智能体框架解决方案

概述

本页汇总了所有智能体 AI 开发框架——包括开源库、托管云 SDK 以及专用平台——并将其映射到一个参照 Thoughtworks Radar 方法论改编的技术雷达中。每个框架从五个维度进行评估：学术研究支撑、行业采用程度、GitHub 社区活跃度、生产就绪程度，以及是否开源。

雷达的四个圆环含义如下：

技术雷达

为避免标签拥挤，解决方案分为两张图表展示。两图共用同一 x 轴（圆环位置：谨慎 → 采纳），y 轴各有差异。

阅读说明： - 右侧（x > 0.5）= 试用或采纳——生产就绪，推荐评估 - 左侧（x < 0.5）= 评估或谨慎——早期阶段或应用范围较窄

图表一——开源与社区框架

Y 轴：专用/聚焦型用途（下）→ 通用多范式（上）

图表二——厂商支持与托管 SDK

Y 轴：云/平台专属（下）→ 跨平台/生态无关（上）

🟢 采纳（Adopt）

这些框架已充分证明其生产就绪能力、拥有强大的社区采用基础，并在构建智能体 AI 系统方面展现出清晰的适用性。

雷达信号（Thoughtworks 第 34 期，2026 年 4 月——具有主观立场的来源）： Thoughtworks 将 LangGraph 从"采纳"降至"试用"，理由是图结构 + 全局共享状态的模式并非总是最佳选择，更简洁的智能体架构（如 PydanticAI）往往能构建出更精简、更易调试的系统。本 wiki 基于行业广泛的生产采用情况及其在有状态、持久化工作流方面的持续优势，保留 LangGraph 的采纳评级。PydanticAI 则依据同一第 34 期信号，在本 wiki 中从"评估"升至"采纳"。完整背景请参阅 Thoughtworks 第 34 期智能体 AI 摘要。

LangChain

类型：开源框架（MIT） 语言：Python、TypeScript GitHub：langchain-ai/langchain — 约 100K star，100 万+ 开发者 部署方式：自托管

LangChain 是构建 LLM 驱动应用程序的事实标准，为链式调用、智能体、工具、记忆及向量库集成提供了统一接口。凭借广泛的厂商集成能力和庞大的社区规模，它是企业级 GenAI 项目中被引用最多的框架。

为何采纳：该领域生态最大，拥有丰富的第三方集成（向量数据库、LLM 提供商、工具），已在数千个企业部署中经过验证，拥有完善的文档和社区知识沉淀。

最适合：需要广泛厂商兼容性的企业级 GenAI 应用、构建智能体基础设施的团队，以及对社区支持和生态广度有要求的项目。

局限：架构复杂，学习曲线陡峭；依赖树庞大；API 变更频繁；抽象层可能带来额外的延迟开销。

LangGraph

类型：开源图结构工作流框架（MIT）+ 商业平台 语言：Python、TypeScript GitHub：langchain-ai/langgraph — 约 8K star 部署方式：SaaS（LangGraph Platform）+ 自托管

LangGraph 在 LangChain 基础上引入了基于图的状态机模型，用于构建有状态的多智能体工作流。节点表示智能体执行步骤，边编码条件路由逻辑。商业版 LangGraph Platform 增加了持久化、流式传输、人在回路（HITL）控制及部署基础设施等能力。

为何采纳：目前开源领域中最严谨的有状态多智能体编排方案，原生集成 LangChain，内置 LangSmith 可观测性，企业在复杂工作流编排方面的采用正在持续增长。AWS Bedrock AgentCore 建议在将运行时关注点委托给平台的同时，保留 LangGraph 处理编排逻辑。

注（Thoughtworks 雷达第 34 期，2026 年 4 月）： Thoughtworks 将 LangGraph 移至"试用"，指出更简洁的智能体架构（通过代码执行进行通信、仅在必要时引入图结构）往往能构建出更精简、更易调试的系统。本 wiki 基于行业广泛的生产采用情况及其在有状态、持久化工作流方面的持续优势，保留 LangGraph 的采纳评级。团队应根据具体场景评估图模式是否适用。

