005｜主流多 Agent 框架对比：LangGraph / CrewAI / AutoGen / LlamaIndex

核心结论：LangGraph（兰格·格拉夫）、CrewAI（克鲁·艾）、AutoGen（奥·托·杰恩）、LlamaIndex Workflows（拉·玛·因·戴克斯沃克·弗洛兹）是四款主流多 Agent 框架。它们抽象层级不同、适合场景不同，选错会让项目后期很痛苦。

一、四个框架一句话定位

框架	读法	一句话定位
LangGraph	兰格·格拉夫	用图结构编排复杂工作流，流程可控
CrewAI	克鲁·艾	用角色和团队协作，快速搭 demo
AutoGen	奥·托·杰恩	多 Agent 对话式协作，微软出品
LlamaIndex Workflows	拉·玛·因·戴克斯沃克·弗洛兹	事件驱动的 RAG + Agent 工作流

二、对比维度

维度	说明
抽象层级	高抽象（声明式）还是低抽象（代码式）
流程控制	固定流程、条件分支、循环支持
状态管理	是否有内置状态，怎么共享
通信方式	Agent 之间怎么传递信息
学习曲线	入门难度
生态成熟度	周边工具、社区
适合场景	什么项目适合用它

三、LangGraph（兰格·格拉夫）

特点

和 LangChain（兰·切恩）生态深度绑定
用图（Graph / 格拉夫）组织节点
状态管理内置
支持条件分支、循环、并行
可持久化 checkpoint（切克·泡·恩特）

代码风格

偏代码式，自己写节点和路由。

workflow = StateGraph(AgentState)
workflow.add_node("data_query", 数据查询)
workflow.add_edge("intent", "data_query")
workflow.add_conditional_edge("data_query", 路由SQL)

优点

灵活，流程可控
调试能力强
生态成熟
适合复杂系统

缺点

依赖 LangChain
学习成本较高
节点太多时图会复杂

适合

已有 LangChain 基础
流程复杂，有分支、循环
需要精细控制每个节点

四、CrewAI（克鲁·艾）

特点

高抽象，"角色扮演"式
你定义 Agent 角色、任务、团队
它自动帮你协作
不需要自己写图结构

代码风格

声明式，像搭团队。

agent1 = Agent(
    role="数据分析师",
    goal="查询数据",
    backstory="擅长 SQL 和数据分析"
)

agent2 = Agent(
    role="归因分析师",
    goal="分析原因",
    backstory="擅长业务分析"
)

task1 = Task(description="查询广东销售额", agent=agent1)
task2 = Task(description="分析下降原因", agent=agent2)

crew = Crew(agents=[agent1, agent2], tasks=[task1, task2])
crew.kickoff()

优点

非常易上手
概念直观，像管理团队
快速做 demo
适合创意项目

缺点

黑盒，流程不可控
状态管理弱
不适合复杂条件分支
调试困难
企业场景需要谨慎

适合

快速验证想法
创意写作、研究助理
不需要严格流程控制的场景

五、AutoGen（奥·托·杰恩）

特点

微软出品
强调"对话式"多 Agent
Agent 之间可以互相聊天
人在回路很自然

代码风格

创建多个 Agent，让它们对话。

assistant = AssistantAgent("数据分析师", llm_config=...)
critic = AssistantAgent("风控分析师", llm_config=...)
user_proxy = UserProxyAgent("用户")

groupchat = GroupChat(agents=[user_proxy, assistant, critic], messages=[])
manager = GroupChatManager(groupchat=groupchat)

user_proxy.initiate_chat(manager, message="为什么广东销售额下降？")

优点

多 Agent 对话很自然
适合人机协作
微软生态强
适合研究、编程、头脑风暴

缺点

对话容易失控
流程难以约束
成本高（多轮对话）
调试和评估困难

适合

编程助手
多角色讨论
需要人机协作的场景
研究类项目

六、LlamaIndex Workflows（拉·玛·因·戴克斯沃克·弗洛兹）

特点

LlamaIndex（拉·玛·因·戴克斯）出的工作流框架
基于事件驱动（Event-driven）
强调 RAG 和 Agent 结合
事件（Event / 伊·文特）是核心概念

代码风格

class QueryEvent(Event):
    question: str

class ResultEvent(Event):
    result: str

class DataQueryAgent(Workflow):
    @step
    async def query(self, ev: QueryEvent) -> ResultEvent:
        result = await query_database(ev.question)
        return ResultEvent(result=result)

优点

事件驱动，天然异步
和 RAG 结合好
适合检索增强类 Agent
可扩展性好

缺点

异步编程要求
社区比 LangChain 小
事件太多时调试难

适合

重度 RAG 项目
异步需求多
事件驱动的系统

七、横向对比表

维度	LangGraph	CrewAI	AutoGen	LlamaIndex Workflows	手写调度器
抽象层级	中	高	高	中	低
流程控制	强	弱	弱	中	自定义
状态管理	内置	弱	弱	事件驱动	自己写
通信方式	共享状态	角色协作	对话	事件	函数调用
学习曲线	中	低	中	中	低
调试能力	强	弱	弱	中	自定义
生态成熟度	强	中	强	中	无
适合快速 demo	中	强	强	中	弱
适合生产系统	强	弱	中	中	看团队
和 LangChain 集成	强	中	弱	弱	无
和 RAG 集成	强	中	弱	强	自定义
异步支持	一般	弱	弱	强	自定义

八、不同场景推荐

场景	推荐框架
快速做 demo、验证想法	CrewAI
多 Agent 对话、编程协作	AutoGen
重度 RAG、检索增强	LlamaIndex Workflows
复杂工作流、企业系统	LangGraph
小团队、极简项目	手写调度器
已有 LangChain 项目	LangGraph
微软生态、研究项目	AutoGen

九、你的项目怎么选

6616AI 网站项目

不需要多 Agent
不需要这些框架

数据分析 Agent

流程复杂、有分支循环
推荐 LangGraph

Maza Studio（小说生成）

多个角色协作
可以试试 CrewAI 或 AutoGen

未来企业级 Agent 项目

流程严格、可审计
推荐 LangGraph

十、建议的学习路径

先精通 LangGraph（流程可控，适合企业）
了解 CrewAI 和 AutoGen（知道它们能做什么）
不要手写调度器（除非项目极简）

十一、一句话总结

LangGraph 适合流程复杂、需要精细控制的生产系统；CrewAI 适合快速 demo；AutoGen 适合对话协作；LlamaIndex 适合 RAG 驱动；手写调度器只在小而简的项目里有优势。

下一步可以读

006｜Agent Memory 设计：让 Agent 有记性（已更新）
007｜Agent 面试高频问题串讲（已更新）
008｜Agent 项目工程化：代码组织、测试、部署（待更新）

一、四个框架一句话定位

二、对比维度

三、LangGraph（兰格·格拉夫）

特点

代码风格

优点

缺点

适合

四、CrewAI（克鲁·艾）

特点

代码风格

优点

缺点

适合

五、AutoGen（奥·托·杰恩）

特点

代码风格

优点

缺点

适合

六、LlamaIndex Workflows（拉·玛·因·戴克斯 沃克·弗洛兹）

特点

代码风格

优点

缺点

适合

七、横向对比表

八、不同场景推荐

九、你的项目怎么选

6616AI 网站项目

数据分析 Agent

Maza Studio（小说生成）

未来企业级 Agent 项目

十、建议的学习路径

十一、一句话总结

下一步可以读

六、LlamaIndex Workflows（拉·玛·因·戴克斯沃克·弗洛兹）