工作流
- 自主运行
- 持续运行智能体
- 智能自动化
- 可靠的性能指标
优势
- 适合无代码/低代码开发
- 适合基于云的智能体构建
- 支持自动化工作流创建
- 适合快速原型开发
- 适合简单智能体部署
其他框架更具优势之处（不足）
- 厂商锁定风险
- 许可证结构复杂
- LLM 支持有限
- 云托管有候补名单限制
- 社区支持存在挑战
PydanticAI
高层架构
PydanticAI 组件
核心特性
- FastAPI 风格的开发体验
- Pydantic Logfire 集成
- 支持多种 LLM
- 实时可观测性
- 类型安全特性
- 图支持
- 依赖注入
优势
- 适合与 Pydantic/FastAPI 对齐的项目
- 满足简单框架需求
- 适合类型安全的开发场景
- 适合基础场景实现
- 适合快速原型开发
其他框架更具优势之处（不足）
- 仍处于 Beta 阶段
- 框架变更频繁
- 生产测试有限
- 生态系统处于早期阶段
- 集成存在挑战
Spring AI
高层架构
来源：Spring AI 文档
核心特性
- 受 LangChain 启发的架构
- Spring 生态集成
- 支持多种 LLM
- 内置可观测性
- 模型评测工具
- 用于模式的 Advisors API
- RAG 能力
- 对话历史支持
优势
- 适合 Spring 生态系统项目
- 适合基于 Java 的企业级应用
- 与 Spring 无缝集成
- 适合系统集成需求
- 满足异步处理要求
- 适合数据连通性项目
其他框架更具优势之处（不足）
- 框架相对较新
- 复杂场景测试有限
- 仍处于早期开发阶段
- 特性对比存在差距
- 社区资源有限
Haystack
高层架构
来源：Haystack 文档
核心特性
- 生产就绪的 LLM 框架
- RAG 流水线支持
- 复杂搜索能力
- 模块化架构
- OpenAI/Chroma 集成
- Hugging Face 兼容
- Elasticsearch 支持
- deepsetCloud 平台
优势
- 适合跨云 LLM 应用
- 支持自定义 RAG 流水线
- Jinja 模板集成
- 免费开发环境
- LLMOps 能力
- 适合生产部署
其他框架更具优势之处（不足）
- 多智能体测试有限
- 路线图透明度不足
- 仍需更多生产验证
- 配置要求复杂
- 集成存在挑战
其他框架/平台
- Strands：由 AWS 于 2025 年 7 月 推出的开源智能体框架及 SDK，倡导以模型驱动的方式构建和运行 AI 智能体。
- Google ADK：由 Google 于 2025 年 4 月 发布（聚焦于多智能体应用），是一个用于开发和部署 AI 智能体的模块化框架，针对 Gemini 和 Google 生态系统进行了专项优化。
- OpenAI Agents SDK：OpenAI Agents SDK 提供轻量、易用、低抽象的方式构建智能体 AI 应用，是此前智能体实验性框架 Swarm 的生产就绪升级版。
- Dapr Agents
- OpenAI Swarm：面向轻量级多智能体编排的教育性框架
- MetaGPT：基于研究的多智能体框架，倡导元编程方法
- Flowise：用于构建智能体的开源拖拽式 UI
- Langflow：DataStax 收购的面向交互式 GenAI 应用的框架
- OpenAGI：由 AI Planet 构建的简单框架，用于打造类人智能体
- Camel-AI.org：受 CAMEL 研究论文 启发的可定制多智能体框架
- PraisonAI：生产就绪的多 AI 智能体框架，旨在创建 AI 智能体以自动化解决从简单到复杂的各类问题
- BroadAI：用于构建强大智能 AI 系统的多智能体框架
- Vellum：集编排、评测、提示词、检索与部署于一体的 GUI 平台，用于构建和测试复杂工作流
- Rivet：拖拽式 LLM 工作流可视化构建工具
- Solace Agent Mesh：基于 Solace 消息平台构建的事件驱动多智能体框架
- Akka Agent Platform：基于 Akka Actor 模型构建的分布式智能体平台
- Swarms AI：提供多种蜂群架构，用于构建复杂的企业级 AI 系统
- IBM Granite BeeAI：支持 Python 和 TypeScript 的生产就绪 AI 智能体构建平台
- MetaGPT：多智能体框架：首个 AI 软件公司，迈向自然语言编程
- FreePHDLabor：基于 smolagents 的开源、可定制多智能体框架，通过 ManagerAgent 编排 IdeationAgent、ExperimentationAgent、WriteupAgent、ReviewerAgent 和 ProofreadingAgent，自动化完成科学研究全流程——从假设生成、实验到 LaTeX 手稿写作
附加资源
面向企业的大型基础模型
- Liquid AI：面向企业的 LFM（Liquid Foundation Models）
对比分析
| 核心属性 | LangChain | LangGraph | Autogen | Semantic Kernel | LlamaIndex | AutoGPT | CrewAI |
|---|---|---|---|---|---|---|---|
| 许可证 | MIT | MIT | MIT | MIT | MIT | MIT | MIT |
| 开源 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| 开发方 | LangChain | LangChain | Microsoft | Microsoft | LlamaIndex | Significant Gravitas | CrewAI |
| GitHub Stars（2025 年 1 月） | 98K | 8K | 38K | - | 38K | 171K | 25K |
| 使用方（GH 公开仓库） | 170K | 10K | 3K | - | 16K | N/A | 7K |
| 语言 | Python、TypeScript | Python、TypeScript | Python、C# | Python、C#、Java | Python、TypeScript | Python | Python |
| 企业支持 | 是 | 是 | 是 | - | 是 | 是 | 是 |
| 部署模式 | 自托管 | SaaS & 自托管 | 自托管 | - | SaaS & 自托管 | SaaS & 自托管 | SaaS & 自托管 |