最适合：需要复杂状态管理、条件分支与循环检测的多智能体系统；需要持久化执行（持久化、HITL、检查点）的长期运行工作流；已使用 LangChain 技术栈的团队。

局限：图 + 全局共享状态模型对于较简单的智能体任务可能过度设计；持久化、部署、HITL 等企业特性需要商业平台支持；学习曲线陡峭；继承了 LangChain 的依赖复杂性。

CrewAI

类型：开源多智能体框架（MIT）+ SaaS 平台 语言：Python GitHub：crewAIInc/crewAI — 约 25K star 融资情况：1800 万美元（2024 年 10 月） 部署方式：SaaS + 自托管

CrewAI 是一个基于角色的多智能体框架，为智能体分配特定的角色、目标和工具，使其协作完成任务。其贴近业务的抽象设计和快速上市能力，使其成为智能体领域增长最快的框架，支持广泛的 LLM 及云提供商。

为何采纳：多智能体领域社区增长最快，构建协作智能体团队的路径最简洁，与业务场景高度契合，社区活跃且企业采用持续增长。

最适合：面向业务的多智能体工作流、营销与内容智能体，以及需要以最小框架复杂度快速上市的团队。

局限：在大规模企业数据集成场景中的验证相对不足；存在厂商依赖和潜在的收购风险；与 LangGraph 相比，复杂场景测试覆盖有限。

AutoGen（Microsoft）

类型：开源多智能体会话框架（MIT） 语言：Python（支持多语言） GitHub：microsoft/autogen — 约 38K star 部署方式：自托管

Microsoft Research 推出的多智能体框架，通过异步消息传递构建多智能体系统。AutoGen 智能体通过结构化对话进行通信，支持复杂的多智能体协作模式。AutoGen Studio 提供无代码界面用于快速原型验证。v0.4 版本进行了全面重写，引入了完全异步的事件驱动架构。

为何采纳：学术研究积淀深厚（Microsoft Research），社区规模庞大，异步优先架构非常适合复杂的智能体交互，AutoGen Studio 降低了原型开发门槛，Microsoft 持续投入开发。

最适合：多智能体系统的研究与原型验证、与 Microsoft 生态对齐、探索会话式多智能体模式的团队。

局限：生产成熟度落后于 LangChain/LangGraph；存在 Microsoft 生态依赖；企业级部署配置复杂；v0.4 重写版本与早期版本存在破坏性变更。

LlamaIndex

类型：面向 LLM 应用的开源数据框架（MIT）+ SaaS（LlamaCloud） 语言：Python、TypeScript GitHub：run-llama/llama_index — 约 38K star 部署方式：SaaS（LlamaCloud）+ 自托管

LlamaIndex 是 LLM 应用领域领先的数据中心化框架，提供连接器、解析器、索引及检索原语，构成 RAG 流水线与知识密集型智能体的核心基础。LlamaParse 处理复杂文档解析，LlamaHub 集中管理社区集成。

为何采纳：数据密集型 LLM 应用和 RAG 流水线领域最强框架，模块化架构，连接器生态丰富，LlamaCloud 提供托管解析与大规模索引能力。

最适合：知识密集型智能体、RAG 系统、文档密集型应用，以及需要复杂检索能力的聊天机器人和问答系统。

局限：与 LangGraph 或 CrewAI 相比，对智能体决策和编排的关注度较低；智能体相关特性仍在演进；不适合纯编排场景。

🔵 试用（Trial）

这些框架值得在可容忍一定风险的项目中使用，已有实际生产用例且采用率持续增长，但尚未成为默认选择。

Semantic Kernel（Microsoft）

类型：生产就绪 SDK（MIT）——企业级 语言：Python、C#、Java GitHub：microsoft/semantic-kernel 部署方式：SDK（企业级）+ Azure 集成

Microsoft 推出的生产就绪 SDK，用于将 LLM 集成到企业应用中。Semantic Kernel 提供内置的 Agent 框架与 Process 框架、插件架构以及深度 Azure OpenAI 集成。对 Python、C#、Java 三种语言的支持，使其在多语言企业环境中具有独特优势。

为何试用：目前唯一同时支持 C#、Java 和 Python 的框架，企业集成故事完整，内置流程编排，由 Microsoft 持续维护并通过 Azure 提供企业级 SLA。

