框架生态

手写 Agent 循环几十行即可；框架 提供工具抽象、状态图、多 Agent 编排与可观测性钩子。本课概览 LangChain、LlamaIndex、CrewAI、AutoGen 的定位与选型——不追 API 细节，帮你在 ai-agents 路线图 里 选对脚手架。前置：ai-agents-essentials 已理解循环与 RAG。

学习目标

• 按「编排 / 检索 / 多角色」三维对比四类框架
• 知道何时框架价值大于「裸 SDK + 自研」
• 避免为框架引入不必要的抽象层

四维对比

框架	强项	弱项 / 注意
LangChain	工具链、LCEL、生态插件多	版本迭代快，需 pin
LlamaIndex	索引、RAG、数据连接器	Agent 编排非唯一重心
CrewAI	角色分工、任务委托	多 Agent 成本与调试
AutoGen	对话式多 Agent、人机协作	学习曲线、运行时较重

选型口诀：RAG 为主 → LlamaIndex 组件；通用 Agent + 观测 → LangChain/LangGraph；明确角色剧本 → CrewAI；研究型多 Agent 对话 → AutoGen。

最小示例（概念）

# LangGraph 风格伪代码：状态机
class State(TypedDict):
    messages: list
    plan: dict | None

graph = StateGraph(State)
graph.add_node("plan", planner_node)
graph.add_node("act", tool_node)
graph.add_edge("plan", "act")
graph.add_conditional_edges("act", should_continue, {"loop": "plan", "end": END})
app = graph.compile()
result = app.invoke({"messages": [user_goal]})

CrewAI 伪代码：

researcher = Agent(role="Researcher", tools=[search_docs])
writer = Agent(role="Writer", tools=[])
crew = Crew(agents=[researcher, writer], tasks=[task1, task2], process=Process.sequential)
crew.kickoff(inputs={"topic": "..."})

自研 vs 框架

自研合适	框架合适
工具 ≤5、单循环、团队熟悉 SDK	要状态图、人机中断、内置 tracing
强定制网关与鉴权	快速 POC、标准 RAG + Agent
需极小依赖	多 Agent 角色已定型

框架 不替代 aga-safety 的权限设计；只减少样板代码。

练习

• 为你的 RAG 问答场景选框架并写两条理由