最适合：使用 Microsoft 技术栈的企业团队、需要 C# 或 Java 智能体的多语言环境、Azure OpenAI 部署场景。

局限：存在 Microsoft 厂商依赖；智能体框架功能仍在成熟中；Java 智能体支持不如 Python/C# 完善；社区曝光度低于 LangChain。

AWS Strands Agents

类型：开源智能体 SDK（Apache 2.0） 语言：Python GitHub：strands-agents/sdk-python 部署方式：自托管 + AWS 生态

AWS 于 2025 年 7 月推出的开源智能体 SDK。Strands 采用模型驱动方式——由 LLM 本身驱动智能体循环，而非硬编码的编排逻辑。架构轻量可组合，与 AWS 生态（Bedrock、AgentCore、Lambda）原生集成。

为何试用：模型驱动方式减少了编排样板代码；已使用 Bedrock 的团队可获得 AWS 原生集成；Apache 2.0 许可证；AWS 背书提供长期维护信心。

最适合：在 Bedrock 上构建智能体的 AWS 原生团队、偏好最小框架抽象的团队、编排与智能体协作场景。

局限：社区规模小于 LangChain/CrewAI；完整功能集依赖 AWS 生态；AWS 之外的生产案例研究有限，属于较新的框架。

Google ADK（Agent Development Kit）

类型：开源智能体框架 语言：Python、Java GitHub：google/adk-python 部署方式：自托管 + Google Cloud（Vertex AI Agent Engine）

Google 于 2025 年 4 月推出的模块化、模型无关智能体框架。ADK 针对多智能体系统进行了优化，与 Gemini 及 Vertex AI Agent Engine 原生集成，支持 Python 和 Java，专注于可组合的智能体流水线与工具调用。

为何试用：多智能体架构设计扎实；尽管针对 GCP 优化，但整体设计平台无关；支持 Python + Java；为 GCP 团队提供 Vertex AI 原生集成；有 Google 背书并持续开发。

最适合：GCP 原生团队、需要可组合流水线的多智能体系统，以及企业或学术场景下对 Google 智能体模式的适配。

局限：完整功能集高度依赖 GCP；文档仍在完善中；社区规模小于 LangChain；Google 生态以外的验证案例有限。

Haystack（deepset）

类型：开源生产级 RAG/搜索流水线框架（MIT）+ deepsetCloud 语言：Python GitHub：deepset-ai/haystack 部署方式：自托管 + deepsetCloud

Haystack 是构建 RAG 流水线和搜索增强 LLM 应用的生产就绪框架，模块化流水线架构支持 Hugging Face 模型、Elasticsearch、OpenAI 以及 Chroma，deepsetCloud 提供托管部署选项。

为何试用：在 RAG 与搜索场景拥有良好的生产记录；模块化架构支持跨云部署；内置 LLMOps 能力；Hugging Face 和 Elasticsearch 集成是其差异化优势。

最适合：跨云 RAG 流水线、生产级搜索增强 LLM 应用，以及需要 LLMOps 能力的团队。

局限：多智能体测试覆盖有限；非 RAG 场景配置复杂；路线图透明度曾是社区关注点；不适合纯编排场景。

Agno

类型：开源全栈多智能体框架（MPL-2.0） 语言：Python GitHub：agno-agi/agno — 约 34K star 部署方式：自托管

Agno 是一个高性能多智能体框架，采用全栈设计：内置记忆、知识、推理和 UI 组件。其智能体实例化时间约为 2 微秒，每个智能体内存占用约 3.75 KiB，适合大规模、高吞吐量、延迟敏感的部署场景，支持智能体团队与可组合工作流。

为何试用：在大规模、高吞吐量场景下具有卓越的性能表现；全栈设计减少了拼接独立记忆和知识组件的需要；隐私优先（自托管）；社区增长活跃（约 34K star）。

最适合：高性能、大规模智能体部署、隐私优先的自托管环境，以及需要一体化记忆 + 知识 + 推理技术栈的团队。

局限：早期采用者以外的生产验证案例有限；MPL-2.0 许可证对部分商业用途存在 Copyleft（著佐权）约束；社区知识积累不如 LangChain 深厚。

OpenAI Agents SDK

类型：专有 SDK（OpenAI）——轻量级 语言：Python、JavaScript 文档：platform.openai.com/docs/guides/agents 部署方式：SaaS + 自托管

OpenAI 对实验性 Swarm 框架的生产就绪升级版。Agents SDK 提供低抽象、轻量级路径，用于在 OpenAI 模型上构建智能体应用，内置工具调用、智能体间交接（handoffs）以及链路追踪，以简洁性而非可配置性为设计原则。

为何试用：在 OpenAI 模型上进入生产的最简路径；最小化抽象降低复杂度；官方 OpenAI 支持；适合已深度使用 OpenAI 生态的团队。

最适合：希望以最小框架开销在 OpenAI 模型上开发的团队、快速原型验证、简单的智能体工作流。

局限：存在 OpenAI 厂商锁定；底层控制能力有限；在多提供商或自托管部署场景中灵活性不如开源替代方案。

🟡 评估（Assess）

值得关注和了解的框架，尚未经过大规模验证，或应用范围过窄，不适合通用推荐。

PydanticAI

类型：开源类型安全智能体框架（MIT） 语言：Python GitHub：pydantic/pydantic-ai 部署方式：自托管

一个仿照 FastAPI 风格、基于 Pydantic 类型系统构建的智能体框架。PydanticAI 为智能体开发带来了依赖注入、结构化输出验证以及 Pydantic Logfire 可观测性，支持多个 LLM 提供商和基于图的工作流。

（更新说明：Thoughtworks Technology Radar 第 34 期（2026 年 4 月）已将其从"评估"升至"采纳"。该框架的架构理念——偏好通过代码执行进行通信的简单智能体，仅在必要时引入图结构而非大规模共享状态——已在生产中得到验证。这种方式对于许多场景而言，往往能构建出比 LangGraph 更精简、更易调试的系统。）

为何采纳：经生产验证的更简洁智能体架构模式；内置 Logfire 可观测性；对使用 Pydantic/FastAPI 的团队具有强类型安全保障；Instructor 库可与之配合，作为稳定的结构化输出抽象层；两个 SDK 现均原生支持 OpenTelemetry。

最适合：与 FastAPI 对齐项目中的类型安全智能体开发；希望采用更简洁智能体架构、无需图结构开销的团队；需要验证与重试机制的结构化输出流水线。

局限：仅支持 Python；深度投入 LangGraph 模式的团队迁移成本不低；非 Pydantic 技术栈需要额外集成工作。

Spring AI

类型：面向 Java/Spring 的开源 LangChain 风格框架（MIT） 语言：Java / Spring GitHub：spring-projects/spring-ai 部署方式：自托管（Spring 生态）

Spring AI 将 LangChain 风格的模式引入 Java/Spring 生态，提供 LLM 集成、RAG 能力、用于可复用模式的 Advisors API 以及异步处理。与 Spring Boot 的原生集成，使其成为 Java 企业团队的自然选择。

为何评估：目前 Java/Spring 企业团队构建 LLM 应用的唯一成熟选项，Spring 生态集成是真实的差异化优势，但仍属较新框架，复杂场景测试覆盖有限。

最适合：Java/Spring 企业应用、需要异步处理的系统集成项目，以及无法采用 Python 框架的团队。

局限：框架较新，生产验证有限；与 Python 生态替代方案相比存在功能差距；相对于 LangChain，社区资源较为有限。

Mastra

类型：开源 TypeScript 优先多智能体框架（Apache 2.0） 语言：TypeScript 文档：mastra.ai 部署方式：自托管

Mastra 是一个 TypeScript 优先的多智能体系统构建框架，采用基于图的状态机。专为与现有 REST API 和 Web 服务集成而设计，天然适合 Web 应用团队，支持以工作流为中心的混合架构。

为何评估：对于构建智能体功能的 Web 团队而言，是最强的 TypeScript 原生选项；基于图的状态机提供了原则性的工作流控制，但仍属较新框架，生产验证有限且仅支持 TypeScript。

最适合：Web 应用和 TypeScript 项目、以工作流为中心的混合架构，以及无法采用 Python 框架的团队。

局限：仅支持 TypeScript，不适合 Python 优先团队；框架较新，生产案例研究有限；社区规模小于 LangChain 或 CrewAI。

Microsoft Agent Framework

类型：面向 .NET 和 Python 的开源统一 SDK（MIT） 语言：.NET、Python GitHub：microsoft/agent-framework 部署方式：自托管 + Azure

Microsoft 推出的统一 SDK，用于在 .NET 和 Python 之间编排 AI 智能体与工作流。旨在以更高层次的编排原语补充 Semantic Kernel，目前仍处于早期阶段，生态与 Microsoft 技术栈深度绑定。

为何评估：有潜力成为 .NET 智能体开发的标准方案，Microsoft 背书提供长期维护信心，但仍处于早期阶段，社区信号有限。

最适合：需要超越 Semantic Kernel 能力的智能体编排的 .NET 企业团队。

局限：早期阶段——生产验证有限；生态与 Microsoft 技术栈绑定；与 Semantic Kernel 的功能范围重叠，使用选择容易混淆。

🔴 谨慎（Caution）

需谨慎使用。这些框架要么处于早期/实验阶段，应用范围过窄，要么具有限制通用性的固有特点。

AutoGPT

类型：开源自主智能体平台（MIT）+ SaaS 语言：Python GitHub：Significant-Gravitas/AutoGPT — 约 171K star 部署方式：SaaS + 自托管

AutoGPT 是最早的自主智能体项目之一，至今仍是 GitHub 上 star 数最多的智能体仓库。支持低代码/无代码智能体构建、多种 LLM 以及持续自主运行。然而该项目经历了社区碎片化、基于等待名单的云托管，以及相对于 star 数而言有限的生产成熟度等问题。

为何谨慎：GitHub star 数反映的是历史关注度而非当前生产采用情况；社区碎片化，许可证结构复杂；基于等待名单的云托管限制了可用性；更成熟的替代方案（LangGraph、CrewAI）已在生产场景中取而代之。

最适合：快速原型验证和对生产成熟度要求不高的简单自主工作流。

局限：社区碎片化；许可证复杂；等待名单制云端入口；相对于 star 数，生产案例研究匮乏；存在更成熟的替代方案。

雷达汇总表

选型指南

根据实际约束条件缩小候选范围。

雷达评估标准

以下为每个框架的评估维度，评级截至 2026 年 5 月。

雷达评级定期重新评估。GitHub star 数及采用信号均为评估日期的时间点数据。

参见

• 智能体开发框架概述
• AI 编程智能体
• LangChain
• LangGraph
• CrewAI
• AutoGen
• LlamaIndex
• AWS Strands
• Google ADK
• 多智能体系统
• 智能体记忆解决方案
• 可观测性解决方案
• Thoughtworks 技术雷达第 34 期——智能体 AI 摘要
• 评测技术雷达

参考资料

• LangChain GitHub — 事实标准框架
• LangGraph GitHub — 基于图的有状态工作流
• CrewAI GitHub — 基于角色的多智能体框架
• CrewAI 1800 万美元融资 — 2024 年 10 月
• AutoGen GitHub — Microsoft 多智能体框架
• LlamaIndex GitHub — 数据中心化 LLM 框架
• Semantic Kernel GitHub — Microsoft 企业级 SDK
• AWS Strands 发布博客 — 2025 年 7 月
• Google ADK 发布博客 — 2025 年 4 月
• Haystack GitHub — deepset RAG 框架
• Agno GitHub — 高性能多智能体框架
• OpenAI Agents SDK 文档 — OpenAI 智能体平台
• PydanticAI GitHub — 类型安全智能体框架
• Spring AI GitHub — Java/Spring LLM 框架
• Mastra — TypeScript 多智能体框架
• Microsoft Agent Framework GitHub — .NET/Python SDK
• AutoGPT GitHub — 自主智能体平台
• Thoughtworks Technology Radar Vol. 34 — 2026 年 4 月版；LangGraph 降至 Trial 及 PydanticAI 升至 Adopt 的来源
• Thoughtworks Technology Radar — 雷达方法论参考